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

Schematized pipeline operations on dataframes

ویژگی	مقدار
سیستم عامل	-
نام فایل	dfbridge-0.0.2
نام	dfbridge
نسخه کتابخانه	0.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Casey Schneider-Mizell
ایمیل نویسنده	caseysm@gmail.com
آدرس صفحه اصلی	https://github.com/ceesem/dfbridge
آدرس اینترنتی	https://pypi.org/project/dfbridge/
مجوز	-

# dfbridge ## A Schematized dataframe formatter. We often have need to reformat a base dataframe to create a dataframe following a schema, applying a combination of renaming some columns, applying functions to others, and doing groupby/transform operations. These steps introduce a lot of boilerplate, but here we can assign it as a dictionary schema. The original dataframe is unchanged, and all of the operations take place only on the original dataframe. Let's say we want the output dataframe to have columns `final_name1`, `final_name2`, and `final_name3`, with one of them a simple rename from an input dataframe, one the result of some fucntion applied to the input dataframe, and one some groupby transform operation. We can even remap values to other values in the process. Setting `fill_missing` to True lets one add the column and set it as full of pandas NA values. The schema to do this looks like: ```python schema = { "final_name1`": { "type": "rename", "from": "original_name", "fill_missing": True, "column_type": None, 'remap_dict': {'orig_val': 'new_val'}, # Remaps elements with original val to new val. Set to None or ignore to not use. 'strict_remap': True, # If True, values not in the remap_dict are made pd.NA, else are passed through intact. }, "final_name2": { "type": "apply", "func": function, # Expects the whole row of the original dataframe, so use row['col] style arguments. "fill_missing": True, "column_type": None, 'remap_dict': None, # Remaps elements with original val to new val. Set to None or ignore to not use. }, "final_name3": { "type": "transform", "groupby": "groupby_column", "column": "return_column", "action`": "mean", # (or anything that works in df.groupby().transform()) "fill_missing": True, "column_type": None, }, } ```

نحوه نصب

نصب پکیج whl dfbridge-0.0.2:

pip install dfbridge-0.0.2.whl

نصب پکیج tar.gz dfbridge-0.0.2:

pip install dfbridge-0.0.2.tar.gz