_id
stringlengths 2
7
| title
stringclasses 1
value | partition
stringclasses 3
values | language
stringclasses 1
value | meta_information
dict | text
stringlengths 5
1.76k
|
|---|---|---|---|---|---|
c127400
|
train
|
{
"resource": ""
}
|
Получает клиент API NetworkSets.
Возвращает:
NetworkSets:
|
||
c127420
|
train
|
{
"resource": ""
}
|
Получает клиента API InternalLinkSets.
Возвращает:
InternalLinkSets:
|
||
c127440
|
train
|
{
"resource": ""
}
|
Получает клиент API SasLogicalInterconnectGroups.
Возвращает:
SasLogicalInterconnectGroups:
|
||
c127460
|
train
|
{
"resource": ""
}
|
Получает пагинированную коллекцию логических подключений, не имеющих Ethernet. Коллекция основывается на опциональном сортировании и фильтрации и ограничена параметрами start и count.
Аргументы:
start:
Первый элемент для возврата, используя индексацию с нулевой базы.
Если не указан, по умолчанию это 0 - начинать с первого доступного элемента.
count:
Количество возвращаемых ресурсов. Значение -1 запрашивает все элементы.
Фактическое количество элементов в ответе может отличаться от запрашиваемого
count, если сумма start и count превышает общее количество элементов.
filter (list или str):
Общий фильтр или строковый запрос для узкой области возвращаемых элементов.
По умолчанию, применяется фильтр без фильтрации; возвращаются все ресурсы.
sort:
Порядок сортировки возвращаемого набора данных. По умолчанию, порядок группировки
основан на времени создания, с самым старым элементом первым.
Возвращает:
dict
|
||
c127480
|
train
|
{
"resource": ""
}
|
Подсчитывает количество чтений для каждой клеточной баркодной последовательности.
Ожидает файлы FASTQ в формате.
|
||
c127500
|
train
|
{
"resource": ""
}
|
Возвращает XML с метаданными SAML 2.0 для этого SP, настроенного в файле settings.py.
|
||
c127520
|
train
|
{
"resource": ""
}
|
```
Создайте индекс поиска Solr для Yokozuna.
:param index: Имя индекса Yokozuna
:type index: строка
:param schema: XML сценария Solr
:type schema: строка
:param n_val: Значение N записи
:type n_val: int
:param timeout: Параметр по умолчанию (в мс), необязательный тайм-аут
:type timeout: int, None
:rtype булевый
|
||
c127540
|
train
|
{
"resource": ""
}
|
Измените файлы со сборками, чтобы они использовали полные пути имен для Python 3.x, и преобразуйте метаклассы, чтобы они были не зависимы от версии.
|
||
c127560
|
train
|
{
"resource": ""
}
|
Получите информацию о сервере
|
||
c127580
|
train
|
{
"resource": ""
}
|
Конвертируйте RiakLinkPhase в формат, который может быть выведен в JSON. Используется внутренне.
|
||
c127600
|
train
|
{
"resource": ""
}
|
Сохранить объект в Riak. После завершения этой операции объект может содержать новые метаданные и, возможно, новые данные, если в Riak есть более новая версия объекта в соответствии с векторным часами объекта.
:param w: Значение W, дождаться ответа от этого количества разделов перед возвратом клиенту.
:type w: integer
:param dw: Значение DW, дождаться подтверждения этого количества разделов перед возвратом клиенту.
:type dw: integer
:param pw: Значение PW, требовать, чтобы это количество основных разделов было доступно перед выполнением операции вставки.
:type pw: integer
:param return_body: флаг о том, нужно ли получить обратно новый объект.
:type return_body: bool
:param if_none_match: Условие для хранения объекта только если ключ еще не определен.
:type if_none_match: bool
:param timeout: Значение тайм-аута в миллисекундах.
:type timeout: int
:rtype: :class:`RiakObject`
|
||
c127620
|
train
|
{
"resource": ""
}
|
Нормализует ответ JSON-запроса к поиску, чтобы PB и HTTP имели один и тот же возвращаемый результат
|
||
c127640
|
train
|
{
"resource": ""
}
|
Обучение к-ближайших соседей классификатора для распознавания лиц.
