Опубликовано чт, 02/18/2021 - 16:23 пользователем Ksenia
Функция sklearn predict_proba().
Подходит для решающего дерева,случайного леса, логистической регрессии.
count_probabilities = model.predict_proba(df)
Опубликовано чт, 02/18/2021 - 12:14 пользователем Ksenia
from sklearn.utils import shuffle
df = shuffle(df)
или
df.iloc[np.random.permutation(len(df))]
df_shuffled.reset_index(drop=True) # чтобы сохранить индекс
или
df1_new, df2_new = shuffle(df1_old, df2_old, random_state=56789)
Опубликовано ср, 02/17/2021 - 08:38 пользователем Ksenia
pd.concat([name1, name2])
Опубликовано вт, 02/09/2021 - 14:41 пользователем Ksenia
1. Количество истинно положительных ответов TP
import pandas as pd
target = pd.Series([0, 1, ... 0, 1, 1])
predictions = pd.Series([1, 1 ... 1, 0, 1])
((target == 1) & (predictions == 1)).sum()
2. Количество истинно отрицательных ответов TN
((target == 0) & (predictions == 0)).sum())
3. Количество ложноположительных ответов FP
((target == 0) & (predictions == 1)).sum()
4. Количество ложноотрицательных ответов FN
((target == 1) & (predictions == 0)).sum()
Опубликовано пн, 02/08/2021 - 12:39 пользователем Ksenia
Опубликовано ср, 01/27/2021 - 17:52 пользователем Ksenia
Опубликовано чт, 12/17/2020 - 20:00 пользователем Ksenia
import pandas as pd
x = pd.Series([1, 2, 3, 4, 5, 6, 2, 4])
x.hist(density=True, bins=8)
Опубликовано вс, 12/13/2020 - 23:27 пользователем Ksenia
import matplotlib.pyplot as plt
df.plot(kind='pie', y = 'count', figsize = (20, 8))
plt.legend(bbox_to_anchor=(0.75,0.75), loc="center right", fontsize=10,
---- bbox_transform=plt.gcf().transFigure)
plt.show()
Опубликовано ср, 12/02/2020 - 02:08 пользователем Ksenia
Подсчет количества:
print(len(data.query('col < 15')) / len(data))
Поиск групп с аномальными значениями и подсчет количества по группе, убираем группы с большим количеством выбросов:
df['too_many'] = data['col_how_many'] < 20
mean_stat = df.pivot_table(index="col1", values="too_many")
good_id = mean_stat.query('too_many < 0.2')
best_data = df.query('col1_id in @good_id.index')
print (len(df))
print (len(best_data))
Опубликовано вт, 12/01/2020 - 23:57 пользователем Ksenia
print(df.query('col1 == "smth"'))
df.query('col1 == True or col2 == True')
df.query('col1 == "smth" and (col2 == True or col3 == False)')
Порядок операций:
not, and, or.
Срез с условием и математической операцией:
df.query('col1 > 3 * col2 ')
Срез с методом:
df.query('col1 < col2.mean()')
Срезы с внешними параметрами не из датафрейма:
df.query('col1 <= @existing_name')
Срезы для избавления от выбросов:
data.query('col1 < 10')
Страницы