معرفی شرکت ها
categorical-encoding-0.4.1
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 بیشترتوضیحات
categorical encoding for featuretools
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | categorical-encoding-0.4.1 |
| نام | categorical-encoding |
| نسخه کتابخانه | 0.4.1 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Feature Labs, Inc. |
| ایمیل نویسنده | support@featurelabs.com |
| آدرس صفحه اصلی | http://www.featurelabs.com/ |
| آدرس اینترنتی | https://pypi.org/project/categorical-encoding/ |
| مجوز | BSD 3-clause |
# categorical-encoding
[](https://circleci.com/gh/FeatureLabs/categorical_encoding)
categorical-encoding is a Python library for encoding categorical data, intended for use with [Featuretools](https://github.com/Featuretools/featuretools).
categorical-encoding allows for seamless encoding of data and integration into Featuretools pipeline for automated feature engineering within the machine learning pipeline.
### Install
```shell
python -m pip install "featuretools[categorical_encoding]"
```
### Description
#### Install Demo Guide Requirements
```shell
python -m pip install demo-requirements.txt
```
For more general questions regarding how to use categorical encoding in a machine learning pipeline, consult the guides located in the [categorical encoding github repository](https://github.com/FeatureLabs/categorical_encoding/tree/master/guides).
```py
>>> feature_matrix
product_id purchased value countrycode
id
0 coke zero True 0.0 US
1 coke zero True 5.0 US
2 coke zero True 10.0 US
3 car True 15.0 US
4 car True 20.0 US
5 toothpaste True 0.0 AL
```
Integrates into standard procedure of train/test split within applied machine learning processes.
```py
>>> train_data = feature_matrix.iloc[[0, 1, 4, 5]]
>>> train_data
product_id purchased value countrycode
id
0 coke zero True 0.0 US
1 coke zero True 5.0 US
4 car True 20.0 US
5 toothpaste True 0.0 AL
>>> test_data = feature_matrix.iloc[[2, 3]]
>>> test_data
product_id purchased value countrycode
id
2 coke zero True 10.0 US
3 car True 15.0 US
```
```py
>>> import categorical_encoding as ce
>>> encoder = ce.Encoder(method='leave_one_out')
>>> train_enc = encoder.fit_transform(train_data, features, train_data['value'])
>>> test_enc = encoder.transform(test_data)
```
Encoder fits and transforms to train data, and then transforms test data using its learned fitted encoding.
```py
>>> train_enc
PRODUCT_ID_leave_one_out purchased value COUNTRYCODE_leave_one_out
id
0 5.00 True 0.0 12.50
1 0.00 True 5.0 10.00
4 6.25 True 20.0 2.50
5 6.25 True 0.0 6.25
>>> test_enc
PRODUCT_ID_leave_one_out purchased value COUNTRYCODE_leave_one_out
id
2 2.50 True 10.0 8.333333
3 6.25 True 15.0 8.333333
```
Supports easy integration into Featuretools through its support and use of features.
First, learn features through fitting an encoder to data. Then, when new data comes in, easily prepare it for your trained machine learning model by using those features to seamlessly generate new tables of encoded data.
```py
>>> features = encoder.get_features()
[<Feature: PRODUCT_ID_leave_one_out>,
<Feature: purchased>,
<Feature: value>,
<Feature: COUNTRYCODE_leave_one_out>]
>>> features_encoded = enc.get_features()
>>> fm2_encoded = ft.calculate_feature_matrix(features_encoded, es, instance_ids=[6,7])
>>> fm2_encoded
PRODUCT_ID_leave_one_out purchased value COUNTRYCODE_leave_one_out
id
6 6.25 True 1.0 6.25
7 6.25 True 2.0 6.25
```
## Feature Labs
<a href="https://www.featurelabs.com/">
<img src="http://www.featurelabs.com/wp-content/uploads/2017/12/logo.png" alt="Featuretools" />
</a>
categorical-encoding is an open source project created by [Feature Labs](https://www.featurelabs.com/). To see the other open source projects we're working on visit Feature Labs [Open Source](https://www.featurelabs.com/open). If building impactful data science pipelines is important to you or your business, please [get in touch](https://www.featurelabs.com/contact/).
نیازمندی
| مقدار | نام |
|---|---|
| >=0.9.0 | featuretools |
| ==2.0.0 | category-encoders |
نحوه نصب
نصب پکیج whl categorical-encoding-0.4.1:
pip install categorical-encoding-0.4.1.whl
نصب پکیج tar.gz categorical-encoding-0.4.1:
pip install categorical-encoding-0.4.1.tar.gz