:param train_dir: каталог, содержащий подкаталог для каждого известного человека, с его именем.
(Смотрите в исходном коде, чтобы увидеть пример структуры дерева каталога train_dir)
Структура:
<train_dir>/
├── <person1>/
│ ├── <somename1>.jpeg
│ ├── <somename2>.jpeg
│ ├── ...
├── <person2>/
│ ├── <somename1>.jpeg
│ └── <somename2>.jpeg
└── ...
:param model_save_path: (возможно, не обязательно) путь для сохранения модели на диск
:param n_neighbors: (возможно, не обязательно) количество соседей, вес которых учитывается в классификации. Автоматически выбирается, если не указано
:param knn_algo: (возможно, не обязательно) используемая базовая структура данных для поддержки knn. По умолчанию используется ball_tree
:param verbose: уровень подробности обучения
:return: возвращает классификатор knn, обученный на данной выборке данных.
|
||
c127660
|
train
|
{
"resource": ""
}
|
Сгруппируйте предметы по создателю и объединителю.
|
||
c127680
|
train
|
{
"resource": ""
}
|
Верните пересечение этого RDD и другого. Вывод не будет содержать дублирующихся элементов, даже если входные RDD содержали дубликаты.
.. заметка:: Этот метод выполняет живую переработку внутри.
>>> rdd1 = sc.parallelize([1, 10, 2, 3, 4, 5])
>>> rdd2 = sc.parallelize([1, 6, 2, 3, 7, 8])
>>> rdd1.intersection(rdd2).collect()
[1, 2, 3]
|
||
c127700
|
train
|
{
"resource": ""
}
|
Объедините значения для каждого ключа, используя ассоциативное и коммутативное функцию reduce.
Это также выполнит объединение локально на каждом маппере перед отправкой результатов в редьюсер, аналогично "комбайнеру" в MapReduce.
Вывод будет разделен на C{numPartitions} частей или на уровень параллелизма по умолчанию, если C{numPartitions} не указан. По умолчанию используется хеш-партиционер.
>>> от import add оператора
>>> rdd = sc.parallelize([("a", 1), ("b", 1), ("a", 1)])
>>> сортировать(rdd.reduceByKey(add).collect())
[('a', 2), ('b', 1)]
|
||
c127720
|
train
|
{
"resource": ""
}
|
Возвращает селектор признаков на основе критерия хи-квадрат.
:param data: `RDD[LabeledPoint]`, содержащий метрические данные с категориальными признаками. Признаки с действительными значениями будут считаться категориальными для каждого уникального значения.
Использовать перед этим функцией требуется процесс дискретизации признаков.
|
||
c127740
|
train
|
{
"resource": ""
}
|
Внутренняя функция для получения или создания глобального объекта BarrierTaskContext. Нам необходимо гарантировать, что из этого места будет возвращаться объект BarrierTaskContext, так как он требуется в сценарии повторного использования воркера Python, см. SPARK-25921 для получения дополнительной информации.
|
||
c127760
|
train
|
{
"resource": ""
}
|
Вызов API в Python с использованием MLLibAPI
|
||
c127800
|
train
|
{
"resource": ""
}
|
Верните последовательность JVM (JVM Seq) столбцов, описывающую порядок сортировки.
|
||
c127820
|
train
|
{
"resource": ""
}
|
Вариант макс-кучи для _siftdown
|
||
c127840
|
train
|
{
"resource": ""
}
|
Создайте функцию PySpark по её имени.
|
||
c127860
|
train
|
{
"resource": ""
}
|
Находит позицию первого вхождения подстроки column в данной строке. Возвращает null, если один из аргументов является null.
.. примечание:: Позиция не имеет нулевого начала, а основывается на индексах, начинающихся с 1. Возвращает 0, если подстрока не найдена в str.
