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

Feature engineering library that helps you keep track of feature dependencies, documentation and schema

ویژگی	مقدار
سیستم عامل	-
نام فایل	featureclass-0.3.0
نام	featureclass
نسخه کتابخانه	0.3.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Itay Azolay
ایمیل نویسنده	itayazolay@gmail.com
آدرس صفحه اصلی	https://github.com/Itayazolay/featureclass
آدرس اینترنتی	https://pypi.org/project/featureclass/
مجوز	Apache-2.0

# featureclass Feature engineering library that helps you keep track of feature dependencies, documentation and schema # Installation Using pip ```bash pip install featureclass ``` # Motivation This library helps define a featureclass. featureclass is inspired by dataclass, and is meant to provide alternative way to define features engineering classes. I have noticed that the below code is pretty common when doing feature engineering: ```python from statistics import variance from math import sqrt class MyFeatures: def calc_all(self, datapoint): out = {} out['var'] = self.calc_var(datapoint), out['stdev'] = self.calc_std(out['var']) return out def calc_var(self, data) -> float: return variance(data) def calc_stdev(self, var) -> float: return sqrt(var) ``` Some things were missing for me from this type of implementation: 1. Implicit dependencies between features 2. No simple schema 3. No documentation for features 4. Duplicate declaration of the same feature - once as a function and one as a dict key This is why I created this library. I turned the above code into this: ```python from featureclass import feature, featureclass, feature_names, feature_annotations, asdict, as_dataclass from statistics import variance from math import sqrt @featureclass class MyFeatures: def __init__(self, datapoint): self.datapoint = datapoint @feature() def var(self) -> float: """Calc variance""" return variance(self.datapoint) @feature() def stdev(self) -> float: """Calc stdev""" return sqrt(self.var) print(feature_names(MyFeatures)) # ('var', 'stdev') print(feature_annotations(MyFeatures)) # {'var': float, 'stdev': float} print(asdict(MyFeatures([1,2,3,4,5]))) # {'var': 2.5, 'stdev': 1.5811388300841898} print(as_dataclass(MyFeatures([1,2,3,4,5]))) # MyFeatures(stdev=1.5811388300841898, var=2.5) ``` The feature decorator is using cached_property to cache the feature calculation, making sure that each feature is calculated once per datapoint

زبان مورد نیاز

مقدار	نام
>=3.7,<4.0	Python

نحوه نصب

نصب پکیج whl featureclass-0.3.0:

pip install featureclass-0.3.0.whl

نصب پکیج tar.gz featureclass-0.3.0:

pip install featureclass-0.3.0.tar.gz