معرفی شرکت ها
evaluate-dfs-0.0.2
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
Provides features to evaluate a series or dataframe against another series or dataframe.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | evaluate-dfs-0.0.2 |
| نام | evaluate-dfs |
| نسخه کتابخانه | 0.0.2 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Yohan Kim |
| ایمیل نویسنده | yohankimchi@gmail.com |
| آدرس صفحه اصلی | https://github.com/yohan10/evaluate-dfs |
| آدرس اینترنتی | https://pypi.org/project/evaluate-dfs/ |
| مجوز | BSD |
# Evaluate DataFrames
**evaluate_dfs** provides features for evaluating a series or dataframe against another series or dataframe.
## Installation
```bash
pip install evalaute-dfs
```
## Overview
`evaluate_dfs` contains many features to help evaluate series or dataframe against another series or dataframe:
- `dfs_evaluator`: Classes for evaluating two dataframes against each other.
- `series_evaluator`: Classes for evaluating a series against a dataframe.
- `match`: Functions for ranking and matching the highest ranking item in an iterable according to a hierarchy.
Here's a tour of some of the main features of `evaluate_dfs` with examples:
### Series Evaluators
The main features of the `series_evaluator` module are the `SeriesEvaluator` class and its subclasses.
You can store your **evaluation mapping** into these classes, composed of:
- **evaluation field name** (keys), the field name to assign the results from an evaluation function to an **evaluation**.
- **evaluation function** (values), a function that compares two series.
Example of an evaluation mapping:
```python
def evaluate_fruits(series1, series2): return series1.fruits == series2.fruits
def evaluate_vegies(series1, series2): return series1.vegies == series2.vegies
smoothie_evaluations = {
'is_fruits_same': evaluate_fruits,
'is_vegies_same': evaluate_vegies
}
```
An **evaluation** is a series returned or produced by methods from a `SeriesEvaluator` (or subclass) instance. The evaluation contains the return values from comparing two series with all the **evaluation functions** from an **evaluation mapping**,
with **evaluation field names** as its indexes. By default, and evaluation stores the indexes of both series compared.
Example of an evaluation:
```
index_x 0
index_y 42
is_fruits_same True
is_vegies_same True
dtype: object
```
Additionally, the classes offer the following features:
- Pre-filtering the dataframe before evaluation.
- The field_names attribute, which dynamically stores the **evaluation field names** and/or the indexes field names to use for each evaluation.
- Options to specify the indexes field names or ommit recording the indexes for the evaluations.
Examples of using the `SeriesEvaluator` class:
```python
import pandas as pd
from evaluate_dfs.series_evaluator import SeriesEvaluator
apple = pd.Series(['apple'], index=['fruits'], name=0)
fruit_basket = pd.DataFrame({'fruits': ['apple', 'peach', 'orange']})
def are_fruits_equal(series1: pd.Series, series2: pd.Series) -> bool:
return series1.fruits == series2.fruits
series_evaluator = SeriesEvaluator(
mapping={'fruits_equal': are_fruits_equal},
)
evaluations = series_evaluator.evaluate_against_df(series=apple, df=fruit_basket)
pd.DataFrame(evaluations)
```
index_x index_y fruits_equal
0 0 0 True
1 0 1 False
2 0 2 False
With a filter function:
```python
def filter_out_orange(series: pd.Series, df: pd.DataFrame) -> pd.DataFrame:
return df[df['fruits'] != 'orange']
series_evaluator = SeriesEvaluator(
mapping={'fruits_equal': are_fruits_equal},
filter_df=filter_out_orange
)
evaluations = series_evaluator.evaluate_against_df(series=apple, df=fruit_basket)
pd.DataFrame(evaluations)
```
index_x index_y fruits_equal
0 0 0 True
1 0 1 False
### DataFrames Evaluators
The main features of the `dfs_evaluator` module are the `DataFramesEvaluator` class and its subclasses. They provide methods for evaluating every row (series) from one dataframe against every row, if a filter function not provided for the series evaluator instance.
A dataframes evaluator instance is composed of an `SeriesEvaluator` (or subclass) instance found in the `series_evaluator` module.
Additionally, `dfs_evaluator` also provides the `ParallelEvaluator` that works just like `SeriesEvaluator`, but processes the evaluations in parallel.
A quick example of using the `DataFramesEvaluator` class:
```python
import pandas as pd
from evaluate_dfs.series_evaluator import SeriesEvaluator
from evaluate_dfs.dfs_evaluator import DataFramesEvaluator
fruit_basket1 = pd.DataFrame({'fruits': ['apple', 'pineapple']})
fruit_basket2 = pd.DataFrame({'fruits': ['apple', 'peach']})
def are_fruits_equal(series1: pd.Series, series2: pd.Series) -> bool:
return series1.fruits == series2.fruits
series_evaluator = SeriesEvaluator(
mapping={'fruits_equal': are_fruits_equal},
)
dfs_evaluator = DataFramesEvaluator(series_evaluator=series_evaluator)
dfs_evaluator.evaluate(df1=fruit_basket1, df2=fruit_basket2)
```
index_x index_y fruits_equal
0 0 0 True
1 0 1 False
2 1 0 False
3 1 1 False
نیازمندی
| مقدار | نام |
|---|---|
| >=1.4.2 | pandas |
| >=1.6.1 | pandarallel |
| >=1.22.4 | numpy |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.8 | Python |
نحوه نصب
نصب پکیج whl evaluate-dfs-0.0.2:
pip install evaluate-dfs-0.0.2.whl
نصب پکیج tar.gz evaluate-dfs-0.0.2:
pip install evaluate-dfs-0.0.2.tar.gz