>>> df = spark.createDataFrame([('abcd',)], ['s',])
>>> df.select(instr(df.s, 'b').alias('s')).collect()
[Row(s=2)]
|
||
c127880
|
train
|
{
"resource": ""
}
|
Определяет формат источника ввода данных.
:param source: строка, имя источника данных, например 'json', 'parquet'.
>>> df = spark.read.format('json').load('python/test_support/sql/people.json')
>>> df.dtypes
[('age', 'bigint'), ('name', 'string')]
|
||
c127900
|
train
|
{
"resource": ""
}
|
Выполните QR-разложение для этого RowMatrix.
Реализация разработана для оптимизации QR-разложения
(факторизации) для RowMatrix с вытянутой и узкой формой.
Ссылка:
Paul G. Constantine, David F. Gleich. "Вытянутые и узкие QR
факторизации в архитектурах MapReduce"
([[https://doi.org/10.1145/1996092.1996103]])
:param computeQ: необходимо ли вычислить Q.
:возвращаемое значение: QRDecomposition(Q: RowMatrix, R: Matrix), где
Q = None, если computeQ = false.
>>> rows = sc.parallelize([[3, -6], [4, -8], [0, 1]])
>>> mat = RowMatrix(rows)
>>> decomp = mat.tallSkinnyQR(True)
>>> Q = decomp.Q
>>> R = decomp.R
>>> # Тест с использованием абсолютных значений
>>> absQRows = Q.rows.map(lambda row: abs(row.toArray()).tolist())
>>> absQRows.collect()
[[0.6..., 0.0], [0.8..., 0.0], [0.0, 1.0]]
>>> # Тест с использованием абсолютных значений
>>> abs(R.toArray()).tolist()
[[5.0, 10.0], [0.0, 1.0]]
|
||
c127920
|
train
|
{
"resource": ""
}
|
Извлекать представление строки обратно в вектор.
>>> Vectors.parse('[2,1,2 ]')
DenseVector([2.0, 1.0, 2.0])
>>> Vectors.parse(' ( 100, [0], [2])')
SparseVector(100, {0: 2.0})
|
||
c127940
|
train
|
{
"resource": ""
}
|
Преобразует массив с метаданными в двумерное изображение.
:param `numpy.ndarray` array: Массив, который необходимо преобразовать в изображение.
:param str origin: Путь к изображению, по желанию.
:return: Элемент класса `Row`, который является двумерным изображением.
.. versionadded:: 2.3.0
|
||
c127960
|
train
|
{
"resource": ""
}
|
Проверяет, инициализирован ли или нет SparkContext.
Выдает ошибку, если SparkContext уже запущен.
|
||
c127980
|
train
|
{
"resource": ""
}
|
Генерирует RDD, состоящий из векторов, содержащих независимые и идентично распределенные случайные выборки, извлеченные из логнормального распределения.
:param sc: SparkContext, используемый для создания RDD.
:param mean: Среднее значение логнормального распределения.
:param std: Стандартное отклонение логнормального распределения.
:param numRows: Количество векторов в RDD.
:param numCols: Количество элементов в каждом векторе.
:param numPartitions: Количество партиций в RDD (по умолчанию: `sc.defaultParallelism`).
:param seed: Случайное число (по умолчанию: случайный long целочисленный).
:return: RDD, содержащий векторы с независимыми и идентично распределенными случайными выборками из распределения log `N(mean, std)`.
>>> import numpy as np
>>> from math import sqrt, exp
>>> mean = 0.0
>>> std = 1.0
>>> expMean = exp(mean + 0.5 * std * std)
>>> expStd = sqrt((exp(std * std) - 1.0) * exp(2.0 * mean + std * std))
>>> m = RandomRDDs.logNormalVectorRDD(sc, mean, std, 100, 100, seed=1).collect()
>>> mat = np.matrix(m)
>>> mat.shape
(100, 100)
>>> abs(mat.mean() - expMean) < 0.1
True
>>> abs(mat.std() - expStd) < 0.1
True
|
||
c128000
|
train
|
{
"resource": ""
}
|
Сериализовать объект в строку байтов, расположенную в памяти.
