1.5版#

有关该版本主要亮点的简短描述，请参阅 scikit-learn 1.5的发布亮点 .

换象传说

Major Feature 一些你以前做不到的大事。
Feature 一些你以前做不到的事情。
Efficiency 现有功能现在可能不需要那么多的计算或内存。
Enhancement 一个杂七杂八的小改进。
Fix 以前没有按照记录或合理预期发挥作用的事情现在应该起作用了。
API Change 您需要更改您的代码才能在将来产生相同的效果;或者将来将删除某个功能。

版本1.5.2#

September 2024

影响多个模块的变更#

Fix 修复了中一些Cython模块中的性能回归 sklearn._loss , sklearn.manifold , sklearn.metrics 和 sklearn.utils ，它们是在没有BEP支持的情况下构建的。 #29694 通过 Loïc Estèvce .

Changelog#

`sklearn.calibration`#

Fix 出现错误时 LeaveOneOut 用于 cv ，匹配如果 KFold(n_splits=n_samples) 用了 #29545 通过 Lucy Liu

`sklearn.compose`#

Fix 固定 compose.TransformedTargetRegressor 不提高 UserWarning 如果变换输出设置为 pandas 或 polars ，因为它不是Transformer。 #29401 通过 Stefanie Senger .

`sklearn.decomposition`#

Fix 在白化步骤中增加秩亏阈值， decomposition.FastICA 与 whiten_solver="eigh" 以提高估计器的平台不可知性。 #29612 通过 Olivier Grisel .

`sklearn.metrics`#

Fix 修复回归 metrics.accuracy_score 和 metrics.zero_one_loss 导致具有多标签输入的数组API调度错误。 #29336 通过 Edoardo Abati .

`sklearn.svm`#

Fix 修复了回归 svm.SVC 和 svm.SVR 这样我们就接受 C=float("inf") . #29780 通过 Guillaume Lemaitre .

版本1.5.1#

July 2024

影响多个模块的变更#

Fix 修复了所有估计器的输入数据验证中的回归问题，该回归问题在传递由只读缓冲区支持的DataFrame时会出现意外错误。 #29018 通过 Jérémie du Boisberranger .
Fix 修复了在某些设置中导致导入时出现僵局的回归。 #29235 通过 Jérémie du Boisberranger .

Changelog#

`sklearn.compose`#

Efficiency 修复性能回归 compose.ColumnTransformer 其中，在以下情况下，为每个Transformer复制完整的输入数据 n_jobs > 1 . #29330 通过 Jérémie du Boisberranger .

`sklearn.metrics`#

Fix 修复回归 metrics.r2_score .在已分配的阵列API禁用的情况下传递火炬中央处理器张量会抱怨非中央处理器设备，而不是隐式地将这些输入转换为常规NumPy数组。 #29119 通过 @Olivier Grisel .
Fix 修复回归 metrics.zero_one_loss 导致具有多标签输入的数组API调度错误。 #29269 通过 Yaroslav Korobko .

`sklearn.model_selection`#

Fix 修复回归 model_selection.GridSearchCV 对于具有不同参数值的参数网格。 #29078 通过 Loïc Estève .
Fix 修复回归 model_selection.GridSearchCV 对于具有估计量作为参数值的参数网格。 #29179 通过 Marco Gorelli .
Fix 修复回归 model_selection.GridSearchCV 对于具有不同大小的数组作为参数值的参数网格。 #29314 通过 Marco Gorelli .

`sklearn.tree`#

Fix 修复问题 tree.export_graphviz 和 tree.plot_tree 这可能会导致32位操作系统上出现异常或错误结果。 #29327 通过 Loïc Estève .

`sklearn.utils`#

API Change utils.validation.check_array has a new parameter, force_writeable, to control the writeability of the output array. If set to True, the output array will be guaranteed to be writeable and a copy will be made if the input array is read-only. If set to False, no guarantee is made about the writeability of the output array. #29018 by Jérémie du Boisberranger.

版本1.5.0#

May 2024

安全#

Fix feature_extraction.text.CountVectorizer 和 feature_extraction.text.TfidfVectorizer 不再将训练集中丢弃的令牌存储在 stop_words_ 属性此属性将过于频繁（上图 max_df ）但也有太稀有的代币（下面 min_df ).如果被丢弃的稀有令牌在模型开发人员不知情的情况下保存了来自训练集的敏感信息，这可以修复潜在的安全问题（数据泄露）。

注意：鼓励这些类的用户使用新的scikit-learn版本重新训练他们的管道，或者手动清除 stop_words_ 来自这些变压器之前训练的实例的属性。此属性仅用于模型检查目的，对变压器的行为没有影响。 #28823 通过 Olivier Grisel .

