markdown stringlengths 0 1.02M | code stringlengths 0 832k | output stringlengths 0 1.02M | license stringlengths 3 36 | path stringlengths 6 265 | repo_name stringlengths 6 127 |
|---|---|---|---|---|---|
Here, pass in the path to a checkpoint and sample from the network. | tf.train.latest_checkpoint('checkpoints')
checkpoint = tf.train.latest_checkpoint('checkpoints')
samp = sample(checkpoint, 2000, lstm_size, len(vocab), prime="Far")
print(samp)
checkpoint = 'checkpoints/i200_l512.ckpt'
samp = sample(checkpoint, 1000, lstm_size, len(vocab), prime="Far")
print(samp)
checkpoint = 'checkpo... | _____no_output_____ | MIT | intro-to-rnns/Anna_KaRNNa_Solution.ipynb | ys3x/deep-learning |
desafio 1: Encontre os 18 filmes que não tiveram avaliação | filmes_com_media = filmes.join(notas_media_por_filme, on = "filmeid")
filmes_com_media.head() | _____no_output_____ | MIT | DataSciencefilmes.ipynb | KazumaShachou/DataSciencePython |
desafio 2mudar o nome da coluna nota para media apos o join | filmes_com_media.sort_values("nota", ascending=False).head(15) | _____no_output_____ | MIT | DataSciencefilmes.ipynb | KazumaShachou/DataSciencePython |
desafio 3coloque o numero de avaliações por filme | import matplotlib.pyplot as plt
avaliacoes.query("filmeid == 1")["nota"].plot(kind = 'hist',
title= "avaliações do filme toy story")
#plt.title("Avaliações do filme toy story")
plt.show()
avaliacoes.query("filmeid == 1")["nota"].plot(kind = 'hist')
avaliacoes.query("filmeid == 2... | _____no_output_____ | MIT | DataSciencefilmes.ipynb | KazumaShachou/DataSciencePython |
desafio4arredondar o valor da coluna de nota media em 2 casas desafio5 descobrir os generos de filmes(quais são eles, unicos) (esse daqui o bicho pega) desafio6contar o numero de aparições de cada genero. desafio7plotar o gráfico de aparições por genero, pode ser um gráfico de tipo igual a barra | _____no_output_____ | MIT | DataSciencefilmes.ipynb | KazumaShachou/DataSciencePython | |
Aula 2 | filmes["generos"].str.get_dummies('|').sum() #srt é string, para cortar a parte que você quer, get dummies cria variaveis que true é 1 e 0 falso, por ultimo o | é para separação, por ultimo "sum" é somar generos
filmes["generos"].str.get_dummies('|').sum().sort_values(ascending=False) #ordenar por ordem decrescente g... | _____no_output_____ | MIT | DataSciencefilmes.ipynb | KazumaShachou/DataSciencePython |
_____no_output_____ | MIT | DataSciencefilmes.ipynb | KazumaShachou/DataSciencePython | ||
Since accuracy is not that great, we will use a pre-trained model with transfer learning. | train_batches1 = ImageDataGenerator(preprocessing_function=tf.keras.applications.vgg16.preprocess_input) \
.flow_from_dataframe(
train_df,
"/kaggle/working/train",
x_col='filename',
y_col='category',
class_mode='binary',
target_size=(224, 224),
batch_size=124)
valid_batches1 = ImageDa... | Model: "vgg16"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_1 (InputLayer) [(None, 224, 224, 3)] 0
_________________________________________... | Apache-2.0 | dogs-vs-cats-transfer-learning.ipynb | saptarshidatta96/Transfer-Learning-with-VGG-16 |
Removing the Last Layer | model = Sequential()
for layer in vgg16_model.layers[:-1]:
model.add(layer)
model.summary()
for layer in model.layers:
layer.trainable = False
model.add(Dense(units=1, activation='sigmoid'))
model.summary()
model.compile(optimizer=Adam(learning_rate=0.0001),
loss='binary_crossentropy',
... | Epoch 1/3
182/182 - 114s - loss: 0.2074 - accuracy: 0.9144 - val_loss: 0.0748 - val_accuracy: 0.9764
Epoch 2/3
182/182 - 112s - loss: 0.0647 - accuracy: 0.9785 - val_loss: 0.0541 - val_accuracy: 0.9800
Epoch 3/3
182/182 - 111s - loss: 0.0519 - accuracy: 0.9826 - val_loss: 0.0470 - val_accuracy: 0.9832
| Apache-2.0 | dogs-vs-cats-transfer-learning.ipynb | saptarshidatta96/Transfer-Learning-with-VGG-16 |
Predict | results = model.predict(test_batches)
test_df['category'] = np.where(results > 0.5, 1,0) | _____no_output_____ | Apache-2.0 | dogs-vs-cats-transfer-learning.ipynb | saptarshidatta96/Transfer-Learning-with-VGG-16 |
Submission | submission_df = test_df.copy()
submission_df['id'] = submission_df['filename'].str.split('.').str[0]
submission_df['label'] = submission_df['category']
submission_df.drop(['filename', 'category'], axis=1, inplace=True)
submission_df.to_csv('submission.csv', index=False)
| _____no_output_____ | Apache-2.0 | dogs-vs-cats-transfer-learning.ipynb | saptarshidatta96/Transfer-Learning-with-VGG-16 |
Import Dependencies | import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
# scaling and dataset split
from sklearn import preprocessing
from sklearn.model_selection import train_test_split
# OLS, Ridge
from sklearn.linear_model import LinearRegression, Ridge
# model evaluation
from skle... | _____no_output_____ | CC-BY-3.0 | RF_model_with_PCA.ipynb | shilpiray/ML_Project |
Read the CSV and Perform Basic Data Cleaning | data_to_load = "new_folder/googleplaystore.csv"
df_apps = pd.read_csv(data_to_load)
categories = list(df_apps["Category"].unique())
#Remove Category 1.9
categories.remove('1.9')
a = df_apps.loc[df_apps["Category"] == "1.9"]
df_apps = df_apps.drop(int(a.index.values),axis=0)
