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

Nested computed ABC analysis (cABC): A method to reduce feature sets to their most relevant items. Implementation in Python.

ویژگی	مقدار
سیستم عامل	-
نام فایل	cABCanalysis-0.1.2
نام	cABCanalysis
نسخه کتابخانه	0.1.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Jorn Lotsch
ایمیل نویسنده	j.loetsch@em.uni-frankfurt.de
آدرس صفحه اصلی	https://github.com/JornLotsch/ABCanalysis
آدرس اینترنتی	https://pypi.org/project/cABCanalysis/
مجوز	GNU General Public License v3 (GPLv3)

# cABCanalysis Nested computed ABC analysis (cABC): A method to reduce feature sets to their most relevant items. Implementation in Python. ## Author Jörn Lötsch Data Science | Clinical Pharmacology Goethe - University Frankfurt am Main Germany Alfred Ultsch DataBionics Research Group University of Marburg Marburg Germany ## Abstract The **cABCanalysis** package is a Python package that provides a method for categorizing items or inventories, with the aim to reduce feature sets to the most important elements. This package is based on our publication Ultsch. A., Lötsch J. "Computed ABC analysis for rational selection of most informative variables in multivariate data". PLoS One. 2015, https://doi.org/10.1371/journal.pone.0129767. ## Requirements * numpy >= 1.19.2 * pandas >= 1.1.5 * seaborn >= 0.11.2 * scipy >= 1.7.3 ## Reference Ultsch. A., Lötsch J. "Computed ABC analysis for rational selection of most informative variables in multivariate data". PLoS One. 2015, https://doi.org/10.1371/journal.pone.0129767. ## Tutorial The cABC analysis can be run with “ cABCanalysis(data, PlotIt=False, ax=None)”, where the data should be a one-dimensional numerical data set, “PlotIt” is self-explaining, and “ax” allows the inclusion of the resulting ABC plot as a subplot in a “seaborn” multipanel figure. The function returns a Python dictionary containing the following elements. "Aind", "Bind" and "Cind" are the data items assigned to the respective ABC subsets, "ABexchanged" (True/False) indicates whether in special cases the slope of the ABC curve has already reached the value of one before passing the point closest to the ideal "Pareto" point, which would be counterintuitive for the classification and is therefore corrected by exchanging points A and B, about which the user is informed. Other numbers returned include points "A" (Ax,Ay), i.e., the “Juran” or "BreakEven" point indicated by "ABexchanged", "B" (Bx,By), i.e., the "Juran" or "BreakEven" point indicated by "ABexchanged", and "C", a point at minimum distance from [Ax,1]. Also, "smallestAData" returns the AB limit defined by the point A or B with "ABexchanged", "smallestBData" returns the BC limit defined by the point C, "AlimitIndInInterpolation" returns the index of the AB limit in [p, ABC], the interpolation of the ABC curve, and "BlimitIndInInterpolation" is the index of the BC limit in [p, ABC], the interpolation of the ABC curve. ABCres = cABCanalysis(data=data) ABCres["Aind"].index.tolist()

زبان مورد نیاز

مقدار	نام
>=3.5	Python

نحوه نصب

نصب پکیج whl cABCanalysis-0.1.2:

pip install cABCanalysis-0.1.2.whl

نصب پکیج tar.gz cABCanalysis-0.1.2:

pip install cABCanalysis-0.1.2.tar.gz