更改型号#

Efficiency 中的二次抽样 preprocessing.QuantileTransformer 现在对于密集阵列来说更有效，但匹配的分位数和 transform 可能与以前略有不同（保持相同的统计属性）。 #27344 通过 Xuefeng Xu .
Enhancement decomposition.PCA , decomposition.SparsePCA 和 decomposition.TruncatedSVD 现在设置的标志， components_ 基于组件值的属性，而不是使用转换后的数据作为参考。需要进行此更改才能在所有范围内提供一致的组件标志 PCA 解决者，包括新的 svd_solver="covariance_eigh" 此版本中引入的选项。

影响多个模块的变更#

Fix 提高 ValueError 当将1D稀疏数组传递给期望2D稀疏输入的方法时， #28988 通过 Olivier Grisel .
API Change 对象的输入名称 inverse_transform 估算方法已标准化， X .因此， Xt 已被弃用，并将在1.7版本中在以下估计器中删除： cluster.FeatureAgglomeration , decomposition.MiniBatchNMF , decomposition.NMF , model_selection.GridSearchCV , model_selection.RandomizedSearchCV , pipeline.Pipeline 和 preprocessing.KBinsDiscretizer . #28756 通过 Will Dean .

支持数组API#

其他估计器和功能已更新，以包括对所有人的支持 Array API 合规的输入。

看到数组API支持（实验性）了解更多详细信息。

Functions:

sklearn.metrics.r2_score 现在支持数组API兼容的输入。 #27904 通过 Eric Lindgren , Franck Charras , Olivier Grisel 和 Tim Head .

Classes:

linear_model.Ridge 现在支持用于 svd 解决者。看到数组API支持（实验性）了解更多详细信息。 #27800 通过 Franck Charras , Olivier Grisel 和 Tim Head .

支持使用Meson进行构建#

从scikit-learn 1.5开始，Meson是构建scikit-learn的主要支持方式，请参阅 Building from source 了解更多详细信息。

除非我们发现主要拦截器，否则scikit-learn 1.6中将删除setuptools支持。1.5.x版本将支持使用setuptools构建scikit-learn。

添加了对构建scikit-learn的介子支持， #28040 通过 Loïc Estève

元数据路由#

以下模型现在支持一种或多种方法中的元数据路由。参阅 Metadata Routing User Guide 了解更多详细信息。

Feature impute.IterativeImputer 现在支持元数据路由 fit 法 #28187 通过 Stefanie Senger .
Feature ensemble.BaggingClassifier 和 ensemble.BaggingRegressor 现在支持元数据路由。现在接受健身方法 **fit_params 这些信息通过他们的 fit 方法. #28432 通过 Adam Li 和 Benjamin Bossan .
Feature linear_model.RidgeCV 和 linear_model.RidgeClassifierCV 现在支持元数据路由 fit 方法并将元数据路由到底层 model_selection.GridSearchCV 对象或基础评分者。 #27560 通过 Omar Salman .
Feature GraphicalLassoCV 现在支持元数据路由 fit 方法并将元数据路由到CV拆分器。 #27566 通过 Omar Salman .
Feature linear_model.RANSACRegressor 现在支持元数据路由 fit , score 和 predict 方法并将元数据路由到其基础估计器的 fit , score 和 predict 方法. #28261 通过 Stefanie Senger .
Feature ensemble.VotingClassifier 和 ensemble.VotingRegressor 现在支持元数据路由和传递 **fit_params 通过他们的估计者 fit 方法. #27584 通过 Stefanie Senger .
Feature pipeline.FeatureUnion 现在支持元数据路由 fit 和 fit_transform 方法并将元数据路由到底层转换器的 fit 和 fit_transform . #28205 通过 Stefanie Senger .
Fix 修复解决通过类属性设置的默认路由请求时的问题。 #28435 通过 Adrin Jalali .
Fix 解决问题时 set_{method}_request methods are used as unbound methods, which can happen if one tries to decorate them. #28651 by Adrin Jalali .
Fix 防止 RecursionError 当具有默认值的估计器 scoring param (None ）路由元数据。 #28712 通过 Stefanie Senger .

Changelog#

`sklearn.calibration`#

Fix 修复了回归 calibration.CalibratedClassifierCV 其中字符串目标错误地引发错误。 #28843 通过 Jérémie du Boisberranger .

