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

A python package for optimal 1d k-means clustering.

ویژگی	مقدار
سیستم عامل	-
نام فایل	fast1dkmeans-0.1.2
نام	fast1dkmeans
نسخه کتابخانه	0.1.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Felix Stamm
ایمیل نویسنده	felix.stamm@cssh.rwth-aachen.de
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/fast1dkmeans/
مجوز	-

[![build](https://github.com/Feelx234/fast1dkmeans/actions/workflows/pythonapp.yml/badge.svg)](https://github.com/Feelx234/fast1dkmeans/actions) fast1dkmeans ======== A Python library which implements several variations of optimal *k*-means clustering on 1D data, based on the algorithms presented by Gronlund et al. (2017). This package is inspired by the [kmeans1d](https://github.com/dstein64/kmeans1d) package but extends it by implementing additional algorithms, in particular those with reduced memory requirements O(n) instead of O(kn). There are several different ways to compute the optimal k-means clustering in 1d. Currently the package implements the following methods: - `"binary-search-interpolation"` *default* [O(n lg(U) ), O(n) space, "wilber-interpolation"] - `"dynamic-programming-kn"` [O(kn), O(kn) space] - `"dynamic-programming-space"` [O(kn), O(n) space, "dp-linear"] - `"binary-search-normal"` [O(n lg(U) ), O(n) space, section 2.4, "wilber-binary"] The code is written in Python and relies on the [numba](https://numba.pydata.org/) compiler for speed. Requirements ------------ *fast1dkmeans* relies on `numpy` and `numba` which currently support python 3.8-3.10. Installation ------------ [fast1dkmeans](https://pypi.python.org/pypi/fast1dkmeans) is available on PyPI, the Python Package Index. ```sh $ pip3 install fast1dkmeans ``` Example Usage ------------- ```python import fast1dkmeans x = [4.0, 4.1, 4.2, -50, 200.2, 200.4, 200.9, 80, 100, 102] k = 4 clusters = fast1dkmeans.cluster(x, k) print(clusters) # [1, 1, 1, 0, 3, 3, 3, 2, 2, 2] ``` Important notice: On first usage the the code is compiled once which may take about 30s. On subsequent usages this is no longer necessary and execution is much faster. Tests ----- Tests are in [tests/](https://github.com/Feelx234/fast1dkmeans/blob/master/tests). ```sh # Run tests $ python3 -m pytest . ``` License ------- The code in this repository has an BSD 2-Clause "Simplified" License. See [LICENSE](https://github.com/Feelx234/fast1dkmeans/blob/master/LICENSE). References ---------- [1] Gronlund, Allan, Kasper Green Larsen, Alexander Mathiasen, Jesper Sindahl Nielsen, Stefan Schneider, and Mingzhou Song. "Fast Exact K-Means, k-Medians and Bregman Divergence Clustering in 1D." ArXiv:1701.07204 [Cs], January 25, 2017. http://arxiv.org/abs/1701.07204.

نیازمندی

مقدار	نام
-	numpy
-	numba

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl fast1dkmeans-0.1.2:

pip install fast1dkmeans-0.1.2.whl

نصب پکیج tar.gz fast1dkmeans-0.1.2:

pip install fast1dkmeans-0.1.2.tar.gz