معرفی شرکت ها
elemeta-1.0.5
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
Metafeature Extraction for Unstructured Data
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | elemeta-1.0.5 |
| نام | elemeta |
| نسخه کتابخانه | 1.0.5 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Lior Durahly |
| ایمیل نویسنده | lior.durahly@superwise.ai |
| آدرس صفحه اصلی | https://docs.elemeta.ai |
| آدرس اینترنتی | https://pypi.org/project/elemeta/ |
| مجوز | MIT |
# Elemeta: Metafeature Extraction for Unstructured Data
[](https://github.com/superwise-ai/elemeta/actions/workflows/release.yaml)
[](https://pypi.org/project/elemeta/)
[](https://github.com/superwise-ai/elemeta/blob/main/LICENSE)
[](https://docs.elemeta.ai/getting_started.html)
Elemeta is an open-source library in Python for metafeature extraction. With it, you will be able to explore, monitor, and extract features from unstructured data through enriched tabular representations. It provides a straightforward Python API for metafeature extraction from unstructured data like text and images.
Key usage of Elemeta includes:
- Exploratory Data Analysis (EDA) - extract useful metafeature on unstructured data to analyze, investigate, and summarize the main characteristics and employ data visualization methods.
- Data and model monitoring - utilize structured ML monitoring techniques in addition to the typical latent embedding visualizations.
- Feature extraction - engineer alternative features to be utilized in simpler models such as decision trees.
## Getting Started
Get started with Elemeta by installing the Python library via pip
```bash
pip install elemeta
```
Once installed, there are a few example dataframes that can be used for testing the library.
You can find them in `elemeta.dataset.dateset`
```python
from elemeta.dataset.dataset import get_imdb_reviews
# Load existing dataframe
reviews = get_imdb_reviews()
```
After you have a dataset with the text column, you can start using the library with the following Python API:
```python
from elemeta.nlp.metafeature_extractors_runner import MetafeatureExtractorsRunner
metafeature_extractors_runner = MetafeatureExtractorsRunner()
reviews = metafeature_extractors_runner.run_on_dataframe(dataframe=reviews, text_column='review')
reviews.show()
```
### Pandas DataFrames
Elemeta can enrich standard dataframe objects:
```python
from elemeta.nlp.metafeature_extractors_runner import MetafeatureExtractorsRunner
import pandas as pd
df = pd.dataframe({"text": ["Hi I just met you, and this is crazy", "What does the fox say?", "I love robots"})
metafeature_extractors_runner = MetafeatureExtractorsRunner()
df_with_metafeatures = metafeature_extractors_runner.run_on_dataframe(dataframe=reviews, text_column="text")
```
### Strings
Elemeta can enrich specific strings:
```python
from elemeta.nlp.metafeature_extractors_runner import MetafeatureExtractorsRunner
metafeature_extractors_runner = MetafeatureExtractorsRunner()
metafeature_extractors_runner.run("This is a text about how good life is :)")
```
## Documentation
- [Documentation homepage](https://docs.elemeta.ai/index.html)
- [Quickstart notebook](https://colab.research.google.com/github/superwise-ai/elemeta/blob/main/docs/notebooks/quick_start.ipynb)
- [Use cases](https://docs.elemeta.ai/use_cases/index.html)
- [API reference](https://docs.elemeta.ai/apidocs.html)
This package aims to help enrich non-tabular data (i.e. text:nlp pictures: image processing and so on).
Currently, we only support textual data, and we enrich it by extracting meta features (such as avg word length).
## Community
Elemeta is brand new, so we don't have a formal process for contributions just yet. If you have feedback or would like to contribute, just go ahead and post a [GitHub issue](https://github.com/superwise-ai/elemeta/issues)
نیازمندی
| مقدار | نام |
|---|---|
| >=3.8,<4.0 | nltk |
| >=1.0,<2.0 | langdetect |
| >=3.3,<4.0 | vadersentiment |
| >=2.2,<3.0 | emoji |
| >=1.22,<2.0 | numpy |
| >=1.1,<2.0 | pandas |
| >=0.7,<0.8 | textstat |
| >=1.0,<2.0 | profanity-check |
| >=0.7,<0.8 | better-profanity |
| >=0.17,<0.18 | textblob |
| >=0.7,<0.8 | datefinder |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.8,<4.0.0 | Python |
نحوه نصب
نصب پکیج whl elemeta-1.0.5:
pip install elemeta-1.0.5.whl
نصب پکیج tar.gz elemeta-1.0.5:
pip install elemeta-1.0.5.tar.gz