`sklearn.cluster`#

Fix 的 cluster.MeanShift 类现在可以正确地收敛于常数数据。 #28951 通过 Akihiro Kuno .
Fix 中创建预先计算的稀疏矩阵的副本 fit 方法 OPTICS 以避免对稀疏矩阵进行就地修改。 #28491 通过 Thanh Lam Dang .
Fix cluster.HDBSCAN 现在支持支持的所有指标 sklearn.metrics.pairwise_distances 当 algorithm="brute" 或 "auto" . #28664 通过 Manideep Yenugula .

`sklearn.compose`#

Feature 合身的 compose.ColumnTransformer 现在实行 __getitem__ which returns the fitted transformers by name. #27990 by Thomas Fan .
Enhancement compose.TransformedTargetRegressor 现在提出了一个错误， fit 如果仅 inverse_func 声明不 func (that默认为身份）也被显式设置。 #28483 通过 Stefanie Senger .
Enhancement compose.ColumnTransformer 现在可以暴露安装中的“剩余”柱 transformers_ 属性作为列名或布尔屏蔽，而不是列索引。 #27657 通过 Jérôme Dockès .
Fix 修复了中的一个错误 compose.ColumnTransformer 与 n_jobs > 1 ，其中中间选择的列作为只读阵列传递给转换器。 #28822 通过 Jérémie du Boisberranger .

`sklearn.cross_decomposition`#

Fix 的 coef_ 的匹配属性 cross_decomposition.PLSRegression 现在既考虑了规模 X 和 Y 当 scale=True .请注意，之前的预测值不受此错误的影响。 #28612 通过 Guillaume Lemaitre .
API Change 不赞成 Y 赞成 y 在fit、transform和inverate_transform的方法中： cross_decomposition.PLSRegression . cross_decomposition.PLSCanonical , cross_decomposition.CCA ，而且 cross_decomposition.PLSSVD . Y 将在1.7版本中删除。 #28604 通过 David Leon .

`sklearn.datasets`#

Enhancement 添加可选参数 n_retries 和 delay 给函数 datasets.fetch_20newsgroups , datasets.fetch_20newsgroups_vectorized , datasets.fetch_california_housing , datasets.fetch_covtype , datasets.fetch_kddcup99 , datasets.fetch_lfw_pairs , datasets.fetch_lfw_people , datasets.fetch_olivetti_faces , datasets.fetch_rcv1 ，而且 datasets.fetch_species_distributions .默认情况下，如果出现网络故障，这些功能将最多重新尝试3次。 #28160 通过 Zhehao Liu 和 Filip Karlo Došilović .

`sklearn.decomposition`#

Efficiency decomposition.PCA 与 svd_solver="full" 现在分配一个连续 components_ 属性，而不是奇异载体的非连续切片。当 n_components << n_features ，这可以节省一些内存，更重要的是，有助于加快后续对 transform 通过利用连续阵列上BLAS GEMM的缓存局部性，方法增加了一个数量级以上。 #27491 通过 Olivier Grisel .
Enhancement PCA 现在，当出现稀疏输入时，自动选择ARPACK解算器 svd_solver="auto" 而不是提出错误。 #28498 通过 Thanh Lam Dang .
Enhancement decomposition.PCA 现在支持名为 svd_solver="covariance_eigh" 它为具有大量数据点和少量特征的数据集提供了一个数量级的加速和减少的内存使用（例如， n_samples >> 1000 > n_features ).的 svd_solver="auto" 选项已更新，以自动对此类数据集使用新求解器。该求解器还接受稀疏输入数据。 #27491 通过 Olivier Grisel .
Fix decomposition.PCA 符合 svd_solver="arpack" , whiten=True 以及价值 n_components 大于训练集的排名，在转换保留数据时不再返回无限值。 #27491 通过 Olivier Grisel .

`sklearn.dummy`#

Enhancement dummy.DummyClassifier 和 dummy.DummyRegressor 现在有 n_features_in_ 和 feature_names_in_ 之后的属性 fit . #27937 通过 Marco vd Boom .

`sklearn.ensemble`#

Efficiency 改进的运行时间 predict 的 ensemble.HistGradientBoostingClassifier 通过避免打电话 predict_proba . #27844 通过 Christian Lorentzen .
Efficiency ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 现在，通过在找到分类阈值之前对数据进行预排序，速度稍微快一点。 #28102 通过 Christian Lorentzen .
Fix 修复了错误 ensemble.HistGradientBoostingClassifier 和 ensemble.HistGradientBoostingRegressor 当 monotonic_cst 是针对非分类特征指定的。 #28925 通过 Xiao Yuan .