#df_apps = df_apps[df_apps['Category']!= "1... | _____no_output_____ | CC-BY-3.0 | RF_model_with_PCA.ipynb | shilpiray/ML_Project |
Split the data into training and testing | from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
from sklearn.preprocessing import LabelEncoder, MinMaxScaler
X_scaler = MinMaxScaler().fit(X_train)
X_train_scaled = X_scaler.transform(X_train)
X_test_scaled = X_scaler.transform(X_test) | _____no_output_____ | CC-BY-3.0 | RF_model_with_PCA.ipynb | shilpiray/ML_Project |
SVC Model | # Support vector machine linear classifier
from sklearn.svm import SVC
model = SVC(kernel='linear')
model.fit(X_train_scaled, y_train)
print('Test Acc: %.3f' % model.score(X_test_scaled, y_test))
print(f"Training Data Score: {model.score(X_train_scaled, y_train)}")
print(f"Testing Data Score: {model.score(X_test_scale... | _____no_output_____ | CC-BY-3.0 | RF_model_with_PCA.ipynb | shilpiray/ML_Project |
Random Forest Model | from sklearn import tree
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X_train, y_train)
print('Test_score:', clf.score(X_test, y_test))
print('Train_score:', clf.score(X_train, y_train))
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X_train_scaled, y_train)
print('Test_score:', clf.score(X_test_scaled, y_test)... | _____no_output_____ | CC-BY-3.0 | RF_model_with_PCA.ipynb | shilpiray/ML_Project |
Hyperparameter Tuning | # Create the GridSearch estimator along with a parameter object containing the values to adjust
from sklearn.model_selection import GridSearchCV
param_grid = {'n_estimators':[100,200,300,400,500,600,700,800,900,1000],
'max_depth':[1,5,10,15,20]}
grid = GridSearchCV(rf,param_grid,verbose=3)
grid.fit(X_trai... | _____no_output_____ | CC-BY-3.0 | RF_model_with_PCA.ipynb | shilpiray/ML_Project |
Remove least imp features | X_red = popAppsCopy.drop(["Genres","Category","Installs","Content Rating","Genres"], axis = 1)
y_red = popApps["Installs"]
y = y_red.replace({1:'1000+',5: '1000+', 10: '1000+',50:'1000+',100:'1000+',500:'1000+',
1000: '1000+',5000:'10000+',10000: '10000+', 50000:'100000+',100000:'100000+',
... | _____no_output_____ | CC-BY-3.0 | RF_model_with_PCA.ipynb | shilpiray/ML_Project |
PCA | X.head()
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
from sklearn.decomposition imp... | Accuracy 0.27262507026419336
| CC-BY-3.0 | RF_model_with_PCA.ipynb | shilpiray/ML_Project |
Remove the least 2 values from knee effect | X_knee = X.drop(["Content Rating_Adults only 18+","Content Rating_Unrated"], axis = 1)
y_knee = y
print(X_knee.shape, y_knee.shape)
from sklearn.model_selection import train_test_split
X_train_k, X_test_k, y_train_k, y_test_k = train_test_split(X_knee, y_knee, random_state=42)
from sklearn.preprocessing import LabelE... | _____no_output_____ | CC-BY-3.0 | RF_model_with_PCA.ipynb | shilpiray/ML_Project |
Regression on Decison Trees and Random Forest | #importing important libraries
#libraries for reading dataset
import numpy as np
import pandas as pd
#libraries for data visualisation
import matplotlib.pyplot as plt
import seaborn as sns
#libraries for model building and understanding
import sklearn
from sklearn.model_selection import train_test_split
#importing ... | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
Reading Data | cp = pd.read_csv('carprice.csv') | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
Understanding the data | cp.head()
cp.shape
cp.info()
cp.describe()
#symboling is a categorical data so we convert to the specified type
cp['symboling'] = cp['symboling'].apply(str) | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
There are 11 categorical data and remaining are the numerical data | #as per the bussiness requirements we only need name of the carcompany and not the carmodel
#so we drop carmodel and only keep carCompany
cp['CarName'] = cp['CarName'].str.lower()
cp['carCompany'] = cp['CarName'].str.split(' ').str[0]
cp = cp.drop('CarName',axis = 1)
cp.head() | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
Data visualization and understanding using EDA Price is a dependent variable Visualising numerical data | #Finding correlation
cor = cp.corr()
cor
# visulaising correlation using heatmap
plt.subplots(figsize=(20, 20))
plt.title('Correlation between each data variable')
sns.heatmap(cor, xticklabels=cor.columns.values,
yticklabels=cor.columns.values,annot= True,linecolor="black",linewidths=2, cmap="viridis")
plt.... | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
`citympg` and `highwaympg` have negative correlation with price`carlength`,`carwidth`,`curbweight`,`enginesize` and `horsepower` have positve correlation with price | #scatter plot for numerical data with yaxis fixed as price
plt.figure(figsize=[18,12])
plt.subplot(3,3,1)
plt.scatter(cp.wheelbase, cp.price)
plt.title('wheelbase vs price')
plt.subplot(3,3,2)
plt.scatter(cp.peakrpm, cp.price)
plt.title('peakrpm vs price')
plt.subplot(3,3,3)
plt.scatter(cp.carheight, cp.price)
plt.ti... | 0.841118268481846
0.9713370423425061
| Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
Visualising categorical data | plt.figure(figsize=(20, 15))
plt.subplot(3,3,1)
sns.countplot(cp.fueltype)
plt.subplot(3,3,2)
sns.countplot(cp.aspiration)
plt.subplot(3,3,3)