Протокол по умолчанию — это cloudpickle.DEFAULT_PROTOCOL, который является псевдонимом pickle.HIGHEST_PROTOCOL. Это настройка способствует максимальной скорости обмена данными между процессами, выполняющими одну и ту же версию Python.
Установите protocol=pickle.DEFAULT_PROTOCOL если вам необходимо обеспечить
совместимость с более старыми версиями Python.
|
||
c128020
|
train
|
{
"resource": ""
}
|
Решает параметр и проверяет права собственности.
:param param: имя параметра или экземпляр параметра, который должен
принадлежать этому экземпляру Params
:return: экземпляр решенного параметра
|
||
c128040
|
train
|
{
"resource": ""
}
|
Сохраните это экземпляр в файл формата JSON.
|
||
c128060
|
train
|
{
"resource": ""
}
|
Получает следующую строку из random_file и начинает сначала, когда достигает конца файла.
|
||
c128080
|
train
|
{
"resource": ""
}
|
Управляет особенностями наличия единственного параметра 'name' для общего индекса и параметра 'names' во множественном числе для MultiIndex.
|
||
c128100
|
train
|
{
"resource": ""
}
|
Аналогично equals, но также проверяет, что другие сравнимые атрибуты равны.
|
||
c128120
|
train
|
{
"resource": ""
}
|
Добавьте числовые унарные методы.
|
||
c128140
|
train
|
{
"resource": ""
}
|
Создайте NDFrame из группы с предоставленным именем.
Параметры
----------
name : object
Имя группы, которую необходимо получить в виде DataFrame
obj : NDFrame, по умолчанию None
NDFrame, из которого необходимо извлечь DataFrame. Если
он равен None, будет использован объект группы, на котором выполнялось групповое выделение.
Возврат
-------
group : тот же тип, что и obj
|
||
c128160
|
train
|
{
"resource": ""
}
|
Если праздник выпадает на субботу, используйте следующий понедельник вместо этого;
если праздник выпадает на воскресенье, используйте понедельник вместо этого.
|
||
c128180
|
train
|
{
"resource": ""
}
|
Проверьте, является ли объект последовательностью объектов.
Строки не включены здесь как последовательности.
Параметры
-----------
obj : Объект, который нужно проверить
Возвращает
----------
is_sequence : bool
Определяет, является ли `obj` последовательностью объектов.
Примеры
--------
>>> l = [1, 2, 3]
>>>
>>> is_sequence(l)
True
>>> is_sequence(iter(l))
False
|
||
c128200
|
train
|
{
"resource": ""
}
|
Экспоненциально взвешенная выборочная ковариация.
|
||
c128220
|
train
|
{
"resource": ""
}
|
Попытка предотвратить неправильный удар ногами в полезной манере.
Параметры
----------
terms : Term
Термины могут содержать
|
||
c128240
|
train
|
{
"resource": ""
}
|
Принудительно преобразовать текущий блок к типу данных, совместимому с другим. Мы вернем блок, возможно, объектный, и не вызовем исключения.
Мы также можем безопасно попытаться принудительно преобразовать к тому же типу данных и получим тот же блок.
|
||
c128260
|
train
|
{
"resource": ""
}
|
Заменить элементы на указанное значение.
Параметры
----------
to_replace : объект или шаблон
Скалярное значение для замены или регулярное выражение для сопоставления.
value : объект
Объект замены.
inplace : bool, по умолчанию False
Выполнить изменение на месте.
filter : список, необязательно
regex : bool, по умолчанию False
Если true, выполнять замену с помощью регулярного выражения.
convert : bool, по умолчанию True
Если true, пытаться преобразовать любые типы объектов в лучшие типы.
mask : массива типа bool, необязательно
True указывает, что соответствующий элемент игнорируется.