`sklearn.feature_extraction`#

Efficiency feature_extraction.text.TfidfTransformer 现在通过使用NumPy向量而不是稀疏矩阵来存储逆文档频率，速度更快，内存效率更高。 #18843 通过 Paolo Montesel .
Enhancement feature_extraction.text.TfidfTransformer 现在保留输入矩阵的数据类型（如果是） np.float64 或 np.float32 . #28136 通过 Guillaume Lemaitre .

`sklearn.feature_selection`#

Enhancement feature_selection.mutual_info_regression 和 feature_selection.mutual_info_classif 现在支持 n_jobs 参数. #28085 通过 Neto Menoci 和 Florin Andrei .
Enhancement 的 cv_results_ 属性 feature_selection.RFECV 有一把新钥匙， n_features ，包含一个包含每个步骤选择的特征数量的数组。 #28670 通过 Miguel Silva .

`sklearn.impute`#

Enhancement impute.SimpleImputer 现在通过传递函数代替策略名称来支持自定义策略。 #28053 通过 Mark Elliot .

`sklearn.inspection`#

Fix inspection.DecisionBoundaryDisplay.from_estimator 当提供时，不再警告缺少要素名称 polars.DataFrame . #28718 通过 Patrick Wang .

`sklearn.linear_model`#

Enhancement 求解器 "newton-cg" 在 linear_model.LogisticRegression 和 linear_model.LogisticRegressionCV 现在当 verbose 设置为正值。 #27526 通过 Christian Lorentzen .
Fix linear_model.ElasticNet , linear_model.ElasticNetCV , linear_model.Lasso 和 linear_model.LassoCV 现在明确不接受大型稀疏数据格式。 #27576 通过 Stefanie Senger .
Fix linear_model.RidgeCV 和 RidgeClassifierCV 正确通过 sample_weight 对于潜在的得分手来说， cv 没有。 #27560 通过 Omar Salman .
Fix n_nonzero_coefs_ 中属性 linear_model.OrthogonalMatchingPursuit 现在将永远是 None 当 tol 已设定，如 n_nonzero_coefs 在这种情况下被忽略。 #28557 通过 Lucy Liu .
API Change linear_model.RidgeCV 和 linear_model.RidgeClassifierCV 现在将允许 alpha=0 当 cv != None ，这与 linear_model.Ridge 和 linear_model.RidgeClassifier . #28425 通过 Lucy Liu .
API Change 通过 average=0 禁用平均值在中 linear_model.PassiveAggressiveClassifier , linear_model.PassiveAggressiveRegressor , linear_model.SGDClassifier , linear_model.SGDRegressor 和 linear_model.SGDOneClassSVM .通过 average=False 而不是. #28582 通过 Jérémie du Boisberranger .
API Change 参数 multi_class 在 linear_model.LogisticRegression 和 linear_model.LogisticRegressionCV . multi_class 将在1.7中删除，并且在内部，对于3个及更多的类，它将始终使用多项。如果您仍然想使用“一对休息”方案，您可以使用 OneVsRestClassifier(LogisticRegression(..)) . #28703 通过 Christian Lorentzen .
API Change store_cv_values 和 cv_values_ 被反对支持 store_cv_results 和 cv_results_ 在 ~linear_model.RidgeCV 和 ~linear_model.RidgeClassifierCV . #28915 通过 Lucy Liu .

`sklearn.manifold`#

API Change 不赞成 n_iter 赞成 max_iter 在 manifold.TSNE . n_iter 将在1.7版本中删除。这使得 manifold.TSNE 与其余估计器一致。 #28471 通过 Lucy Liu

