- 综合排序
- 最热优先
- 最新优先
- 来自专栏翻译scikit-learn Cookbook
Working with categorical variables处理分类变量
However, if you require more sophisticated categorical encoding, patsy is a very good option. Patsy patsy is another package useful to encode categorical variables. . patsy是编码分类变量非常有用的另一个python包，经常和StatsModels结合一起使用，patsy能够将字符数组转换成设计好的矩阵。 例如，若X，Y都是字符串，dm = patsy.design_matrix("x + y") 将生成相应的列，如果不是，内置C(x)公式将默认它们的值为分类变量。 Therefore, use the following command:例如，如果我们不清楚，iris.target可能会被认为是连续变量，因此，使用以下代码： import patsy patsy.dmatrix
1K20发布于 2019-10-29 - 来自专栏SeanCheney的专栏
《利用Python进行数据分析·第2版》第13章 Python建模库介绍13.1 pandas与模型代码的接口13.2 用Patsy创建模型描述13.3 statsmodels介绍13.4 sciki
13.2 用Patsy创建模型描述 Patsy是Python的一个库，使用简短的字符串“公式语法”描述统计模型（尤其是线性模型），可能是受到了R和S统计编程语言的公式语法的启发。 公式进行数据转换 你可以将Python代码与patsy公式结合。 Patsy有内置的函数进行这样的工作： In [44]: y, X = patsy.dmatrices('y ~ standardize(x0) + center(x1)', data) In [45 的patsy.builtins模块还有一些其它的内置转换。 分类数据和Patsy 非数值数据可以用多种方式转换为模型设计矩阵。完整的讲解超出了本书范围，最好和统计课一起学习。 当你在Patsy公式中使用非数值数据，它们会默认转换为虚变量。
2.5K60发布于 2018-04-24 - 来自专栏翻译scikit-learn Cookbook
Using LDA for classification使用LDA线性判别分析来分类
To do this, we'll use the patsy library. 包能做到这个，这是一个很好的包常被用于生成在R中很流行的设计矩阵 import patsy X = patsy.dmatrix("Open + High + Low + Close + Volume + 1", data.reset_index(),return_type='dataframe') X.head() The following is the output:输出如下 image.png patsy In patsy , it's possible, like in R,to modify the formula in a way that corresponds to modifications in the design matrix. patsy是非常强大的包，例如，假如我们需要应用一些第一章提到的数据预处理过程，Premodel Workflow，在patsy，可能像R一样，来调整方程与在设计矩阵中调整相关性的方法相同
91720发布于 2019-12-03 - 来自专栏量化小白上分记
从零开始学量化（五）：用Python做回归
statsmodels.api（sm) sm.ols是statsmodels中另一个回归的模块，它的输入类似lstsq，输入变量y，x即可,这里使用patsy中的dmatrics生成x，y，需要注意的是 import statsmodels.api as sm from patsy import dmatrices from scipy.linalg import toeplitz import numpy.linalg http://www.statsmodels.org/stable/index.html https://patsy.readthedocs.io/en/latest/API-reference.html #patsy.DesignInfo.linear_constraint https://tedboy.github.io/statsmodels_doc/_modules/statsmodels/sandbox
8.6K31发布于 2019-07-10 - 来自专栏DeepHub IMBA
用于时间序列数据的泊松回归模型
import statsmodels.api as sm import statsmodels.discrete.discrete_model as dm import numpy as np from patsy 假定存在回归截距： expr = 'strikes ~ output 我们将使用Patsy来计算X和y矩阵。 Patsy会自动向X添加回归截距列： y_train, X_train = dmatrices(expr, strikes_data_train, return_type='dataframe') output + ln_strikes_adj_lag1 + ln_strikes_adj_lag2 + ln_strikes_adj_lag3 + d_lag1 + d_lag2 + d_lag3' 使用Patsy 我们将使用Patsy来查看(y_test, X_test): y_test, X_test = dmatrices(expr, strikes_data_test, return_type='dataframe
2.5K30发布于 2021-04-30 - 来自专栏信数据得永生
Python 数据分析（PYDA）第三版（六）
12.2 使用 Patsy 创建模型描述 Patsy是一个用于描述统计模型（尤其是线性模型）的 Python 库，它使用基于字符串的“公式语法”，受到 R 和 S 统计编程语言使用的公式语法的启发（但并非完全相同 公式中的数据转换 您可以将 Python 代码混合到您的 Patsy 公式中；在评估公式时，库将尝试在封闭范围中找到您使用的函数： In [42]: y, X = patsy.dmatrices('y Patsy 具有内置函数用于此目的： In [44]: y, X = patsy.dmatrices('y ~ standardize(x0) + center(x1)', data) In [45] 在patsy.builtins模块中还有几个内置转换。 当您在 Patsy 公式中使用非数字术语时，默认情况下它们会被转换为虚拟变量。
68000编辑于 2024-05-24 - 来自专栏信数据得永生
