sklearn.utils

各种公用事业机构来帮助开发。

Developer guide. 看到 开发人员的实用程序 部分了解更多详细信息。

Bunch	容器对象将关键字公开为属性。
_safe_indexing	使用索引返回X的行、项或列。
as_float_array	Convert an array-like to an array of floats.
assert_all_finite	如果X包含NaN或无穷大，则抛出ValueHelp。
deprecated	将函数或类标记为已弃用的装饰器。
estimator_html_repr	构建估计器的HTML表示。
gen_batches	生成器创建包含的切片 batch_size 从0到 n .
gen_even_slices	Generator to create n_packs evenly spaced slices going up to n.
indexable	使数组可索引以进行交叉验证。
murmurhash3_32	计算种子处密钥的32位murmurhash 3。
resample	以一致的方式重新采样数组或稀疏矩阵。
safe_mask	退回X上可以安全使用的口罩。
safe_sqr	类数组和稀疏矩阵的逐元素平方。
shuffle	以一致的方式洗牌数组或稀疏矩阵。
Tags	估算者的标签。
InputTags	输入数据的标签。
TargetTags	目标数据的标签。
ClassifierTags	分类器的标签。
RegressorTags	Tags for the regressor.
TransformerTags	Transformer的标签。
get_tags	获取估计器标签。

输入和参数验证

用于验证scikit-learn估计器中的输入和参数的函数。

check_X_y	标准估计量的输入验证。
check_array	数组、列表、稀疏矩阵或类似矩阵上的输入验证。
check_consistent_length	检查所有阵列是否具有一致的第一维度。
check_random_state	将种子转换为NP.random.RandomState实例。
check_scalar	指定纯量参数类型和值。
validation.check_is_fitted	执行估计量的拟合验证。
validation.check_memory	检查 memory 是滑稽的。记忆般的。
validation.check_symmetric	确保阵列是2D、方形且对称的。
validation.column_or_1d	Ravel列或1d numpy数组，否则会引发错误。
validation.has_fit_parameter	检查估计器的匹配方法是否支持给定参数。
validation.validate_data	卸载输入数据并设置或检查输入的要素名称和计数。

元估计量

元估计器的实用程序。

metaestimators.available_if

仅在check返回真值时才可用的属性。

基于类别标签的重量处理

用于根据类别标签处理权重的实用程序。

class_weight.compute_class_weight	估计不平衡数据集的类权重。
class_weight.compute_sample_weight	按类别估计不平衡数据集的样本权重。

在分类器中处理多类目标

用于处理分类器中多类/多输出目标的实用程序。

multiclass.is_multilabel	检查是否 y 是多标签格式。
multiclass.type_of_target	确定目标指示的数据类型。
multiclass.unique_labels	提取唯一标签的有序数组。

最佳数学运算

用于在scikit-learn中执行最佳数学运算的实用程序。

extmath.density	计算稀疏向量的密度。
extmath.fast_logdet	计算方形矩阵的分母的对数。
extmath.randomized_range_finder	计算一个范围接近A范围的标准正交矩阵。
extmath.randomized_svd	计算截短的随机MVD。
extmath.safe_sparse_dot	正确处理稀疏矩阵情况的点积。
extmath.weighted_mode	返回传递的数组中的加权模态（最常见）值的数组。

使用稀疏矩阵和数组

用于处理稀疏矩阵和数组的实用程序的集合。

sparsefuncs.incr_mean_variance_axis	计算CSR或CSC矩阵上沿轴的增量平均值和方差。
sparsefuncs.inplace_column_scale	CSC/CSR矩阵的就地列缩放。
sparsefuncs.inplace_csr_column_scale	CSR矩阵的就地列缩放。
sparsefuncs.inplace_row_scale	CSR或CSC矩阵的就地行扩展。
sparsefuncs.inplace_swap_column	就地交换CSC/CSR矩阵的两列。
sparsefuncs.inplace_swap_row	就地交换CSC/CSR矩阵的两行。
sparsefuncs.mean_variance_axis	计算CSR或CSC矩阵上轴的均值和方差。

使用Cython编写的稀疏矩阵和数组的实用程序。

sparsefuncs_fast.inplace_csr_row_normalize_l1	Normalize inplace the rows of a CSR matrix or array by their L1 norm.
sparsefuncs_fast.inplace_csr_row_normalize_l2	通过L2规范对CSR矩阵或数组的行进行规范化。

使用图形

图形实用程序和算法。

graph.single_source_shortest_path_length

返回从源到所有可达节点的最短路径长度。

随机抽样

随机抽样的实用程序。

random.sample_without_replacement

不带替换的示例整数。

在阵列上操作的辅助功能

对阵列操作的一小部分辅助函数。

arrayfuncs.min_pos

找到数组的最小值超过正值。

元数据路由

在scikit-learn估计器中路由元数据的实用程序。

User guide. 看到 元数据路由 部分了解更多详细信息。

metadata_routing.MetadataRequest	包含消费者的元数据请求信息。
metadata_routing.MetadataRouter	存储和处理路由器对象的元数据路由。
metadata_routing.MethodMapping	存储路由器的调用方和被调用方方法之间的映射。
metadata_routing.get_routing_for_object	得到一个 Metadata{Router, Request} 来自给定对象的实例。
metadata_routing.process_routing	收件箱和路线输入参数。

发现scikit-learning对象

发现scikit-learn对象的实用程序。

discovery.all_displays	从获取所有显示器的列表 sklearn .
discovery.all_estimators	从以下获取所有估计器的列表 sklearn .
discovery.all_functions	获取所有函数的列表， sklearn .

API兼容性检查器

各种实用程序用于检查估计器与scikit-learn API的兼容性。

estimator_checks.check_estimator	检查估计器是否遵守scikit-learn惯例。
estimator_checks.parametrize_with_checks	用于参数化估计器检查的Pytest特定装饰器。
estimator_checks.estimator_checks_generator	迭代生成估计器的所有可调用检查。

并行计算

的定制 joblib 和 threadpoolctl 用于scikit-learn使用的工具。

parallel.Parallel	削弱的 joblib.Parallel 传播scikit-learn配置。
parallel.delayed	装饰器用于捕获函数的参数。