معرفی شرکت ها

datahub-core-grovesy-0.9.10

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
0.9.10
0.9.10

توضیحات

Synthetic data generation tools for financial markets
ویژگی مقدار
سیستم عامل -
نام فایل datahub-core-grovesy-0.9.10
نام datahub-core-grovesy
نسخه کتابخانه 0.9.10
نگهدارنده []
ایمیل نگهدارنده []
نویسنده grovesy
ایمیل نویسنده paul.groves@citi.com
آدرس صفحه اصلی https://github.com/finos/datahub
آدرس اینترنتی https://pypi.org/project/datahub-core-grovesy/
مجوز -
<H1>DataHub</H1> ![DataHub logo](https://raw.githubusercontent.com/finos/datahub/master/docs/logo.png) _Synthetic data generation_ DataHub is a set of python libraries dedicated to the production of synthetic data to be used in tests, machine learning training, statistical analysis, and other use cases [wiki](https://en.wikipedia.org/wiki/Synthetic_data). DataHub uses existing datasets to generate synthetic models. If no existing data is available it will use user-provided scripts and data rules to generate synthetic data using out-of-the-box helper datasets. Synthetic datasets are simply artificiality manufactured sets, produced to a desired degree of accuracy. Real Data does play a part in synthetic generation, all depending on the realism you require. The product roadmaps details out the functionality planned in this respect. DataHub's core is predominantly based around pandas data frames and object generation. A common question: Now that I have a data frame of synthetic-data, what do I do with it? The Pandas library comes with an array of options here - so for the time being sinking to databases is out of the scope of the core library, however see that examples in the test folder for some common patterns. **note** As we build out a config based synthetic spec generator, we will bring this back into scope - please see our roadmap/issue list and get involved in the discussion. ## Key documents 1. For information on how to get started with DataHub see our [Getting Started Guide](https://github.com/finos/datahub/blob/master/docs/GettingStarted.md) 2. For more technical information about DataHub and how to customize it, see the [Developer Guide](https://github.com/finos/datahub/blob/master/docs/DeveloperGuide.md) 3. For a high-level road map see [Road Map](https://github.com/finos/datahub/blob/master/docs/roadmap.md) ## Overview of Synthetic data - Synthetic data is information that's is artificially manufactured rather than generated by *real-world events. - Synthetic data is created algorithmically, and can be used as a stand-in for  test datasets of production data - **Real data** does play a part in synthetic data generation - depending on how realistic you want the output ## License Copyright 2020 Citigroup Distributed under the [Apache License, Version 2.0](http://www.apache.org/licenses/LICENSE-2.0). SPDX-License-Identifier: [Apache-2.0](https://spdx.org/licenses/Apache-2.0)


نحوه نصب


نصب پکیج whl datahub-core-grovesy-0.9.10:

    pip install datahub-core-grovesy-0.9.10.whl


نصب پکیج tar.gz datahub-core-grovesy-0.9.10:

    pip install datahub-core-grovesy-0.9.10.tar.gz