sns.countplot(cp.doornumber)
plt.subplot(3,3,4)
sns.countplot(cp.drivewheel)
plt.subplot(3,3,5)
sns.countplot(cp.carbody)
plt.subplot(3,3,6)
sns.countplot(cp.enginelocation... | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
`ohc` is the most preferred enginetypemost cars have `four cylinders``sedan` and `hatchback` are most common carbodymost cars prefer `gas` fueltype | plt.figure(figsize=(30,25))
plt.subplot(2,1,1)
sns.countplot(cp.fuelsystem)
plt.subplot(2,1,2)
sns.countplot(cp.carCompany)
plt.show() | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
`mpfi` and `2bbl` are most common fuelsystem`Toyota` is most favoured carcompany we can observe that numerous carcompanies are misspelled | # replcaing incorrect carcompanies with correct ones so we replace them with correct spellings
cp['carCompany'] = cp['carCompany'].str.replace('vok','volk')
cp['carCompany'] = cp['carCompany'].str.replace('ou','o')
cp['carCompany'] = cp['carCompany'].str.replace('cshce','sche')
cp['carCompany'] = cp['carCompany'].str.... | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
`ohcv` are most expensive of the enginetype`doornumber` don't have much impact on the price`hardtop` and `covertible` are most expensive among the carbodycars that are `rwd` have higher price | plt.figure(figsize=(30,25))
plt.subplot(2,1,1)
sns.boxplot(x = 'fuelsystem',y='price', data = cp)
plt.subplot(2,1,2)
sns.boxplot(x = 'carCompany',y='price', data = cp)
plt.show() | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
`buick`, `jaguar`, `porsche` and `bmw` are most expensive carCompany`mpfi` and `idi` having the highest price range. Encoding categorical data | #defining fucntion for binary encoding of features with only 2 types of data
def number_map(x):
return x.map({'gas':1,'diesel':0,'std':0,'turbo':1,'two':0,'four':1,'front':0,'rear':1})
cp[['aspiration']] =cp[['aspiration']].apply(number_map)
cp[['doornumber']] =cp[['doornumber']].apply(number_map)
cp[['fueltype']]... | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
Splitting data into test and train datasets | #splitting the data into test and train for evaluation
# taking the test data as 30% and train data as 70%
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
Gradient Boosting | # fitting the model on train data
model = GradientBoostingRegressor()
gbr = model.fit(X_train,y_train)
# predicting on test data
y_pred = gbr.predict(X_test)
# checking the goodness of the model
metrics.r2_score(y_test, y_pred) | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
Hyper parameter tuning | # hyper parameter tuning for GBR
GBR = GradientBoostingRegressor()
param_dist = {"learning_rate": np.linspace(0.05, 0.15,5),"subsample": [0.3, 0.6, 0.9]}
rand = RandomizedSearchCV(GBR, param_dist, cv=5,n_iter=10, random_state=100)
rand.fit(X_train,y_train)
print(rand.best_params_)
GBR = GradientBoostingRegressor(lear... | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
XGboost | # fitting XGB on training data
XGB = XGBRegressor()
XGB = XGB.fit(X_train,y_train)
# predicting on test data
Y_pred = XGB.predict(X_test)
np.sqrt(mean_squared_log_error(y_test,Y_pred))
# checking the goodness of the model
metrics.r2_score(y_test, Y_pred)
importance = XGB.feature_importances_
# plotting feature importan... | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
Hyperparameter tuning | # hyper parameter tuning for XGB
XGB = XGBRegressor()
param_grid = {"learning_rate": np.linspace(0.05, 0.15,5),
"subsample": [0.3, 0.6, 0.9]}
rand = RandomizedSearchCV(XGB, param_grid, cv=5,n_iter=10, random_state=100)
rand.fit(X_train,y_train)
print(rand.best_params_)
xgb = XGBRegressor(learning_rat... | _____no_output_____ | Apache-2.0 | Geely Auto-Boosting(Regression).ipynb | ridhimanwazir/Boosting-Regression |
Data Preprocessing | df = pd.read_csv('Iris.csv')
df2 = df.drop(['Id', 'SepalLengthCm', 'PetalLengthCm'], axis=1)
df2['Species'].replace(to_replace=['Iris-setosa', 'Iris-virginica', 'Iris-versicolor'], value=[1., -1., -1.], inplace=True)
df2.head()
x = df2[['SepalWidthCm', 'PetalWidthCm']].values
y = df2['Species'].values
# Plot the train... | _____no_output_____ | MIT | Lecture 2/Iris Classification with Perceptron.ipynb | GO-Loc-GO/MIT-ML-and-CV |
In this note book the following steps are taken:1. Remove highly correlated attributes2. Find the best hyper parameters for estimator3. Find the most important features by tunned random forest4. Find f1 score of the tunned full model5. Find best hyper parameter of model with selected features6. Find f1 score of the tu... | import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.feature_selection import RFECV,RFE
from sklearn.model_selection import train_test_split, GridSearchCV, KFold,RandomizedSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline... | _____no_output_____ | Unlicense | RandomForest-RFECV-BreakStatus-Halifax-RandomizedSearch.ipynb | SadafGharaati/Important-factors |
Anailís ghramadaí trí [deplacy](https://koichiyasuoka.github.io/deplacy/) le [Stanza](https://stanfordnlp.github.io/stanza) | !pip install deplacy stanza
import stanza
stanza.download("ga")
nlp=stanza.Pipeline("ga")
doc=nlp("Táimid faoi dhraíocht ag ceol na farraige.")