`sklearn.metrics`#

Feature metrics.pairwise_distances 也接受计算非数字数组的成对距离。这仅通过自定义指标支持。 #27456 通过 Venkatachalam N , Kshitij Mathur 和 Julian Libiseller-Egger .
Feature sklearn.metrics.check_scoring 现在返回多指标评分器时 scoring as a dict, set, tuple, or list. #28360 by Thomas Fan .
Feature metrics.d2_log_loss_score 已添加，用于计算日志损失的D#2分数。 #28351 通过 Omar Salman .
Efficiency 提高功能效率 brier_score_loss , calibration_curve , det_curve , precision_recall_curve , roc_curve 当 pos_label 参数已指定。还提高方法的效率 from_estimator 和 from_predictions 在 RocCurveDisplay , PrecisionRecallDisplay , DetCurveDisplay , CalibrationDisplay . #28051 通过 Pierre de Fréminville .
Fix ：Class：当输入是标签的子集时，“metrics.classification_report”现在仅显示准确性，而不是微平均值。 #28399 通过 Vineet Joshi .
Fix 修复Windows上OpenBLAS 0.3.26在成对距离计算中的僵局。这可能会影响基于邻居的算法。 #28692 通过 Loïc Estève .
API Change metrics.precision_recall_curve 已弃用关键字参数 probas_pred 赞成 y_score . probas_pred 将在1.7版本中删除。 #28092 通过 Adam Li .
API Change metrics.brier_score_loss 已弃用关键字参数 y_prob 赞成 y_proba . y_prob 将在1.7版本中删除。 #28092 通过 Adam Li .
API Change 对于分类器和分类指标，不建议使用以字节形式编码的标签，并且会在v1.7中引发错误。 #18555 通过 Kaushik Amar Das .

`sklearn.mixture`#

Fix 的 converged_ 属性 mixture.GaussianMixture 和 mixture.BayesianGaussianMixture 现在反映了最佳匹配的收敛状态，而以前是 True 如果有任何一个契合度收敛。 #26837 通过 Krsto Proroković .

`sklearn.model_selection`#

Major Feature model_selection.TunedThresholdClassifierCV 查找二进制分类器的决策阈值，该分类器通过交叉验证最大化分类指标。 model_selection.FixedThresholdClassifier 当想要使用固定决策阈值而无需任何调整方案时，是一种替代方案。 #26120 通过 Guillaume Lemaitre .
Enhancement CV splitters 忽略group参数的，现在会在将groups传递给 split . #28210 通过 Thomas Fan .
Enhancement 的HTML图表表示形式 GridSearchCV , RandomizedSearchCV , HalvingGridSearchCV ，而且 HalvingRandomSearchCV 将显示最佳估计器时 refit=True. #28722 by Yao Xiao and Thomas Fan .
Fix 的 cv_results_ 属性（of model_selection.GridSearchCV ）现在返回适当NumPy dype的屏蔽数组，而不是总是返回dype object . #28352 通过 Marco Gorelli .
Fix model_selection.train_test_split 使用Array API输入。以前的索引没有正确处理，导致在使用严格的Array API实现（如CuPY）时出现异常。 #28407 通过 Tim Head .

`sklearn.multioutput`#

Enhancement chain_method 参数添加到 multioutput.ClassifierChain . #27700 通过 Lucy Liu .

`sklearn.neighbors`#

Fix 修复 neighbors.NeighborhoodComponentsAnalysis 使得 get_feature_names_out 返回功能名称的正确数量。 #28306 通过 Brendan Lu .

`sklearn.pipeline`#

Feature pipeline.FeatureUnion 现在可以使用 verbose_feature_names_out 属性如果 True , get_feature_names_out 将在所有功能名称的前面加上生成该功能的Transformer的名称。如果 False , get_feature_names_out 不会在任何功能名称前加上前面，并且如果功能名称不唯一，就会出错。 #25991 通过 Jiawei Zhang .

`sklearn.preprocessing`#

Enhancement preprocessing.QuantileTransformer 和 preprocessing.quantile_transform 现在支持显式禁用子采样。 #27636 通过 Ralph Urlus .

`sklearn.tree`#

Enhancement 通过matplotlib中绘制树木 tree.plot_tree 现在显示“真/假”标签，以指示给定分裂条件的样本经过的方向性。 #28552 通过 Adam Li .

`sklearn.utils`#

Fix _safe_indexing 现在对于Polars DataFrame可以正确工作， axis=0 并支持索引极系列。 #28521 通过 Yao Xiao .
API Change utils.IS_PYPY 已被弃用，并将在1.7版本中删除。 #28768 通过 Jérémie du Boisberranger .
API Change utils.tosequence 已被弃用，并将在1.7版本中删除。 #28763 通过 Jérémie du Boisberranger .
API Change utils.parallel_backend 和 utils.register_parallel_backend 已弃用，并将在1.7版中删除。使用 joblib.parallel_backend 和 joblib.register_parallel_backend 而不是. #28847 通过 Jérémie du Boisberranger .
API Change 提出信息性警告消息 type_of_target 当表示为字节时。对于分类器和分类指标，不建议使用以字节形式编码的标签，并且会在v1.7中引发错误。 #18555 通过 Kaushik Amar Das .
API Change utils.estimator_checks.check_estimator_sparse_data 分为两个功能： utils.estimator_checks.check_estimator_sparse_matrix 和 utils.estimator_checks.check_estimator_sparse_array . #27576 通过 Stefanie Senger .

