معرفی شرکت ها
dafact-0.4
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
Encodes data as ASP facts.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | dafact-0.4 |
| نام | dafact |
| نسخه کتابخانه | 0.4 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Brais Muñiz |
| ایمیل نویسنده | mc.brais@gmail.com |
| آدرس صفحه اصلی | https://github.com/bramucas/dafact |
| آدرس اینترنتی | https://pypi.org/project/dafact/ |
| مجوز | - |
# dafact
Encodes data as ASP facts.
```dafact``` solves the reiterative task of encoding a dataset into a set of Answer Set Programming facts. The resulting ASP program, which can be partially personalized, can be encoded as [python clingo](https://github.com/potassco/clingo) objects directly or as plain text, and it handles floating point numbers automatically.
Data can be fed into ```dafact``` through CSV files, [numpy](https://github.com/numpy/numpy) arrays, [pandas](https://github.com/pandas-dev/pandas) DataFrames and other typical formats.
It can be used both as a python library and as a command line tool.
# Installation
The tool is easily installable through ```pip```:
```
python3 -m pip install dafact
```
## Short usage
[A more detailed usage guide can be found here](examples/README.md).
### Python
```Dafacter``` python class provides all the funcionality. Once fed with data, a ```Dafacter``` object provides two main methods for obtaining a logic program:
```python
from dafact import Dafacter
dafacter = Dafacter("data/haberman.csv", have_names=True) # Fed data into the object
clingo_facts = dafacter.as_clingo_facts() # Returns a list of clingo.Function objects
program_text = dafacter.as_program_string() # Returns the program as plain text
```
The following piece of code loads the [haberman](https://www.kaggle.com/gilsousa/habermans-survival-data-set) dataset from a csv file and encodes it as a logic program.
```python
# examples/usage_csv.py
from dafact import Dafacter
dafacter = Dafacter("data/haberman.csv", have_names=True)
print(dafacter.as_program_string())
```
The result of that code would be:
```
feature("age"). feature("op_year"). feature("nodes"). feature("survival").
instance(0). value(0,"age",30). value(0,"op_year",64). value(0,"nodes",1). value(0,"survival",1).
instance(1). value(1,"age",30). value(1,"op_year",62). value(1,"nodes",3). value(1,"survival",1).
(. . .)
```
The encoded style can also be tweaked easily, and it accepts different kind of data sources from [numpy](https://github.com/numpy/numpy) arrays to [pandas](https://github.com/pandas-dev/pandas) DataFrames. A more detailed guide on usage of the python library can be found in [examples folder](examples/README.md).
### Command line tool
Once installed through ```pip``` users can use ```dafact``` for directly obtain a logic program from csv files through the use of the **command line tool**. The usage of the tool is the same to the use of the ```Dafacter``` python class for csv files.
```
~/$ dafact --help
usage: dafact [-h] [--feature-names [FEATURE_NAMES [FEATURE_NAMES ...]]] [--factor FACTOR]
[--numerical-columns [NUMERICAL_COLUMNS [NUMERICAL_COLUMNS ...]]] [--have-names] [--omit-names] [--delimiter DELIMITER]
infile outfile
Dafact CLI Encodes data as ASP facts.
positional arguments:
infile Input csv file.
outfile Ouput ASP program.
optional arguments:
-h, --help show this help message and exit
Options:
--feature-names [FEATURE_NAMES [FEATURE_NAMES ...]]
Feature names for the csv columns.
--factor FACTOR factor help
--numerical-columns [NUMERICAL_COLUMNS [NUMERICAL_COLUMNS ...]]
Indexes for numerical columns.
--have-names Must be if csv have the name of the columns in the first line.
--omit-names Used together with --have-names for omitting the names in the file.
--delimiter DELIMITER
Field delimiter for the csv file.
```
نیازمندی
| مقدار | نام |
|---|---|
| >=5.5.0.post3 | clingo |
| - | numpy |
| - | argparse |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6.0 | Python |
نحوه نصب
نصب پکیج whl dafact-0.4:
pip install dafact-0.4.whl
نصب پکیج tar.gz dafact-0.4:
pip install dafact-0.4.tar.gz