Возвращает
-------
новый блок, результат после замены.
|
||
c128280
|
train
|
{
"resource": ""
}
|
Вернуть словарь, содержащий количество функций в BlockManager.
|
||
c128300
|
train
|
{
"resource": ""
}
|
Вернуть i-е значение или значения в SparseSeries по местоположению
Параметры
----------
i : int, slice или последовательность целых чисел
Возвращает
-------
значение : скаляр (int) или Series (slice, последовательность)
|
||
c128320
|
train
|
{
"resource": ""
}
|
Максимальное значение RangeIndex
|
||
c128360
|
train
|
{
"resource": ""
}
|
Функция "выборки по меткам" для DataFrame
Даны массивы одинаковой длины меток строк и столбцов, вернуть массив значений, соответствующих каждой (строка, столбец) паре.
Параметры
---------
row_labels : последовательность
Метки строк для поиска
col_labels : последовательность
Метки столбцов для поиска
Примечания
---------
Аналогично:
result = [df.get_value(row, col)
for row, col in zip(row_labels, col_labels)]
Примеры
--------
values : ndarray
Найденные значения
|
||
c128420
|
train
|
{
"resource": ""
}
|
Создайте новую SparseDataFrame, применяя функцию к каждому столбцу.
|
||
c128460
|
train
|
{
"resource": ""
}
|
Преобразуй аргументы SQL и параметров в формат, соответствующий стандарту DBAPI 2.0.
|
||
c128500
|
train
|
{
"resource": ""
}
|
верните базовое представление для категорий
|
||
c128520
|
train
|
{
"resource": ""
}
|
Добавьте самого себя к данному DatetimeIndex, предназначенному для случая, когда
self.weekday не является null.
Параметры
----------
dtindex : DatetimeIndex
Возвращает
---------
result : DatetimeIndex
|
||
c128540
|
train
|
{
"resource": ""
}
|
Предположите подходящую точность для _round_frac
|
||
c128560
|
train
|
{
"resource": ""
}
|
Настройте наш байнер при апсемплинге.
Диапазон нового индекса не должен выходить за пределы указанного диапазона.
|
||
c128600
|
train
|
{
"resource": ""
}
|
Сократите форму `join_unit` вдоль оси элемента до указанной длины.
Элементы, которые не вместились, возвращаются как отдельный блок.
|
||
c128620
|
train
|
{
"resource": ""
}
|
Возвращает true, если ``label_flags`` указывают на наличие хотя бы одного метки на этом уровне.
Если минимальная предела представления не является точным целым числом, то первая метку метки не будет показана, поэтому для этого нам нужно скорректировать.
|
||
c128640
|
train
|
{
"resource": ""
}
|
Предположим, что слева или справа находится Series, обратившийся на ExtensionArray, применим оператор, определенный операцией `op`.
|
||
c128660
|
train
|
{
"resource": ""
}
|
Добавьте или вычтите массив, похожий на объект DateOffset
Параметры
----------
other : Index, np.ndarray
объект видео pd.DateOffset
op : {operator.add, operator.sub}
Возвращает
-------
result : класс, аналогичный self
|
||
c128680
|
train
|
{
"resource": ""
}
|
Возвращает копию DataFrame, исключая элементы из групп, которые не удовлетворяют указанному логическому критерию, заданному функцией `func`.
Параметры
----------
f : function
Функция, применяемая к каждой подфрейме. Должна возвращать True или False.
dropna : bool
Удалять группы, которые не проходят фильтрацию. По умолчанию True;
если False, группы, оцененные как False, заполняются значениями NaN.
Возвращает
-------
filtered : DataFrame
Заметки
-----
Каждая подфрейме оборудована атрибутом 'name', что позволяет узнать, с какой группой вы работаете.
Примеры
--------
>>> df = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar',
... 'foo', 'bar'],
... 'B' : [1, 2, 3, 4, 5, 6],
... 'C' : [2.0, 5., 8., 1., 2., 9.]})
>>> grouped = df.groupby('A')
>>> grouped.filter(lambda x: x['B'].mean() > 3.)
A B C
1 bar 2 5.0
3 bar 4 1.0
5 bar 6 9.0
|
||
c128700
|
train
|
{
"resource": ""
}
|
если потребуется, обернуть наши результаты
|
||
c128720
|
train
|
{
"resource": ""
}
|
Разбор и возврат всех таблиц из DOM.