import deplacy
deplacy.render(doc)
deplacy.serve(doc,port=None)
# import graphviz
# graphviz.Source(deplacy.dot(doc)) | _____no_output_____ | MIT | doc/ga.ipynb | KoichiYasuoka/deplacy |
le [UDPipe 2](http://ufal.mff.cuni.cz/udpipe/2) | !pip install deplacy
def nlp(t):
import urllib.request,urllib.parse,json
with urllib.request.urlopen("https://lindat.mff.cuni.cz/services/udpipe/api/process?model=ga&tokenizer&tagger&parser&data="+urllib.parse.quote(t)) as r:
return json.loads(r.read())["result"]
doc=nlp("Táimid faoi dhraíocht ag ceol na farrai... | _____no_output_____ | MIT | doc/ga.ipynb | KoichiYasuoka/deplacy |
le [COMBO-pytorch](https://gitlab.clarin-pl.eu/syntactic-tools/combo) | !pip install --index-url https://pypi.clarin-pl.eu/simple deplacy combo
import combo.predict
nlp=combo.predict.COMBO.from_pretrained("irish-ud27")
doc=nlp("Táimid faoi dhraíocht ag ceol na farraige.")
import deplacy
deplacy.render(doc)
deplacy.serve(doc,port=None)
# import graphviz
# graphviz.Source(deplacy.dot(doc)) | _____no_output_____ | MIT | doc/ga.ipynb | KoichiYasuoka/deplacy |
le [Trankit](https://github.com/nlp-uoregon/trankit) | !pip install deplacy trankit transformers
import trankit
nlp=trankit.Pipeline("irish")
doc=nlp("Táimid faoi dhraíocht ag ceol na farraige.")
import deplacy
deplacy.render(doc)
deplacy.serve(doc,port=None)
# import graphviz
# graphviz.Source(deplacy.dot(doc)) | _____no_output_____ | MIT | doc/ga.ipynb | KoichiYasuoka/deplacy |
le [spacy-udpipe](https://github.com/TakeLab/spacy-udpipe) | !pip install deplacy spacy-udpipe
import spacy_udpipe
spacy_udpipe.download("ga")
nlp=spacy_udpipe.load("ga")
doc=nlp("Táimid faoi dhraíocht ag ceol na farraige.")
import deplacy
deplacy.render(doc)
deplacy.serve(doc,port=None)
# import graphviz
# graphviz.Source(deplacy.dot(doc)) | _____no_output_____ | MIT | doc/ga.ipynb | KoichiYasuoka/deplacy |
le [spaCy-COMBO](https://github.com/KoichiYasuoka/spaCy-COMBO) | !pip install deplacy spacy_combo
import spacy_combo
nlp=spacy_combo.load("ga_idt")
doc=nlp("Táimid faoi dhraíocht ag ceol na farraige.")
import deplacy
deplacy.render(doc)
deplacy.serve(doc,port=None)
# import graphviz
# graphviz.Source(deplacy.dot(doc)) | _____no_output_____ | MIT | doc/ga.ipynb | KoichiYasuoka/deplacy |
le [spaCy-jPTDP](https://github.com/KoichiYasuoka/spaCy-jPTDP) | !pip install deplacy spacy_jptdp
import spacy_jptdp
nlp=spacy_jptdp.load("ga_idt")
doc=nlp("Táimid faoi dhraíocht ag ceol na farraige.")
import deplacy
deplacy.render(doc)
deplacy.serve(doc,port=None)
# import graphviz
# graphviz.Source(deplacy.dot(doc)) | _____no_output_____ | MIT | doc/ga.ipynb | KoichiYasuoka/deplacy |
le [Camphr-Udify](https://camphr.readthedocs.io/en/latest/notes/udify.html) | !pip install deplacy camphr en-udify@https://github.com/PKSHATechnology-Research/camphr_models/releases/download/0.7.0/en_udify-0.7.tar.gz
import pkg_resources,imp
imp.reload(pkg_resources)
import spacy
nlp=spacy.load("en_udify")
doc=nlp("Táimid faoi dhraíocht ag ceol na farraige.")
