معرفی شرکت ها

datawhys-0.4.1

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
0.4.1
0.4.0
0.3.2
0.3.1
0.3.0
0.4.1
0.4.0
0.3.2
0.3.1
0.3.0

توضیحات

DataWhys API wrapper
ویژگی مقدار
سیستم عامل -
نام فایل datawhys-0.4.1
نام datawhys
نسخه کتابخانه 0.4.1
نگهدارنده []
ایمیل نگهدارنده []
نویسنده DataWhys
ایمیل نویسنده -
آدرس صفحه اصلی https://bitbucket.org/mondobrain/datawhys-python
آدرس اینترنتی https://pypi.org/project/datawhys/
مجوز MIT License
# DataWhys Python SDK DataWhys Python SDK is a python wrapper for the DataWhys API that provides additional functionality such as dataframe ingest and one-off processing ## Installation Use the package manager [pip](https://pip.pypa.io/en/stable/) to install datawhys. ```bash pip install datawhys ``` ## Dependencies - [python3](https://www.python.org/downloads/) ## Install from source In the `mondobrain-python` directory (same directory as this README.md file), run this command in your terminal: ```bash pip install -e . ``` ## Usage ```python import datawhys as dw # Set your credentials dw.api_key = "<API-KEY>" # Build a pandas dataframe and store in `df` (not shown) # Convert your pandas df to a datawhys df dwf = dw.DataWhysFrame(df) # Select a column as your outcome column & specify a target class outcome = dwf["column_name"] # for a discrete column outcome.target_class = "Some_modality" # for a continuous column the value should be `min` or `max` outcome.target_class = "max" # Get a dataframe of all columns you want to explor explorable = dwf[["column_a", "column_b"]] # Create a solver instance solver = dw.Solver() # Fit your data solver.fit(explorable, outcome) # Check your results solver.rule ``` See documentation and `SDK Example.ipynb` in the `mondobrain-python` directory for more in depth examples. The package includes documentation to provide explanation and examples of usage. ## Contributing Pull requests are welcome. For major changes, please open an issue first to discuss what you would like to change. Take a look at `CONTRIBUTING.md` for more info Please make sure to update tests as appropriate. ## License [MIT](https://choosealicense.com/licenses/mit/)


نیازمندی

مقدار نام
~=2.5 networkx
~=1.18 numpy
~=1.0 pandas
~=3.0.0 pyarrow
~=2.7 requests
~=0.22.1 scikit-learn
~=0.5.1 umap-learn
~=0.14.2 graphviz
~=1.6 pygraphviz


زبان مورد نیاز

مقدار نام
>=3.6 Python


نحوه نصب


نصب پکیج whl datawhys-0.4.1:

    pip install datawhys-0.4.1.whl


نصب پکیج tar.gz datawhys-0.4.1:

    pip install datawhys-0.4.1.tar.gz