Возвращает
-----------
список распарсенных (заголовок, тело, нижняя часть) кортежей из таблиц.
|
||
c128740
|
train
|
{
"resource": ""
}
|
Метод для удобного заполнения одного или нескольких свойств, не зависящих от данных, каждой ячейки.
Параметры
----------
subset : IndexSlice
корректный slice для ``data``, ограничивающий применение стиля.
kwargs : dict
кортеж свойства: значение для каждой ячейки.
Возвращает
----------
self : Styler
Примеры
--------
>>> df = pd.DataFrame(np.random.randn(10, 4))
>>> df.style.set_properties(color="white", align="right")
>>> df.style.set_properties(**{'background-color': 'yellow'})
|
||
c128760
|
train
|
{
"resource": ""
}
|
Вернуть выбор как Индекс
Параметры
----------
ключ : объект
где : список объектов Term (или преобразуемых объектов), опционально
начало : целое число (по умолчанию None), номер строки, с которой начать выборку
конец : целое число (по умолчанию None), номер строки, на котором закончить выборку
|
||
c128780
|
train
|
{
"resource": ""
}
|
записать метаданные
|
||
c128800
|
train
|
{
"resource": ""
}
|
вернуть путь к метаданным для этого ключа
|
||
c128820
|
train
|
{
"resource": ""
}
|
Возвращает скалярный результат выполнения операции сокращения.
Параметры
----------
name : str
Название функции, поддерживаемые значения:
{ any, all, min, max, sum, mean, median, prod,
std, var, sem, kurt, skew }.
skipna : bool, по умолчанию True
Если True, пропускать значения NaN.
**kwargs
Дополнительные ключевые аргументы, передаваемые в функцию сокращения.
Пока поддерживается только аргумент `ddof`.
Возвращает
-------
scalar
Выдает
------
TypeError : подкласс не определяет сокращения
|
||
c128840
|
train
|
{
"resource": ""
}
|
Сопоставь ось с осью block_manager.
|
||
c128860
|
train
|
{
"resource": ""
}
|
Копировать объект в буфер обмена системы.
Выполнить запись текстового представления объекта в буфер обмена системы.
Это можно вставить в Excel, например.
Параметры
---------
excel : bool, по умолчанию True
- True, использовать предоставленный разделитель, записывать в формате csv для
удобного вставки в Excel.
- False, записать строковое представление объекта в буфер обмена.
sep : str, по умолчанию ``'\t'``
Разделитель полей.
**kwargs
Эти параметры будут переданы в DataFrame.to_csv.
См. также
--------
DataFrame.to_csv : Записать DataFrame в файл с разделителями-запятыми
(csv).
read_clipboard : Прочитать текст из буфера обмена и передать в read_table.
Примечания
----------
Требования для вашей платформы.
- Linux : `xclip`, или `xsel` (с использованием модулей `gtk` или `PyQt4`)
- Windows : нет
- OS X : нет
Примеры
-------
Скопировать содержимое DataFrame в буфер обмена.
>>> df = pd.DataFrame([[1, 2, 3], [4, 5, 6]], columns=['A', 'B', 'C'])
>>> df.to_clipboard(sep=',')
... # В буфер обмена было записано следующее:
... # ,A,B,C
... # 0,1,2,3
... # 1,4,5,6
Мы можем опустить индекс, передав аргумент `index` и установив его в False.
>>> df.to_clipboard(sep=',', index=False)
... # В буфер обмена было записано следующее:
... # A,B,C
... # 1,2,3
... # 4,5,6
|
||
c128920
|
train
|
{
"resource": ""
}
|
Получить ndarray индексатора минимального аргумента.
Параметры
----------
axis : {None}
Заполнитель для согласованности с Series
skipna : bool, default True
Возвращает
-------
numpy.ndarray
См. также
--------
numpy.ndarray.argmin
|
||
c128940
|
train
|
{
"resource": ""
}
|
Замените имя переменной на потенциально новое значение.