import deplacy
deplacy.render(doc)
d... | _____no_output_____ | MIT | doc/ga.ipynb | KoichiYasuoka/deplacy |
MMClassification Python API tutorial on ColabIn this tutorial, we will introduce the following content:* How to install MMCls* Inference a model with Python API* Fine-tune a model with Python API Install MMClassificationBefore using MMClassification, we need to prepare the environment with the following steps:1. Ins... | %cd /content
!pwd
# Check nvcc version
!nvcc -V
# Check GCC version
!gcc --version
# Check PyTorch installation
import torch, torchvision
print(torch.__version__)
print(torch.cuda.is_available()) | 1.9.0+cu111
True
| Apache-2.0 | docs/en/tutorials/MMClassification_python.ipynb | HXZhong1997/mmclassification |
Install MMCVMMCV is the basic package of all OpenMMLab packages. We have pre-built wheels on Linux, so we can download and install them directly.Please pay attention to PyTorch and CUDA versions to match the wheel.In the above steps, we have checked the version of PyTorch and CUDA, and they are 1.9.0 and 11.1 respecti... | # Install mmcv
!pip install mmcv -f https://download.openmmlab.com/mmcv/dist/cu111/torch1.9.0/index.html
# !pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.9.0/index.html | Looking in links: https://download.openmmlab.com/mmcv/dist/cu111/torch1.9.0/index.html
Collecting mmcv
Downloading mmcv-1.3.15.tar.gz (352 kB)
[K |████████████████████████████████| 352 kB 5.2 MB/s
[?25hCollecting addict
Downloading addict-2.4.0-py3-none-any.whl (3.8 kB)
Requirement already satisfied: numpy i... | Apache-2.0 | docs/en/tutorials/MMClassification_python.ipynb | HXZhong1997/mmclassification |
Clone and install MMClassificationNext, we clone the latest mmcls repository from GitHub and install it. | # Clone mmcls repository
!git clone https://github.com/open-mmlab/mmclassification.git
%cd mmclassification/
# Install MMClassification from source
!pip install -e .
# Check MMClassification installation
import mmcls
print(mmcls.__version__) | 0.16.0
| Apache-2.0 | docs/en/tutorials/MMClassification_python.ipynb | HXZhong1997/mmclassification |
Inference a model with Python APIMMClassification provides many pre-trained models, and you can check them by the link of [model zoo](https://mmclassification.readthedocs.io/en/latest/model_zoo.html). Almost all models can reproduce the results in original papers or reach higher metrics. And we can use these models di... | # Get the demo image
!wget https://www.dropbox.com/s/k5fsqi6qha09l1v/banana.png?dl=0 -O demo/banana.png
from PIL import Image
Image.open('demo/banana.png') | _____no_output_____ | Apache-2.0 | docs/en/tutorials/MMClassification_python.ipynb | HXZhong1997/mmclassification |
Prepare the config file and checkpoint fileWe configure a model with a config file and save weights with a checkpoint file.On GitHub, you can find all these pre-trained models in the config folder of MMClassification. For example, you can find the config files and checkpoints of Mobilenet V2 in [this link](https://git... | # Confirm the config file exists
!ls configs/mobilenet_v2/mobilenet-v2_8xb32_in1k.py
# Specify the path of the config file and checkpoint file.
config_file = 'configs/mobilenet_v2/mobilenet-v2_8xb32_in1k.py'
checkpoint_file = 'https://download.openmmlab.com/mmclassification/v0/mobilenet_v2/mobilenet_v2_batch256_imagen... | configs/mobilenet_v2/mobilenet-v2_8xb32_in1k.py
| Apache-2.0 | docs/en/tutorials/MMClassification_python.ipynb | HXZhong1997/mmclassification |
Inference the modelMMClassification provides high-level Python API to inference models.At first, we build the MobilenetV2 model and load the checkpoint. | import mmcv
from mmcls.apis import inference_model, init_model, show_result_pyplot
# Specify the device, if you cannot use GPU, you can also use CPU
# by specifying `device='cpu'`.
device = 'cuda:0'
# device = 'cpu'
# Build the model according to the config file and load the checkpoint.
model = init_model(config_fil... | _____no_output_____ | Apache-2.0 | docs/en/tutorials/MMClassification_python.ipynb | HXZhong1997/mmclassification |
Fine-tune a model with Python APIFine-tuning is to re-train a model which has been trained on another dataset (like ImageNet) to fit our target dataset. Compared with training from scratch, fine-tuning is much faster can avoid over-fitting problems during training on a small dataset.The basic steps of fine-tuning are ... | # Download the cats & dogs dataset
!wget https://www.dropbox.com/s/wml49yrtdo53mie/cats_dogs_dataset_reorg.zip?dl=0 -O cats_dogs_dataset.zip
!mkdir -p data
!unzip -qo cats_dogs_dataset.zip -d ./data/ | --2021-10-21 03:57:58-- https://www.dropbox.com/s/wml49yrtdo53mie/cats_dogs_dataset_reorg.zip?dl=0
Resolving www.dropbox.com (www.dropbox.com)... 162.125.80.18, 2620:100:6018:18::a27d:312
Connecting to www.dropbox.com (www.dropbox.com)|162.125.80.18|:443... connected.
