#pandas Repositories
Insgesamt 171 Repositories
Bietet Pandas DataFrames über das Django REST Framework für clientseitige (d. h. d3.js) Visualisierungen und Offline-Analysen (z. B. Excel) an
Eine Sammlung von Code-Schnipseln aus der Publikation Daily Dose of Data Science auf Substack: http://www.dailydoseofds.com/
Python-Bibliothek für die Verwendung einer dplyr-ähnlichen Syntax mit pandas und SQL
Zusammenstellung von R- und Python-Programmiercodes auf dem Data Professor YouTube-Kanal.
Kursmaterialien für Analytics im Aktienmarkt-Zoomcamp
Börsencalender zur Verwendung mit pandas für Handelsanwendungen
Lerne Algorithmisches Trading, Veröffentlicht von Packt
Eine Zeile für Tausende von hochmodernen NLP-Modellen in Hunderten von Sprachen. Der schnellste und genaueste Weg, Textprobleme zu lösen.
„Hands-on Exploratory Data Analysis with Python“, veröffentlicht von Packt
GUI-basierter Python-Code-Generator für Data Science, Erweiterung für Jupyter Lab, Jupyter Notebook und Google Colab.
Ich teile meine Reise von 66DaysofData in Data Analytics, indem ich an Ken Jee's #66daysofdata Challenge teilnehme.
PMLB: Ein großes, kuratiertes Repository von Benchmark-Datensätzen zur Bewertung überwacher Lern-Algorithmen im maschinellen Lernen.
Eine KI-gestützte Datenanalyse-Workbench, entwickelt für Transparenz, Reproduzierbarkeit und die Kontrolle durch Nutzer. Prüfen Sie den Code und die Belege hinter den Ergebnissen, verifizieren Sie Berechnungen durch erneutes Ausführen und wählen Sie aus einer großen Auswahl an Modellen, darunter lokale Modelle mit offenen Gewichten.
Alle Antworten für Übungen aus Advances in Financial Machine Learning von Dr. Marco Lopez de Parodo.
Python-Client für die ENTSO-E API (Europäisches Netz der Übertragungsnetzbetreiber für Strom)
Materialien zum Mitmachen bei Hands-On Data Analysis mit Pandas – Zweite Auflage
Eine Full Stack ML (Machine Learning) Roadmap beinhaltet das Erlernen der notwendigen Fähigkeiten und Technologien, um in allen Aspekten des maschinellen Lernens versiert zu werden, einschließlich Datenerfassung und -vorverarbeitung, Modellentwicklung, Bereitstellung und Wartung.
Graph Data Science: eine Abstraktionsschicht in Python zum Erstellen von Wissensgraphen, integriert mit beliebten Graphbibliotheken – über Pandas, NetworkX, RAPIDS, RDFlib, pySHACL, PyVis, morph-kgc, pslpython, pyarrow usw.
Python-Client und Toolkit für DataFrames, Big Data, Machine Learning und ETL in Elasticsearch
Buckaroo – Die Benutzeroberfläche der Datentabelle für Notebooks. Durchsuchen Sie DataFrames schnell, scrollen Sie durch DataFrames, suchen, sortieren, zeigen Sie Statistikzusammenfassungen und Histogramme an. Funktioniert mit Pandas, Polars, Jupyter, Marimo, VSCode Notebooks.
Modellieren, simulieren und visualisieren Sie diskrete nichtlineare dynamische Systeme, Chaos und Fraktale
Vergleich von Pandas, Polars, Spark und Snowpark DataFrame für Menschen und mehr!
Eingebettete transaktionale Datenbank für Blobs, Dokumente und Graphen – mit Kernel-Bypass für NVMe über io_uring und SPDK, GPU-Komprimierung sowie einer einheitlichen C-ABI für die eigenen Engines, RocksDB und LevelDB 🗄️