代码和文档贡献者

感谢自1.4版本以来为项目维护和改进做出贡献的所有人，包括：

101 AlexMartin，Abdulaziz Aloqeely，Adam J. Stewart，Adam Li，Adarsh Wase，Adeyemi Biola，Aditi Juneja，Adrin Jalali，Advik Sinha，Aisha，Akash Srivastava，Akihiro Kuno，Alan Guedes，Alberto Torres，Alexis IMBERRT，alexqio，Ana Paula Gomes，Anderson Nelson，Andrei Dzis，Arif Qodari，Arnaud Capitaine，Arturo Amor，Aswathavicky，Audrey Flanders，awwwyan，baggiponte，Bharat Raghunathan，bme-git，brdav，Brendan Lu、Brigitta Sipatticz、Bruno、Cailean Carter、Cemlyn、Christian Lorentzen、Christian Veenhuis、Cindy Liang、Claudio Salvatore Arcidiacono、Connor Boyle、Conrad Stevens、Crispinlogan、David Matthew Cherney、Davide奇科、davidleon 123、dependabot [bot] 、DerWeh，dinga 92、Dipan Banik、Drew Craeton、Duarte São José、DUONG、Eddie Bergman、Edoardo Abati、Egehan Gunduz、Emad Izadifar、EmilyXyi、Erich Schubert、Evelyn、Filip Karlo Došilović、Franck Charras、Gael Varoquaux、Gönül Aycerty、Guillaume Lemaitre、Gyeongjae Choi、Harmanan Kohli、Hong Xiang Yue、Ian Faust、Ilya Komarov、itsaphel、Ivan Wiryadi、Jack Bowyer、Javier Marin Tur、Jérémie du Boisberrémie du Boisberranger、Jérôme Dockès、Jiawei Zhang、João Morais、Joe Cainey、Joel Nothman、Johanna Bayer、John Cant、John Enblom、John Hopfensperger、jpcars、jpienaar-tuks、Julian Chan、Julian Libiseller-Egger、Julien Jerphanion、KanchiMoe、Kaushik Amar Das、keyber、Koustav Ghosh、kraktus、Krsto Proroković、Lars、ldwy 4、LeoGrioGrin、lihaitao、Linus Sommer、Loic Esteve、Lucy Liu、Lukas Geiger、m-maggi、manasimj、Manuel Labbé、曼努埃尔·莫拉莱斯、马可·爱德华·戈雷利、马可·沃尔萨、马伦·韦斯特曼、玛丽亚·弗拉伊奇、马克·埃利奥特、马丁·赫尔姆、马特奥·索科什、马图林姆、马夫斯、迈克尔·道森、迈克尔·希金斯、迈克尔·梅耶尔、米格尔·席尔瓦、渡边三木、穆罕默德·哈姆迪、米enugula、内森·戈德鲍姆、纳齐亚·马希姆卡、nbrown-ScottLogic、内托、尼西什·博勒杜拉、notPlancha、奥利维尔·格里塞尔、奥马尔·萨勒曼、帕西法尔·徐、帕特里克·王、皮埃尔·德弗雷明维尔、皮奥特尔、Priyank Shroff、Priyansh Gupta、Priyash Shah、Puneeth K、Rahil Parikh、raisadz、Raj Pulapakura、Ralf Gommers、Ralph Urlus、Randolf Scholz、renaissance0 ne、Reshama Shaikh、Richard Barnes、Robert Pollak、Roberto Rosati、Rodrigo Romero、rwelsch 427、Saad Mahmood、Salim Dohri、Sandip Dutta、SarahRemus、scikit-lear-bot、Shaharyar Choudhry、Shubham、sperret 6、Stefanie Senger、Steffen Schneider、Suha Siddiqui、Thanh Lam DANG，thebabush，Thomas，Thomas J. Fan，Thomas Lazarus，Tialo，Tim Head，Tuhin Sharma，Tushar Parimi，Varun Chaduvula，Vineet Joshi，virchan，Waël Boukhobza，Weyb，Will Dean，Xavier Beltran，Xiao Yuan，Xuefeng Xu，Yao Xiao，yareyaredesuyo，Ziad Amerr，Štpán Sršeregon