HTTP request sent, awaiting response... 301 Moved ... | Apache-2.0 | docs/en/tutorials/MMClassification_python.ipynb | HXZhong1997/mmclassification |
Read the config file and modify the configIn the [tools tutorial](https://colab.research.google.com/github/open-mmlab/mmclassification/blob/master/docs/tutorials/MMClassification_tools.ipynb), we have introduced all parts of the config file, and here we can modify the loaded config by Python code. | # Load the base config file
from mmcv import Config
cfg = Config.fromfile('configs/mobilenet_v2/mobilenet-v2_8xb32_in1k.py')
# Modify the number of classes in the head.
cfg.model.head.num_classes = 2
cfg.model.head.topk = (1, )
# Load the pre-trained model's checkpoint.
cfg.model.backbone.init_cfg = dict(type='Pretra... | _____no_output_____ | Apache-2.0 | docs/en/tutorials/MMClassification_python.ipynb | HXZhong1997/mmclassification |
Fine-tune the modelUse the API `train_model` to fine-tune our model on the cats & dogs dataset. | import time
import mmcv
import os.path as osp
from mmcls.datasets import build_dataset
from mmcls.models import build_classifier
from mmcls.apis import train_model
# Create the work directory
mmcv.mkdir_or_exist(osp.abspath(cfg.work_dir))
# Build the classifier
model = build_classifier(cfg.model)
model.init_weights()... | _____no_output_____ | Apache-2.0 | docs/en/tutorials/MMClassification_python.ipynb | HXZhong1997/mmclassification |
Análise de Drugs Discovery - Imersão Dados AluraDesafio 1: Investigar por que a classe tratamento é tão desbalanceada | import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
url_dados = 'https://github.com/alura-cursos/imersaodados3/blob/main/dados/dados_experimentos.zip?raw=true'
dados = pd.read_csv(url_dados, compression = 'zip') #compression = 'zip' serve par aarquivos que es... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Cada linha é um experimento de cultura de células que foi submetida a alguma droga com determinada dosagem e por determinada quantidade de tempo. | dados.info() #para ver as primeiras infos dos dados, número de index (linhas)
#colunas
# e tipo dos dados, no caso são 872 de float64, 1 de int64 e 4 object (string)
dados.isnull().sum() #o .isnull .summ serve para somar por coluna os valores nulos, da um parecer inicial sobre quais colunas tem nulos e dar uma ideia
#d... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Os tratamentos tem expressiva quantidade de experimentos 'com_droga' e apenas 1866 de 23814 sendo 'com_controle'. Com controle significa, aqueles que não recebem os tratamentos para testar como os com experimento reagiram a droga, para saber que foi a droga que mudou a resposta, temos que ter o grupo controle que estej... | #próxima variável a ser analisada = tempo
dados['tempo']
dados['tempo'].value_counts() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Podemos ver que o tempo está disposto em unidades de 'hora', respectivamente:24, 48, 72.48 horas foi a maioria do tempo observado nos experimentos, e 24 horas a que menos foi (segundo a bióloga da imersão, devido a que, muitas vezes, 24 horas não é o suficiente para as células desenvolverem respostas à droga aplicada. | dados['dose'].value_counts() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Observamos que tem apenas dois tipos doses (D1, D2), D1 tendo a maioria dos registros - 12147 | dados['droga'].value_counts() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Nas drogas, podemos ver que a droga 'cacb2b860' foi a mais usada (1866 vezes)E a droga '87d714366' foi a segunda mais usada com 718 vezes.O nome das drogas, é "confuso", pois foram anonimizados para evitar vieses nas análises.O total de drogas investigados foi de 3289 (registrado em 'length') | dados['g-0'].value_counts() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Os 'g' são abreviação de genes, portanto, existem observações das respostas de vários deles, que estão dispostos nas colunas, e os valores que vemos é a expressão dos genes frente à droga, dose e tempo de exposição. Os valores provavelmente estão normalizados para permitir o entendimento e a comparação deles | #contando quantos valores maiores que 0, temos em 'g-0'
dados[dados['g-0'] > 0].count()
#máscara para os dados g-0 maiores que '0'
dados_g0_maior_zero = dados[dados['g-0'] > 0]
dados_g0_maior_zero.head() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 2: Plotar as últimas 5 linhas do Dataframe | #plotando últimas 5 linhas
dados.iloc[23809:,:] | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 3: Registrar a proporção da classe tratamento | #usando método matemático
(dados['tratamento'].value_counts() * 100) / 23814
#usando função value_counts do Pandas
dados['tratamento'].value_counts(normalize=True) #o normalize nos dá os porcent deles | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
É interessante termos um comparativo com dados da própria tabela, porém de outras colunas, nesse caso, vamos comparar com a distribuição das doses | dados['dose'].value_counts(normalize=True)
#plotando gráfico de pizza para mostrar as proporções dos valores em tratamento
fig, ax = plt.subplots(figsize=(20,6))
labels = ['com_droga', 'com_controle']
ax.pie(dados['tratamento'].value_counts(normalize=True), labels=labels, autopct='%1.1f%%')
ax.set_title('Distribuição d... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Observando graficamente os valores de tempo | barplot_time = dados['tempo'].value_counts().plot.bar()
barplot_time.set_title('Distribuição dos experimentos por tempo')
