معرفی شرکت ها

QuickClus-0.1.2

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.1.2
0.1.1
0.1.0
0.0.3
0.1.2
0.1.1
0.1.0
0.0.3

توضیحات

UMAP + HDBSCAN for numeric and/or categorical variables
ویژگی مقدار
سیستم عامل OS Independent
نام فایل QuickClus-0.1.2
نام QuickClus
نسخه کتابخانه 0.1.2
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Aitor Porcel Laburu
ایمیل نویسنده -
آدرس صفحه اصلی https://github.com/aitorporcel/QuickClus
آدرس اینترنتی https://pypi.org/project/QuickClus/
مجوز MIT
## QuickClus QuickClus is a Python module for clustering categorical and numerical data using [UMAP](https://github.com/lmcinnes/umap) and [HDBSCAN](https://github.com/scikit-learn-contrib/hdbscan). QuickClus allows incorporating numerical and categorical values (even with null values) into the clustering, in a simple and fast way. The imputation of null values, the scaling and transformation of numerical variables, and the combination of categorical variables are performed automatically. ## Installation ```bash python3 -m pip install QuickClus ``` ## Usage QuickClus requires a Pandas dataframe as input, which may contain numeric, categorical, or both types of variables. In the case of null values, QuickClus takes care of the imputation and subsequent scaling of all the features. All this process is done automatically under the hood. It is also possible to automatically optimize the algorithm using optuna, calling tune_model(). Finally, QuickClus provides a summary of the characteristics of each cluster. ```python from quickclus import QuickClus clf = QuickClus( umap_combine_method = "intersection_union_mapper", ) clf.fit(df) print(clf.hdbscan_.labels_) clf.tune_model() results = clf.assing_results(df) clf.cluster_summary(results) ``` ## Documentation [https://quickclus.readthedocs.io/](https://quickclus.readthedocs.io/en/latest/source/api/quickclus.html) ## Examples [Notebooks with examples of use](https://github.com/aitorporcel/QuickClus/blob/master/notebooks) ## References ```bibtex @article{mcinnes2018umap-software, title={UMAP: Uniform Manifold Approximation and Projection}, author={McInnes, Leland and Healy, John and Saul, Nathaniel and Grossberger, Lukas}, journal={The Journal of Open Source Software}, volume={3}, number={29}, pages={861}, year={2018} } ``` ```bibtex @article{mcinnes2017hdbscan, title={hdbscan: Hierarchical density based clustering}, author={McInnes, Leland and Healy, John and Astels, Steve}, journal={The Journal of Open Source Software}, volume={2}, number={11}, pages={205}, year={2017} } ```


نیازمندی

مقدار نام
>=0.5.1 umap-learn
>=1.20.2 numpy
>=0.8.28 hdbscan
>=0.51.2 numba
>=1.3.4 pandas
>=1.0.2 scikit-learn
>=3.5.0 matplotlib
>=2.10.0 optuna
>=0.11.2 seaborn


زبان مورد نیاز

مقدار نام
>=3.7 Python


نحوه نصب


نصب پکیج whl QuickClus-0.1.2:

    pip install QuickClus-0.1.2.whl


نصب پکیج tar.gz QuickClus-0.1.2:

    pip install QuickClus-0.1.2.tar.gz