معرفی شرکت ها


cleanfill-0.1.8


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

توضیحات

It serve to fill NaN value in numpy array or in pandas dataframe using various prediction algorithmes.
ویژگی مقدار
سیستم عامل -
نام فایل cleanfill-0.1.8
نام cleanfill
نسخه کتابخانه 0.1.8
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Colin Bouchard
ایمیل نویسنده colin.bouchard.gestion@gmail.com
آدرس صفحه اصلی https://github.com/CryptoAdvised/cleanfill
آدرس اینترنتی https://pypi.org/project/cleanfill/
مجوز -
# CleanFill ClearFill is a python library you can use to fill NaN value in a matrix using various predictions techniques. This is useful in the context of collaborative filtering. It can be used to predict items rating in the context of recommendation engine. This code will fill NaN (Not A Number) with some predicted value according to the desired method of prediction. Alot of time, part of the data is left unfilled. This is frustating as sometime you are force to dump alot of data because of missing values. But if you use a library like CleanFill, you can avoid having to remove this potentially useful data. It's a simple data transformation tool. # How it works ClearFill take in a numpy array matrix containing NaN and fill them with estimated value. For a demonstration simply look at test.py # Available prediction methode for filling data - Linear regression - Nearest value - Slope One (Fastest) - Weighted Slope One - Bipolar Slope One - Means # Available filling tools - NaNtoZero - ZeroToNaN # Installation pip install CleanFill # Depedencies You'll need numpy, scipy and pandas installed in your venv to run this library. # Exemple for NaN as value with numpy array ``` import numpy as np from cleanfill import fill nan = np.NaN my_data = np.array([[7, nan, 8, 7], [6, 5, nan, 2], [nan, 2, 2, 5], [1, 3, 4, 1], [2, nan, 2, 1]]) print(fill.linear(my_data)) print(fill.nearest(my_data)) print(fill.slope_one(my_data)) print(fill.weighted_slope_one(my_data)) print(fill.bipolar_slope_one(my_data)) print(fill.means(my_data) ``` # Exemple for 0 as value ``` import numpy as np from cleanfill import fill my_data2 = np.array([[7, 0, 8, 7], [6, 5, 0, 2], [0, 2, 2, 5], [1, 3, 4, 1], [2, 0, 2, 1]]) my_data2 = CleanFill.ZeroToNaN(my_data2) print(fill.linear(my_data2)) print(fill.nearest(my_data)) print(fill.slope_one(my_data2)) print(fill.weighted_slope_one(my_data2)) print(fill.bipolar_slope_one(my_data2)) print(fill.means(my_data2)) ``` # Exemple for NaN as value with pandas dataframe ``` import numpy as np import pandas as pd from cleanfill import fill d={'name': ['hello', 'mello', 'yellow', 'pink'], 'number': [6., 4., np.nan, 8.], 'number2': [7., np.nan, 9., 9.], 'number3': [np.nan, 5., 9., 10.], 'number4': [8., np.nan, 7., 5.], 'number5': [8., 6., np.nan, 5.], 'number6': [3., 6., 9., np.nan], 'number7': [np.nan, 2., 10., 1.], 'number7': [2., 10., np.nan, 3.], 'number7': [1., 2., 3., np.nan], 'number7': [8., np.nan, 9., 9.] } df=pd.DataFrame(data=d) print(fill.linear(df)) print(fill.nearest(df)) print(fill.slope_one(df)) print(fill.weighted_slope_one(df)) print(fill.bipolar_slope_one(df)) print(fill.means(df)) ``` # Exemple for 0 as value with pandas dataframe ``` import numpy as np import pandas as pd from cleanfill import fill d={'name': ['hello', 'mello', 'yellow', 'pink'], 'number': [6., 4., 0, 8.], 'number2': [7., 0, 9., 9.], 'number3': [0, 5., 9., 10.], 'number4': [8., 0, 7., 5.], 'number5': [8., 6., 0, 5.], 'number6': [3., 6., 9., 0], 'number7': [0, 2., 10., 1.], 'number7': [2., 10., 0, 3.], 'number7': [1., 2., 3., 0], 'number7': [8., 0, 9., 9.] } df=pd.DataFrame(data=d) df=fill.ZeroToNaN(df) print(fill.linear(df)) print(fill.nearest(df)) print(fill.slope_one(df)) print(fill.weighted_slope_one(df)) print(fill.bipolar_slope_one(df)) print(fill.means(df)) ```


زبان مورد نیاز

مقدار نام
>=3.7 Python


نحوه نصب


نصب پکیج whl cleanfill-0.1.8:

    pip install cleanfill-0.1.8.whl


نصب پکیج tar.gz cleanfill-0.1.8:

    pip install cleanfill-0.1.8.tar.gz