Параметры
----------
old_key : str
Текущее имя переменной для замены
new_key : str
Новое имя переменной для замены `old_key`
new_value : object
Значение, которое также будет заменено вместе с возможной переименовкой
|
||
c128980
|
train
|
{
"resource": ""
}
|
Выполните операцию уменьшения.
Если у нас есть ndarray в качестве значения, то просто выполните операцию, иначе делегируйте объекту.
|
||
c129000
|
train
|
{
"resource": ""
}
|
Тест, чтобы проверить, что все элементы оцениваются в True.
Возвращает
-------
все : bool
См. также
--------
numpy.all
|
||
c129020
|
train
|
{
"resource": ""
}
|
Классифицируй серии на основе типа и преобразуй их в матрицы. Необходимо уметь обрабатывать множество исключительных случаев.
|
||
c129040
|
train
|
{
"resource": ""
}
|
Возвращаем MultiIndex, преобразованный под размерности, заданные n_repeat и n_shuffle.
.. deprecated:: 0.24.0
Полезно для повторения и перестановки MultiIndex для сочетания с другим Index, содержащим n_repeat элементов.
Параметры
---------
n_repeat : int
Количество повторений, которое необходимо выполнить для меток в self.
n_shuffle : int
Управляет переупорядочиванием меток. Если результатом будет внутренний уровень в MultiIndex, n_shuffle должно быть больше одного. Размер каждой метки должен быть делится на n_shuffle без остатка.
Возвращает
---------
MultiIndex
Примеры
--------
>>> idx = pd.MultiIndex.from_tuples([(1, 'one'), (1, 'two'),
(2, 'one'), (2, 'two')])
>>> idx.to_hierarchical(3)
MultiIndex(levels=[[1, 2], ['one', 'two']],
codes=[[0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1],
[0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1]])
|
||
c129080
|
train
|
{
"resource": ""
}
|
Вычислите TimedeltaArray разницы между значениями индекса и индексом, преобразованным в PeriodArray с заданным частотом. Используется для векторизованных смещений.
Параметры
----------
freq : периодическая частота
Возвращает
----------
TimedeltaArray/Index
|
||
c129100
|
train
|
{
"resource": ""
}
|
Если 'Series.argmax' вызывается через библиотеку 'numpy', третьим параметром в его сигнатуре является 'out', который принимает либо ndarray, либо 'None', поэтому проверьте, не является ли параметр 'skipna' либо экземпляром ndarray, либо 'None', так как сам 'skipna' должен быть логическим (булевым) значением.
|
||
c129120
|
train
|
{
"resource": ""
}
|
Возьми функцию преобразования и возможно восстанови рамку.
|
||
c129140
|
train
|
{
"resource": ""
}
|
Оцените условие `where` на `cond`, `a` и `b`.
Параметры
---------
cond : массив логических значений
возвращать `a`, если `cond` истинен, и `b`, если `cond` ложен.
a : возвращать, если `cond` истинен
b : возвращать, если `cond` ложен
use_numexpr : следует ли попытаться использовать numexpr (по умолчанию True)
|
||
c129160
|
train
|
{
"resource": ""
}
|
Проверьте, равны ли два dtype.
Параметры
----------
source : Первый dtype для сравнения
target : Второй dtype для сравнения
Возвращает
----------
boolean
Отрицательное либо положительное утверждение о том, равны ли два dtype.
Примеры
--------
>>> is_dtype_equal(int, float)
False
>>> is_dtype_equal("int", int)
True
>>> is_dtype_equal(object, "category")
False
>>> is_dtype_equal(CategoricalDtype(), "category")
True
>>> is_dtype_equal(DatetimeTZDtype(), "datetime64")
False
|
||
c129180
|
train
|
{
"resource": ""
}
|
Проверьте, соответствует ли конец каждого элемента строки шаблону.
Это эквивалентно методу :meth:`str.endswith`.
Параметры
----------
pat : str
Последовательность символов. Нельзя использовать регулярные выражения.
na : object, по умолчанию NaN
Объект, который будет отображаться, если тестовый элемент не является строкой.
