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

Mongodb documentand python dict similarity

ویژگی	مقدار
سیستم عامل	-
نام فایل	closeness-2.0.2
نام	closeness
نسخه کتابخانه	2.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Suyati Technologies
ایمیل نویسنده	tkannippoyil@suyati.com
آدرس صفحه اصلی	https://github.com/suyati/mongodb-doc-closeness
آدرس اینترنتی	https://pypi.org/project/closeness/
مجوز	MIT

Mongodb relation finder ======================= This package now supporting closeness amoung python dicts This is project is using to find relationship between mongodb documents This will be the initial version of the project How to use: Install package with pip .. code-block:: console pip install closeness See the example, .. code-block:: from closeness.closeness_aggregation import ClosenessAggregation from pymongo import MongoClient client = MongoClient() db = client.test_database user_collection = db.user_collection user1 = { 'name': 'User 1', 'age': 25, 'gender': 'male', 'tags': [ "tag1", "tag2", "tag3", ], 'friends': [ {"user_id": "friend1", 'name': "name1"}, {"user_id": "friend2", 'name': "name2"}, {"user_id": "friend3", 'name': "name3"}, ] } user2 = { 'name': 'User 2', 'age': 25, 'gender': 'male', 'tags': [ "tag1", "tag2", "tag3", ], 'friends': [ {"user_id": "friend1", 'name': "name1"}, {"user_id": "friend2", 'name': "name2"}, {"user_id": "friend3", 'name': "name3"}, ] } user3 = { 'name': 'User 3', 'age': 30, 'gender': 'female', 'tags': [ "tag1", ], 'friends': [ {"user_id": "friend3", 'name': "name3"}, ] } user_collection.insert([user1, user2, user3]) query_stage = {'$match': {'name': {'$ne': user1['name']}}} ARRAY_CMP_FIELDS = [ { 'field': 'tags', 'weight': 3 } ] ARRAY_DICT_CMP_FIELDS = [ { 'field': 'friends', 'unique': 'user_id', 'weight': .5 } ] STRING_CMP_FIELDS = [ { 'field': 'gender', 'weight': .5 } ] NUM_CMP_FIELDS = [ { 'field': 'age', 'from': -1, 'to': 1, 'weight': .3 } ] OUT_PUT_FIELDS = [ 'name', 'age' ] test = ClosenessAggregation( user1, query_stage, OUT_PUT_FIELDS, limit=10, ARRAY_CMP_FIELDS=ARRAY_CMP_FIELDS, STRING_CMP_FIELDS=STRING_CMP_FIELDS, NUM_CMP_FIELDS=NUM_CMP_FIELDS, ARRAY_DICT_CMP_FIELDS=ARRAY_DICT_CMP_FIELDS, ) aggregation_query = test.get_aggregation_pipeline( mode=ClosenessAggregation.FUZZY ) result = user_collection.aggregate(aggregation_query) # {u'ok': 1.0, # u'result': [{u'age': 25, # u'_id': ObjectId('55c894dcb67e20612cd6ddf0'), # u'weights': [{u'gender': 11.627906976744187, # u'age': 6.9767441860465125, # u'friends': 11.626615417599819, # u'tags': 69.75969250559892}], # u'name': u'User 2', # u'rank': 99.99095908598945}, # {u'age': 30, # u'_id': ObjectId('55c894dcb67e20612cd6ddf1'), # u'weights': [{u'gender': 0, # u'age': 0, # u'friends': 6.456076223518085, # u'tags': 38.73645734110851}], # u'name': u'User 3', # u'rank': 45.1925335646266}]} aggregation_query = closeness_obj.get_aggregation_pipeline( mode=ClosenessAggregation.SIMPLE ) result = user_collection.aggregate(aggregation_query) # {u'ok': 1.0, # u'result': [{u'age': 25, # u'_id': ObjectId('55c894dcb67e20612cd6ddf3'), # u'weights': [{u'gender': 11.627906976744187, # u'age': 6.9767441860465125, # u'friends': 11.627906976744187, # u'tags': 69.76744186046513}], # u'name': u'User 2', # u'rank': 100.00000000000001}, # {u'age': 30, # u'_id': ObjectId('55c894dcb67e20612cd6ddf4'), # u'weights': [{u'gender': 0, # u'age': 0, # u'friends': 3.8759689922480622, # u'tags': 23.255813953488374}], # u'name': u'User 3', # u'rank': 27.131782945736436}]} # By using python dicts users = [user2, user3] closeness_dict_obj = ClosenessDict( user1, users, ARRAY_CMP_FIELDS=ARRAY_CMP_FIELDS, STRING_CMP_FIELDS=STRING_CMP_FIELDS, NUM_CMP_FIELDS=NUM_CMP_FIELDS, ARRAY_DICT_CMP_FIELDS=ARRAY_DICT_CMP_FIELDS, ) result = closeness_dict_obj.execute( mode=ClosenessDict.SIMPLE ) self.assertEqual( result[0]['closeness']['rank'], 100.00000000000001) self.assertEqual( result[1]['closeness']['rank'], 27.131782945736436) # [{'name': 'User 2', # 'tags': ['tag1', # 'tag2', # 'tag3'], # 'gender': 'male', # 'age': 25, # 'closeness': {'weightages': {'gender': 11.627906976744187, # 'age': 6.9767441860465125, # 'friends': 11.627906976744187, # 'tags': 69.76744186046513}, # 'rank': 100.00000000000001}, # 'friends': ['friend1', # 'friend2', # 'friend3']}, # {'name': 'User 3', # 'tags': ['tag1'], # 'gender': 'female', # 'age': 30, # 'closeness': {'weightages': {'gender': 0.0, # 'age': 0.0, # 'friends': 3.8759689922480622, # 'tags': 23.255813953488374}, # 'rank': 27.131782945736436}, # 'friends': ['friend3']}] result = closeness_dict_obj.execute( mode=ClosenessDict.FUZZY ) self.assertEqual( result[0]['closeness']['rank'], 100.00000000000001) self.assertEqual( result[1]['closeness']['rank'], 45.21963824289406) # [{'name': 'User 2', # 'tags': ['tag1', # 'tag2', # 'tag3'], # 'gender': 'male', # 'age': 25, # 'closeness': {'weightages': {'gender': 11.627906976744187, # 'age': 6.9767441860465125, # 'friends': 11.627906976744187, # 'tags': 69.76744186046513}, # 'rank': 100.00000000000001}, # 'friends': ['friend1', # 'friend2', # 'friend3']}, # {'name': 'User 3', # 'tags': ['tag1'], # 'gender': 'female', # 'age': 30, # 'closeness': {'weightages': {'gender': 0.0, # 'age': 0.0, # 'friends': 6.459948320413436, # 'tags': 38.75968992248062}, # 'rank': 45.21963824289406}, # 'friends': ['friend3']}]

نحوه نصب

نصب پکیج whl closeness-2.0.2:

pip install closeness-2.0.2.whl

نصب پکیج tar.gz closeness-2.0.2:

pip install closeness-2.0.2.tar.gz