tsmoothie 一个用于以向量化方式进行时间序列平滑和离群值检测的python库。 总览 tsmoothie以快速有效的方式计算单个或多个时间序列的平滑度。 可用的平滑技术是： 指数平滑 具有各种窗口类型（常量，汉宁，汉明，巴特利特，布莱克曼）的卷积平滑 使用傅立叶变换进行频谱平滑 多项式平滑 各种样条平滑（线性，三次，自然三次） 高斯平滑 Binner平滑 低价 各种季节性分解平滑（卷积，最低，自然三次样条） 带有可自定义组件（水平，趋势，季节性，长期季节性）的卡尔曼平滑 tsmoothie提供了平滑处理结果的间隔计算。 这对于识别时间序列中的异常值和异常可能很有用。 关于使用的平滑方法，可用的间隔类型为： sigma间隔 置信区间 预测间隔 卡尔曼区间 tsmoothie可以执行滑动平滑方法来模拟在线使用。 可以将时间序列分成相等大小的片段，并分别进行平滑处理。 与往常一样，此功能通过WindowWrapper类以矢量化方式实现。 tsmoothie可以通过BootstrappingWrapper类操作时序引导程序。 支持的引导程序算法为： 没有重叠的块引导

RDFLib RDFLib是用于的纯Python软件包。 RDFLib包含使用RDF所需的大多数功能，包括： RDF / XML，N3，NTriples，N-Quads，Turtle，TriX，Trig和JSON-LD的解析器和序列化器（通过插件）。 可以由许多Store实现中的任何一个实现支持的Graph接口 在Berkeley DB上存储用于内存中存储和持久性存储的实现 一个SPARQL 1.1实现-支持SPARQL 1.1查询和更新语句 RDFlib软件包家族 RDFlib社区维护了许多具有不同用途的与RDF相关的Python代码存储库。 例如： -RDFLib核心 围绕SPARQL服务的简单Python包装器，以远程执行查询 基于LODE的使用Python和模板的OWL本体文档工具。 一个RDFLib插件，它是JSON-LD的实现 请在此处查看所有软件包/存储库的列表：

java交易网站源码Hnswlib - 快速近似最近邻搜索 带有 python 绑定的仅标头 C++ HNSW 实现。 HNSW 200M SIFT 实验的论文代码 消息： hnswlib 现在是 0.5.0。 添加了对酸洗索引的支持、对 PEP-517 和 PEP-518 构建的支持、小加速、错误和文档修复。 非常感谢 , , ,, , , , ! 感谢 Apoorv Sharma ，hnswlib 现在支持真正的元素更新（界面保持不变，但是当您更新元素嵌入时，性能/内存不应该降低）。 多亏了 Dmitry ，hnswlib 提高了不是 4 的倍数的向量维度的性能 感谢 Louis Abraham() 现在可以通过 pip 安装 hnswlib！ 强调： 轻量级，仅头文件，除 C++ 11 之外没有其他依赖项。 C++、python 和 R() 的接口。 完全支持增量索引构建。 支持元素删除（目前，没有实际释放内存）。 可以使用自定义用户定义的距离 (C++)。 与当前 nmslib 的实现相比，显着减少了内存占用和更快的构建时间。 算法参数的描述可以在 中找到。 Python 绑定

Fastecdsa 内容 易于 百胜 用法 产生金钥 签名和验证 任意椭圆曲线算法 导入和导出密钥 编码签名 致谢 关于 这是用于执行快速椭圆曲线加密（特别是数字签名）的python软件包。 安全 没有随机数重用，没有秘密材料上的分支，并且在对它们进行任何操作之前，所有点均已验证。 通过蒙哥马利点乘法可以缓解计时方面的挑战。 随机数是根据RFC6979生成的。 整个软件包中使用的默认曲线是P256，可提供128位安全性。 如果需要更高级别的安全性，则可以在一种方法中指定curve参数，以在更大的字段（例如P384）上使用曲线。 话虽如此，加密是棘手的，而且我不会犯错误。 请使用针对安全性至关重要的应用程序而已建立并经过审查的库。 如果您发现此库有任何安全问题或风险，请打开一个问题或给我发送电子邮件。 支持的Python版本 该软件包的初始版本针对python2.7。 较早的版本可能

pytorch-toolbelt 是一个Python库，包含一组用于PyTorch的工具，用于快速R＆D原型设计和Kaggle farming Pytorch-toolbelt pytorch-toolbelt 是一个 Python 库，带有一组用于 PyTorch 的花里胡哨，用于快速研发原型和 Kaggle 农业：内部内容使用灵活的编码器-解码器架构轻松构建模型。 模块：CoordConv、SCSE、Hypercolumn、Depthwise 可分离卷积等。 用于分割和分类的 GPU 友好测试时间增强 TTA 对巨大 (5000x5000) 图像进行 GPU 友好推理 日常常见例程（修复/恢复随机种子、文件系统实用程序、指标） 损失：BinaryFocalLoss、Focal、ReducedFocal、Lovasz、Jaccard和骰子损失，翼损失等等。 Catalyst 库的附加功能（批量预测的可视化、附加指标）展示：Catalyst、Albumentations、Pytorch Toolbelt 示例：Semantic Segmentation @ CamVid 为什么诚

资源分类：Python库 所属语言：Python 资源全名：pyinsane2-2.0.2.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059

allpairspy：一个用于测试组合生成器的python库。 生成器允许使用“成对组合”方法创建一组测试，从而将变量的组合数量减少为涵盖大多数情况的较小的一组

使用Python库研究数据集 在这个项目中，我分析了一个数据集，然后传达了关于它的发现。 我使用Python库NumPy，pandas和Matplotlib进行了分析。 我选择进行分析的数据集包含有关从电影数据库（TMDb）收集的10,000部电影的信息，包括用户评分和收入。 我分析了此数据集，以回答2个问题：1）哪些电影通常收入最高？ 2）每年哪种类型最受欢迎？ 在项目的“数据整理”部分，我加载了数据，检查其清洁度，然后修剪并清理数据集以进行分析。 在该项目的“探索性数据分析”部分中，我使用了内置的函数库来描述数据并对其进行可视化，最后总结了我的发现和结论。

资源分类：Python库 所属语言：Python 资源全名：flair-0.4.5-py3-none-any.whl 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059

电子商务客户(python库实现线性回归)