معرفی شرکت ها

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

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

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

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

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

توضیحات

Package for hypothesis testing in A/B-experiments

ویژگی	مقدار
سیستم عامل	-
نام فایل	abito-0.1.3
نام	abito
نسخه کتابخانه	0.1.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Danila Lenkov
ایمیل نویسنده	dlenkoff@gmail.com
آدرس صفحه اصلی	https://github.com/avito-tech/abito
آدرس اینترنتی	https://pypi.org/project/abito/
مجوز	MIT

# abito [![Build Status](https://travis-ci.com/avito-tech/abito.svg?branch=master)](https://travis-ci.com/avito-tech/abito) [![Coverage Status](https://coveralls.io/repos/github/avito-tech/abito/badge.svg?branch=master)](https://coveralls.io/github/avito-tech/abito?branch=master) Python package for hypothesis testing. Suitable for using in A/B-testing software. Tested for Python >= 3.5. Based on numpy and scipy. ##### Features 1. Convenient interface to run significance tests. 2. Support of ratio-samples. Linearization included (delta-method). 3. Bootstrapping: can measure significance of any statistic, even quantiles. Multiprocessing is supported. 4. Ntile-bucketing: compress samples to get better performance. 5. Trim: get rid of heavy tails. ## Installation ``` pip install abito ``` ## Usage The most powerful tool in this package is the Sample: ```python import abito as ab ``` Let's draw some observations from Poisson distribution and initiate Sample instance from them. ```python import numpy as np observations = np.random.poisson(1, size=10**6) sample = ab.sample(observations) ``` Now we can calculate any statistic in numpy-way. ```python print(sample.mean()) print(sample.std()) print(sample.quantile(q=[0.05, 0.95])) ``` To compare with other sample we can use t_test or mann_whitney_u_test: ```python observations_control = np.random.poisson(1.005, size=10**6) sample_control = Sample(observations_control) print(sample.t_test(sample_control)) print(sample.mann_whitney_u_test(sample_control)) ``` ### Bootstrap Or we can use bootstrap to compare any statistic: ```python sample.bootstrap_test(sample_control, stat='mean', n_iters=100) ``` To improve performance, it's better to provide observations in weighted form: unique values + counts. Or, we can compress samples, using built-in method: ```python sample.reweigh(inplace=True) sample_control.reweigh(inplace=True) sample.bootstrap_test(sample_control, stat='mean', n_iters=10000) ``` Now bootstrap is working lightning-fast. To improve performance further you can set parameter n_threads > 1 to run bootstrapping using multiprocessing. ### Compress ```python observations = np.random.normal(100, size=10**8) sample = ab.sample(observations) compressed = sample.compress(n_buckets=100, stat='mean') %timeit sample.std() %timeit compressed.std() ```

نیازمندی

مقدار	نام
>=1.16	numpy
-	scipy

نحوه نصب

نصب پکیج whl abito-0.1.3:

pip install abito-0.1.3.whl

نصب پکیج tar.gz abito-0.1.3:

pip install abito-0.1.3.tar.gz