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

Quick, easy and customizable data analysis with pandas and seaborn

ویژگی	مقدار
سیستم عامل	-
نام فایل	edawesome-0.1.5
نام	edawesome
نسخه کتابخانه	0.1.5
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Timofei Ryko
ایمیل نویسنده	timofei.ryko@gmail.com
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/edawesome/
مجوز	-

# EDAwesome This is a package for quick, easy and customizable data analysis with pandas and seaborn. We automate all the routine so you can focus on the data. Clear and cuztomizable workflow is proposed. ## Installation EDAwesome is generally compatible with standard Anaconda environment in therms of dependencies. So, you can just install it in you environment with pip: ```bash pip install edawesome ``` You can also install the dependencies, using `requirements.txt`: ```bash pip install -r requirements.txt ``` If you use Poetry, just include the depedencies in your `pyproject.toml`: ```toml [tool.poetry.dependencies] python = ">=3.8,<3.11" seaborn = "^0.12.1" kaggle = "^1.5.12" ipython = "^8.5.0" transitions = "^0.9.0" patool = "^1.12" pyspark = "^3.3.1" pandas = "^1.5.2" statsmodels = "^0.13.5" scikit-learn = ">=1.2.0" scipy = "~1.8.0" ``` ## Usage This package is designed to be used in Jupyter Notebook. You can use step-by-step workflow or just import the functions you need. Below is the example of the step-by-step workflow: ### Quick start ```python from edawesome.eda import EDA eda = EDA( data_dir_path='/home/dreamtim/Desktop/Coding/turing-ds/MachineLearning/tiryko-ML1.4/data', archives=['/home/dreamtim//Downloads/home-credit-default-risk.zip'], use_pyspark=True, pandas_mem_limit=1024**2, pyspark_mem_limit='4g' ) ``` This will create the `EDA` object. Now you can load the data into your EDA: ```python eda.load_data() ``` This will display the dataframes and their shapes. You can also use `eda.dataframes` to see the dataframes. Now you can go to the next step: ```python eda.next() eda.clean_check() ``` Let us say, that we don't want to do any cleaning in this case. So, we just go to the next step: ```python eda.next() eda.categorize() ``` Now you can compare some numerical column by category just in one line: ```python eda.compare_distributions('application_train', 'ext_source_3', 'target') ``` ### Real-world example Full notebook which was used for examples above can be found in one of my real ML projects. There is also an example `quickstart.ipynb` notebook in this repo. ### Documentation You can find the documentation [here](https://timofeiryko.github.io/edawesome). ## Contributing Pull requests are welcome. For major changes, please open an issue first to discuss what you would like to change.

نیازمندی

مقدار	نام
>=0.12.1,<0.13.0	seaborn
>=1.5.12,<2.0.0	kaggle
>=8.5.0,<9.0.0	ipython
>=0.9.0,<0.10.0	transitions
>=1.12,<2.0	patool
>=3.3.1,<4.0.0	pyspark
>=1.5.2,<2.0.0	pandas
>=0.13.5,<0.14.0	statsmodels
>=1.2.0	scikit-learn
>=1.8.0,<1.9.0	scipy

زبان مورد نیاز

مقدار	نام
>=3.8,<3.11	Python

نحوه نصب

نصب پکیج whl edawesome-0.1.5:

pip install edawesome-0.1.5.whl

نصب پکیج tar.gz edawesome-0.1.5:

pip install edawesome-0.1.5.tar.gz