NumPy 秘籍中文第二版：十、Scikits 的乐趣
准备 在开始之前，我们可能需要安装 patsy。 patsy 是描述统计模型的库。 很容易看出这个库是否是必需的。 只需运行代码。 如果您收到与 patsy 相关的错误，请执行以下任一命令： $ sudo easy_install patsy $ pip install --upgrade patsy 操作步骤 在本节中，我们将从
3.9K20编辑于 2023-04-17 - 来自专栏Python进阶之路
import statsmodels.api as sm 时 ImportError: DLL load failed while importing _arpack: 找不到指定的程序。
python\anaconda3\lib\site-packages (from statsmodels==0.12.0) (1.3.4) Requirement already satisfied: patsy =0.12.0) (2020.1) Requirement already satisfied: six in d:\python\anaconda3\lib\site-packages (from patsy
2K20编辑于 2022-05-09 - 来自专栏数据STUDIO
再见pip & conda！管理Python依赖关系的更好的选择：Poetry
==0.13.2' --info dependencies: - numpy >=1.21.2,<2.0a0 - packaging >=21.3 - pandas >=1.0 - patsy numexpr[version='>=2.7.0|>=2.7.1|>=2.7.3'] numexpr pandas==1.5.3 -> numexpr[version='>=2.7.3'] Package patsy conflicts for: statsmodels==0.13.2 -> patsy[version='>=0.5.2'] patsy Package chardet conflicts for:
4.2K20编辑于 2023-09-04 - 来自专栏野生AI架构师
明月机器学习系列（六）：构建机器学习or深度学习环境
' \ 'scikit-learn' \ 'scikit-image' \ 'sympy' \ 'cython' \ 'patsy
1.3K10发布于 2021-10-28 - 来自专栏大大的小数据
用金山文档的python运行复杂统计计算行不行之一？2024.3.20
65 patsy==0.5.6 patsy 统计模型描述生成工具 在Python中声明式地表示统计模型的库。
61910编辑于 2024-03-25 - 来自专栏WTSolutions
迅投QMT量化交易系统新手指南及常见问题
QMT自带python库 QMT里面内置了一些常用的python库，包括： numpy, pandas, patsy, scipy, statsmodels, TA_Lib 其中多种指标如 ADX, MACD
2.6K10编辑于 2025-03-06 - 来自专栏信数据得永生
Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
为此，我们会使用patsy库。这是一个非常棒的库，可以用于创建和 R 相似的决策矩阵。 >>> import patsy >>> X = patsy.dmatrix("Open + High + Low + Close + Volume + is_higher - 1", data.reset_index(), return_type='dataframe') >>> X.head() 输出如下： patsy 在patsy中，可以像 R 一样，修改公式相当于修改决策矩阵。这里并不会这么做，但是如果我们打算将数据缩放为均值 0 和标准差 1，函数就是scale(open) + scale(high)。
63800编辑于 2022-12-01 - 来自专栏红色石头的机器学习之路
专栏 | 基于 Jupyter 的特征工程手册：数据预处理（二）
.]; # 可以通过如下代码计算变量Type的Helmert 矩阵 from patsy.contrasts import Helmert levels = [1,2,3,4,5] # 3个变量值 缺失 => [ 1. 0. 0. 0. 1.]; # 可以通过如下代码计算变量Type的Deviation 矩阵 from patsy.contrasts
1.2K10编辑于 2022-01-14 - 来自专栏磐创AI技术团队的专栏
17种将离散特征转化为数字特征的方法
def do_polynomial_encoding(order): # 代码来自https://github.com/pydata/patsy/blob/master/patsy/contrasts.py
4.4K31发布于 2020-12-24 - 来自专栏拓端tecdat
Python+AI提示词用贝叶斯样条回归拟合BSF方法分析樱花花期数据模型构建迹图、森林图可视化
并确定它们的先验分布 COORDS = {"splines": np.arange(B.shape\[1\])} with pm.Model 在这个模型中，我们使用了15个节点将年份数据分成了16个部分，并使用patsy
31210编辑于 2025-04-02 - 来自专栏python深度学习
使用python的虚拟环境virtualenv
scikit-learn, scikit-image, PyWavelets, pytools, pythreejs, pyscf, pyarrow, projectq, plotdigitizer, patsy
7.7K30发布于 2021-04-02 - 来自专栏大数据文摘
驰骋股市！手把手教你如何用Python和数据科学赚钱？
加载数据 让我们开始使用代码库： import pandas as pd import numpy as np import patsy pd.core.common.is_list_like = pd.api.types.is_list_like
1.2K30发布于 2018-10-18 - 来自专栏华章科技
盘点最重要的7个Python库
Nathaniel Smith 开发了Patsy项目，为R语言公式系统所驱动的statsmodels包提供公式、模型规范框架。
1.3K10发布于 2021-02-05 - 来自专栏数据分析1480
整理了25个Pandas实用技巧（上）
Cython: None numpy: 1.16.4 scipy: None pyarrow: None xarray: None IPython: 7.5.0 sphinx: None patsy
2.9K20发布于 2020-04-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号