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

Explore and transform your data

ویژگی	مقدار
سیستم عامل	-
نام فایل	exploretransform-1.0.7
نام	exploretransform
نسخه کتابخانه	1.0.7
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Brian Pietracatella
ایمیل نویسنده	bpietrac@gmail.com
آدرس صفحه اصلی	https://github.com/bxp151/exploretransform
آدرس اینترنتی	https://pypi.org/project/exploretransform/
مجوز	-

# Exploretransform > Explore and transform your datasets Exploretransform is a collection of data exploration functions and custom pipline trasformers. It aims to streamline exploratory data analysis and extend some of scikit's data transformers.   ## Package Guide Examples of using the exploretransform functions and classes are contained in examples.ipynb located on the [github repository](https://github.com/bxp151/exploretransform). Details about each function or class (docstrings) can be accessed using ?name ## Installation Python PYPI: ```sh !pip install exploretransform ``` Import the exploretransform package: ```python import exploretransform as et ```   ## Summary of Functions and Classes Function / Class | Description :---- | :------------- loadboston | loads the Boston housing dataset peek | returns dtype, levels, # of observations, and first five observations for a dataframe explore | provides various statistics on a dataframe (zeros, inf, missing, levels, dtypes) nested | takes a list, series or dataframe and returns the location of nested objects freq | for categorical or ordinal features, provides the count, percent, and cumulative percent for each level plotfreq | generates a bar plot using the data generated by freq corrtable | generates a table of all pairwise correlations and uses the average correlation for the row and column in to decide on potential drop/filter candidates calcdrop | analyzes corrtable output determines which features should be filtered/drop skewstats | returns the skewness statistics and magnitude for each numeric feature ascores | calculates various association scores (kendall, pearson, mic, dcor, spearman) between predictors and target ColumnSelect | custom transformer that selects columns for pipeline CategoricalOtherLevel | custom transformer that creates "other" level in categorical / ordinal data based on threshold CorrelationFilter | custom transformer that filters numeric features based on pairwise correlation   ## How to use exploretransform More examples of using the exploretransform functions and classes are contained in examples.ipynb. Details about each function or class (docstrings) can be accessed using ? ``` ?et.explore ``` ### loadboston() ```python df, X, y = et.loadboston() ``` ### explore() ```python et.explore(X) ``` <table border="1" class="dataframe"> <thead> <tr style="text-align: right;"> <th></th> <th>variable</th> <th>obs</th> <th>q_zer</th> <th>p_zer</th> <th>q_na</th> <th>p_na</th> <th>q_inf</th> <th>p_inf</th> <th>dtype</th> </tr> </thead> <tbody> <tr> <th>0</th> <td>town</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>object</td> </tr> <tr> <th>1</th> <td>lon</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> <tr> <th>2</th> <td>lat</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> <tr> <th>3</th> <td>crim</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> <tr> <th>4</th> <td>zn</td> <td>506</td> <td>372</td> <td>73.52</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> <tr> <th>5</th> <td>indus</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> <tr> <th>6</th> <td>chas</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>category</td> </tr> <tr> <th>7</th> <td>nox</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> <tr> <th>8</th> <td>rm</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> <tr> <th>9</th> <td>age</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> <tr> <th>10</th> <td>dis</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> <tr> <th>11</th> <td>rad</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>category</td> </tr> <tr> <th>12</th> <td>tax</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>int64</td> </tr> <tr> <th>13</th> <td>ptratio</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> <tr> <th>14</th> <td>b</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> <tr> <th>15</th> <td>lstat</td> <td>506</td> <td>0</td> <td>0.00</td> <td>0</td> <td>0.0</td> <td>0</td> <td>0.0</td> <td>float64</td> </tr> </tbody> </table> </div>   Column | Description :---- | :------------- variable | name of variable obs | number of observations q\_zer | number of zeros p\_zer | percentage of zeros q\_na | number of missing p\_na | percentage of missing q\_inf | number of infinity p\_inf | percentage of infinity dtype | Python dtype   ## Release History * 1.0.0 * First release * 1.0.1 - 1.0.7 * Minor adjustments to get package working correctly   ## Meta Brian Pietracatella – bpietrac@gmail.com Distributed under the MIT license. See ``LICENSE`` for more information. [https://github.com/bxp151/exploretransform](https://github.com/bxp151/exploretransform)

نیازمندی

مقدار	نام
-	numpy
-	pandas
-	plotnine
-	scipy
-	sklearn
-	minepy
-	dcor

زبان مورد نیاز

مقدار	نام
>=3.6.9	Python

نحوه نصب

نصب پکیج whl exploretransform-1.0.7:

pip install exploretransform-1.0.7.whl

نصب پکیج tar.gz exploretransform-1.0.7:

pip install exploretransform-1.0.7.tar.gz