Возвращает
---------
Series или Index bool
Series булевых значений, указывающих, соответствует ли заданный шаблон концу каждого элемента строки.
См. также
--------
str.endswith : Строковый метод стандартной библиотеки Python.
Series.str.startswith : То же, что и endswith, но проверяет начало строки.
Series.str.contains : Проверяет, содержит ли элемент строки шаблон.
Примеры
-------
>>> s = pd.Series(['bat', 'bear', 'caT', np.nan])
>>> s
0 bat
1 bear
2 caT
3 NaN
dtype: object
>>> s.str.endswith('t')
0 True
1 False
2 False
3 NaN
dtype: object
Указание `na` значением `False` вместо `NaN`.
>>> s.str.endswith('t', na=False)
0 True
1 False
2 False
3 False
dtype: bool
|
||
c129200
|
train
|
{
"resource": ""
}
|
Вернуть список файлов в `path`, у которых есть суффикс в `extensions`; опционально `recurse` (перекидывать по директориям).
|
||
c129220
|
train
|
{
"resource": ""
}
|
Пометьте `self.items` метками `labels`.
|
||
c129240
|
train
|
{
"resource": ""
}
|
Создать `LabelList` из `state`.
|
||
c129260
|
train
|
{
"resource": ""
}
|
Отразите окончательный результат в `last_metrics`.
|
||
c129280
|
train
|
{
"resource": ""
}
|
Создайте WGAN с использованием `data`, `generator` и `critic`.
|
||
c129300
|
train
|
{
"resource": ""
}
|
Инициализируйте `OneCycleScheduler` с `lr_max`.
|
||
c129320
|
train
|
{
"resource": ""
}
|
Примените преподавателя в стиле сверточной нейронной сети.
|
||
c129340
|
train
|
{
"resource": ""
}
|
Оцените это изображение: удалить или оставить.
|
||
c129360
|
train
|
{
"resource": ""
}
|
Постройте массив с шагами для логарифмов, начиная от `start` и заканчивая `stop` в `n` шагах.
|
||
c129380
|
train
|
{
"resource": ""
}
|
Расширите этот метод, если вы хотите настроить, как данная `ItemBase` отображается на `ax`.
|
||
c129400
|
train
|
{
"resource": ""
}
|
`source_path` может быть каталогом или файлом. Предположим, что все модули находятся в каталоге fastai.
|
||
c129420
|
train
|
{
"resource": ""
}
|
Если модуль BatchNorm, избегайте использования полуточечной точности.
|
||
c129440
|
train
|
{
"resource": ""
}
|
Записывает статистику градиентов генератора в TensorBoard.
|
||
c129460
|
train
|
{
"resource": ""
}
|
Записывает изображения тренировочных и валидационных пакетов в Tensorboard.
|
||
c129480
|
train
|
{
"resource": ""
}
|
Построение функции потерь по отношению к скорости обучения в логарифмической шкале.
|
||
c129500
|
train
|
{
"resource": ""
}
|
Этот переопределение необходимо, поскольку иначе учебный метод обращается к неправильному модели при вызове с параметром precompute, установленным в true.
Аргументы:
arr: numpy массив, используемый в качестве входных данных для модели с целью предсказания.
Возвращает:
numpy массив, содержащий предсказания модели.
|
||
c129520
|
train
|
{
"resource": ""
}
|
Завершить вычисления и отправить результаты в Записывающий.
|
||
c129540
|
train
|
{
"resource": ""
}
|
Функция, которая собирает `сэмплы` запомеченных bboxes и добавляет паддинг с помощью `pad_idx`.
|
||
c129560
|
train
|
{
"resource": ""
}
|
Используйте дистрибутивное обучение с `cuda_id` для `learn`.
|
||
c129580
|
train
|
{
"resource": ""
}
|
Запустить новый ядро и вернуть его менеджеров и клиентов
|
||
c129600
|
train
|
{
"resource": ""
}
|
Создайте ссылку на документацию.
|
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.