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

A Python 3.5+ wrapper for clustering building point labels using KMeans, DBScan, and Agglomerative clustering

ویژگی	مقدار
سیستم عامل	-
نام فایل	bldg-point-clustering-0.0.3
نام	bldg-point-clustering
نسخه کتابخانه	0.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Sriharsha Guduguntla
ایمیل نویسنده	sguduguntla@berkeley.edu
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/bldg-point-clustering/
مجوز	-

### bldg_point_clustering **PyPi Package:** <https://pypi.org/project/bldg-point-clustering/> **Docs:** <https://bldg-point-clustering.readthedocs.io/en/latest/> ## Introduction A Python 3.5+ wrapper for clustering building point labels using KMeans, DBScan, and Agglomerative clustering. ## Installation Using pip for Python 3.5+ run: ```bash $ pip install bldg_point_clustering ``` ## Quick Start Instantiate Featurizer object and get featurized Pandas DataFrame. Instantiate Cluster object and pass in featurized DataFrame to. Then, call a clustering method with the appropriate parameters. Use the plot3D function in the Plotter to create a 3D plot of metrics returned by any of the clustering trials. ## Example Usage Running one iteration of the KMeans algorithm. ```python import pandas as pd import numpy as np from bldg_point_clustering.cluster import Cluster from bldg_point_clustering.featurizer import Featurizer filename = "GBSF" df = pd.read_csv("./datasets/" + filename + ".csv") first_column = df.iloc[:, 0] f = Featurizer(filename, corpus=first_column) featurized_df = f.bag_of_words() c = Cluster(df, featurized_df) clustered_df = c.kmeans(n_clusters=300, plot=True, to_csv=True) metrics = c.get_metrics_df() avg_levenshtein_score = np.mean(c.get_levenshtein_scores()) ``` Running several iterations of the KMeans algorithm. ```python from bldg_point_clustering.plotter import plot_3D c.kmeans_trials() metrics = c.get_metrics_df() plot_3D(metrics, "n_clusters", "Avg Levenshtein Score", "Silhouette Score") ``` This process is similar for DBScan and Agglomerative.

نیازمندی

مقدار	نام
-	numpy
-	pandas
-	python-Levenshtein
-	sklearn
-	matplotlib
-	plotly
-	pyyaml
-	sphinxbootstrap4theme

زبان مورد نیاز

مقدار	نام
>=3.5	Python

نحوه نصب

نصب پکیج whl bldg-point-clustering-0.0.3:

pip install bldg-point-clustering-0.0.3.whl

نصب پکیج tar.gz bldg-point-clustering-0.0.3:

pip install bldg-point-clustering-0.0.3.tar.gz