pandas-dataframe

Profilage de la qualité des données et analyse exploratoire en une ligne de code pour les DataFrames Pandas et Spark.

Evidently est un framework open-source d'observabilité pour le ML et les LLM. Évaluez, testez et surveillez tout système basé sur l'IA ou pipeline de données. Des données tabulaires à l'IA générative. Plus de 100 métriques.

Dépôt contenant des exemples de programmes Python pour l'apprentissage.

Une bibliothèque de test de données statistiques légère, flexible et expressive.

Deepchecks : Tests pour la validation continue des modèles ML et des données. Deepchecks est une solution open source holistique pour tous vos besoins de validation IA et ML, permettant de tester minutieusement vos données et modèles de la recherche à la production.

Une bibliothèque native Rust pour Delta Lake, avec des liaisons pour Python.

Visualisez et comparez des jeux de données, des valeurs cibles et des associations avec une seule ligne de code.

Créez des tableaux d'affichage impressionnants avec Python

Un package permettant d'appliquer efficacement n'importe quelle fonction à un dataframe ou une série pandas de la manière la plus rapide possible

Ce dépôt vous aide à apprendre Python et le Machine Learning à partir de zéro.

Magics et kernels Jupyter pour travailler avec des clusters Spark distants.

Client Python pour InfluxDB 2.0

Manipulation de structures moléculaires dans des DataFrames pandas

Pipelines simplifiés pour les DataFrames pandas

pytablewriter est une bibliothèque Python permettant d'écrire des tables dans divers formats : AsciiDoc / CSV / Elasticsearch / HTML / JavaScript / JSON / LaTeX / LDJSON / LTSV / Markdown / MediaWiki / NumPy / Excel / Pandas / Python / reStructuredText / SQLite / TOML / TSV.

ProphitBet est une application de prédiction de paris de football basée sur le Machine Learning. Elle analyse la forme des équipes, calcule les statistiques des matchs et prédit les résultats d'un match à l'aide de méthodes avancées de Machine Learning (ML). Les algorithmes pris en charge dans cette application sont les réseaux de neurones, les forêts d'arbres décisionnels (Random Forests) et les modèles d'ensemble (Ensemble Models).