معرفی شرکت ها

building-energy-forecastor-0.0.3

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
0.0.3
0.0.2
0.0.1
0.0.1

توضیحات

Pour l'instant fait pas grand chose
ویژگی مقدار
سیستم عامل -
نام فایل building-energy-forecastor-0.0.3
نام building-energy-forecastor
نسخه کتابخانه 0.0.3
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Moi Je
ایمیل نویسنده arthur.feyt@kaizen-solutions.net
آدرس صفحه اصلی https://gitlab.com/KZSLAB/building_energy_forecastor.git
آدرس اینترنتی https://pypi.org/project/building-energy-forecastor/
مجوز -
# Forecastor for Buildings' Consumption Go check ce lien pour rédiger le README: [Github-flavored Markdown](https://guides.github.com/features/mastering-markdown/) ### Installation Command line: *pip install building_energy_forecastor* ### Features' list for preprocessing data from *src/building_preprocess* * **day_of_week(date_serie)**: Takes a pandas.Series of dates and returns a pandas.Series of corresponding week days (['Monday', 'Tuesday', ...]). * **set_time_index(df, timeindex='Timestamp')**: Set the time column as index of the dataframe df. By default the column's label is 'Timestamp'. * **time_to_cycle(df, timeindex='Timestamp')**: From the 3rd competitor of the [Forecast challenge](https://www.drivendata.org/competitions/51/electricity-prediction-machine-learning/) by Schneider Electric. Add column to a copy of df containing cosinus and sinus functions of the time of the day, the month of the year and the day of the year. * **add_weather(df, weather, timeindex='Timestamp', freq_temp='D')**: From the 3rd competitor of the [Forecast challenge](https://www.drivendata.org/competitions/51/electricity-prediction-machine-learning/) by Schneider Electric. Adds the weather data to the training dataset (*df* here) merging the two dataframes on the 'Timestamp' and rouding the time value in weather to the precised freq_temp ('D' by default). * **fill_temperature(df, tempindex='Temperature')**: fill the NaN values in the tempindex column by computing the mean on the two closest framing values. ### Model functions from *src/building_model* * **building_regressor()**: Returns a linear regressor from Scikit-learn. * **building_train(reg, X, y)**: Trains the regressor with X the data and Y the targeted values. * **building_prediction(reg, X)**: Returns a pandas.DataFrame showing the prediction of the regressor *reg* given the data *X*.


نحوه نصب


نصب پکیج whl building-energy-forecastor-0.0.3:

    pip install building-energy-forecastor-0.0.3.whl


نصب پکیج tar.gz building-energy-forecastor-0.0.3:

    pip install building-energy-forecastor-0.0.3.tar.gz