barplot_time.set_xlabel('Tempo observado')
barplot_time.set_ylabel('Nº de experimentos')
fig, ax = plt.subplots(figsize=(15,6))
ax.bar(dados['tempo'].unique(), height=dados['tempo'].value_counts(asc... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 4: Quantos tipos de drogas foram investigados? | dados['droga'].nunique() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 5: Procurar a documentação do query (no pandas) e resolver o desafio de criar a máscara de valores g-0 maiores que zero | dados.query('g0 > 0')
dados.query('dose == "D1"') #fazendo mais um uso do Query | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 6: Renomear as colunas tirando o hífen | dados.columns = dados.columns.str.replace("-","")
dados.head() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 7: Fazer um resumo das descobertas Preferi deixar as anotações ao longo das células, se você leu até aqui, provavelmente viu minhas notas! Observando a distribuição dos genes g0 e g1 | #histograma da distribuição dos resultados de g0
ax = sns.displot(data=dados, x='g0', kde=True)
print(dados['g0'].min())
print(dados['g0'].max())
print(dados['g0'].mean())
print(dados['g0'].median())
print(dados['g0'].var())
print(dados['g0'].skew())
sns.displot(data=dados, x='g1', kde=True)
print(dados['g1'].min())
pr... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Aula 02 | #forma interessante de substituir nome de coluna
#através de um mapa
mapa = {'droga':'composto'}
dados.rename(columns=mapa, inplace=True) | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Criando um countplot com os primeiros 5 compostos mais usados | comp = dados['composto'].value_counts().index[:5]
#coletando as infos dos 5 compostos com o query
d_comp = dados.query('composto in @comp') #o @ serve para declarar que a váriavel foi definida pelo python e não pelo dados | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 9: Melhorar a visualização e estética dos gráficos | #usando o Seaborn
fig, ax = plt.subplots(figsize=(15,6))
sns.set() #rodar pelo menos uma vez o .set() tras as novas configurações automáticas de estilização do Seaborn
ax = sns.countplot(data=d_comp, x='composto')
ax.set_title('5 compostos mais usados', )
ax.set_xlabel('Composto')
ax.set_ylabel('vezes usado')
plt.show(... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Histograma das médias dos genes 'g' | #com o .T fazemos a transposição do DataFrame
describe_g = dados.loc[:,'g0':'g771'].describe().T
#plotando o histograma das médias
hist_g = sns.histplot(describe_g, x='mean', kde=True)
plt.show()
#histograma dos desvios-padrão
hist_g = sns.histplot(describe_g, x='std', kde=True)
plt.show() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Observando as variáveis 'c' | describe_c = dados.loc[:,'c0':'c99'].describe().T
#histograma das médias
sns.histplot(data=describe_c, x='mean', kde=True)
plt.show() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
No Dataframe, cada 'c' respresenta linhagens de células, o pressuposto de ter vários tipos de células é para garantir a famosa independência estatística, e não gerar o viés de que o o medicamento agiu em determinado tipo, ou que foi o tipo que gerou o resultado da célula, e também garantir saber possíveis colaterais.Os... | sns.boxplot(data=dados, x='g0')
#boxplot da resposta de g0 por dose administrada
plt.figure(figsize=(10,6))
sns.boxplot(data=dados, x='g0', y='dose', )
#boxplot da resposta de g0 por tratamento
sns.boxplot(data=dados, x='g0', y='tratamento') | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Plotando um boxplot mais bonito e mais completo | fig, ax = plt.subplots(figsize=(10,9))
sns.set_style('darkgrid')
sns.set_context('talk')
ax = sns.boxplot(data=dados, x='tratamento', y='g0', hue='dose', palette='Paired')
ax.set_xlabel('Tipo de tratamento', fontdict={'fontsize':20})
ax.set_ylabel('gene g0')
ax.set_title('Quartis e mediana por tratamento e dose', fontd... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Dia 3 Função nova: ".crosstab" que cria uma frequency table Para filtrar mais de um dado, nas colunas ou linhas (e criar um MultiIndex) devemos inserir os **colchetes antes**(procedimento padrão no Pandas).Podemos normalizar os valores de várias formas (ver documetação) com o **'normalize='**.Para adicionar um valor es... | pd.crosstab(dados['dose'], [dados['tratamento'], dados['tempo']])
#outra forma de fazer
pd.crosstab([dados['dose'], dados['tempo']], dados['tratamento'])
#plotando as proporções
pd.crosstab([dados['dose'], dados['tempo']], dados['tratamento'], normalize=True) * 100
#plotando as proporções pelo index (nesse caso será e... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 08: Fazer uma tabela parecida com a crosstab mas utilizando o Groupby Nota pessoal: Eu gosto muito de Groupby, ela é muito poderosa | groupby = dados.groupby(by=['dose', 'tratamento','tempo']).count()
groupby.iloc[:13,2:3]
groupby.iloc[:13,2:3].T | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 9: Normalizar o crosstab pela coluna | pd.crosstab([dados['dose'],dados['tempo']], dados['tratamento'], normalize='columns') | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 10: Quais outros agregadores existem? Média | pd.crosstab([dados['dose'], dados['tempo']], dados['tratamento'], values=dados['g0'], aggfunc='mean') | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Mediana | pd.crosstab([dados['dose'], dados['tempo']], dados['tratamento'], values=dados['g0'], aggfunc='median') | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Standard Deviation a.k.a Desvio-padrão | pd.crosstab([dados['dose'], dados['tempo']], dados['tratamento'], values=dados['g0'], aggfunc='std') | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Variância | pd.crosstab([dados['dose'], dados['tempo']], dados['tratamento'], values=dados['g0'], aggfunc='var') | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 11: Explorar o Melt Esse método pode ser aplicado tanto em pd (pandas) quanto diretamente no Dataframe | pd.melt(dados, id_vars=['dose','tratamento', 'tempo'], value_vars=['g0'])
dados.melt(id_vars=['dose','tratamento','tempo'], value_vars=['g0'])
dados.melt(id_vars=['dose','tratamento','tempo'], value_vars=['g0'])[:5]
#podemos aplicar o index como sempre para dar uma filtrada
dados.melt(id_vars=['dose','tratamento','temp... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Explorando as correlações e variações de g0 e g1 | #usando a dispersão
sns.scatterplot(data=dados, x='g0', y='g1')
sns.scatterplot(data=dados, x='g0', y='g3', )
#o jointplot mostra a distruibuição junto com a dispersão
sns.jointplot(data=dados, x='g0', y='g3', kind='reg')
#outra forma de ver a linha de distribuição é com o lmplot
sns.lmplot(data=dados, x='g0', y='g3', ... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Observando as correlações O Próprio Pandas pode nos mostrar as correlações | #.corr()
dados.loc[:,'g0':'g771'].corr() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
No geral, utilizamos um gráfico 'heatmap' para ver as correlações.Aqui, usaremos um ctrl+c ctrl+v da matriz diagonal de correlação | corr = dados.loc[:,'g0':'g50'].corr()
# Generate a mask for the upper triangle
mask = np.triu(np.ones_like(corr, dtype=bool))
# Set up the matplotlib figure
f, ax = plt.subplots(figsize=(30, 15))
# Generate a custom diverging colormap
cmap = sns.diverging_palette(230, 20, as_cmap=True)
# Draw the heatmap with the m... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
VELHO LEMBRETE: **Correlação não é causalidade!** Correlações de C | corr_c = dados.loc[:,'c0':'c50'].corr()
# Generate a mask for the upper triangle
mask = np.triu(np.ones_like(corr_c, dtype=bool))
# Set up the matplotlib figure
f, ax = plt.subplots(figsize=(30, 15))
# Generate a custom diverging colormap
cmap = sns.diverging_palette(230, 20, as_cmap=True)
# Draw the heatmap with t... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 12: Explorar a correlação entre expressões gênicas g e os tipos célulares c | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 | |
Dia 4 Hoje vamos observar os resultados dos testes experimentais | dados_resultados = pd.read_csv('https://github.com/alura-cursos/imersaodados3/blob/main/dados/dados_resultados.csv?raw=true')
dados_resultados.head() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
De forma superficial, essa base contém os mecanismos de ação, se 1, foi ativado pelo experimento, se 0 é que não foi ativado pelo experimento | dados_resultados.info() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Três formas de fazer a contagem dos mecanismos de ação Com o Iloc | contagem_moa = dados_resultados.iloc[:,1:].sum().sort_values(ascending=False)
contagem_moa | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
COm o select_dtypes | contagem_moa = dados_resultados.select_dtypes('int64').sum().sort_values(ascending=False)
contagem_moa | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Com o drop | contagem_moa = dados_resultados.drop('id', axis=1).sum().sort_values(ascending=False)
contagem_moa
dados_resultados['n_moa'] = dados_resultados.drop('id', axis=1).sum(axis=1)
dados_resultados['moa_ativado'] = dados_resultados['n_moa'] != 0
dados_resultados.head()
dados_final = pd.merge(dados, dados_resultados[['id', 'n... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 01: Encontrar o top10 das ações do MoA (inibidor, agonista, etc.) | copy_dados = dados_resultados
copy_dados
#contando quantos tem inhibitor
len(copy_dados.columns[copy_dados.columns.str.contains('inhibitor')])
#Contando quantos tem agonist
len(copy_dados.columns[copy_dados.columns.str.contains('agonist')])
#vendo os que não contém nem inhibitor nem agonist
copy_dados.columns[(copy_dad... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 2: Criar uma coluna True False (0,1) para a coluna tratamento | dados_final['eh_controle'] = dados_final['tratamento'] == 'com_controle'
dados_final['eh_controle'].value_counts() | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 3: Criar colunas para 24, 48 e 72 de True e False | dados_final['tempo'].dtype
dados_final['24h'] = dados_final['tempo'] == 24
dados_final.head(2)
dados_final['48h'] = dados_final['tempo'] == 48
dados_final['72h'] = dados_final['tempo'] == 72 | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 4: Criar coluna para dose | dados_final['d1'] = dados_final['dose'] == 'D1'
dados_final['d2'] = dados_final['dose'] == 'D2' | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Desafio 4: Análise mais profunda para quando há tempo e dose | dados_final['composto'].value_counts()
#não esquecer: para teste boleano não aplicar o filtro (nome do dataset no início), para fazer slice ai sim se coloca o filtro, como no caso abaixo
analise_comp = dados_final[(dados_final['composto'] == 'cacb2b860') | (dados_final['composto'] == '5628cb3ee')]
analise_comp
sns.catp... | _____no_output_____ | MIT | aula05_imersao_alura_dados.ipynb | EnzoGolfetti/imersaoalura_dados_3 |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.