intelligenzaartificiale 0.0.0.6

Intelligenza Artificiale la libreria python italiana dedicata all'I.A.

🚧 La libreria è ancora in fase di SVILUPPO 🚧

Intelligenza Artificiale

La libreira python creata per neofiti e datascientist che semplifica l'analisi dati e lo sviluppo di modelli di apprendimento automatico e profondo

Intelligenza-Artificiale è l'unica libreria python MADE in ITALY che permette a qualsiasi persona di :

• Leggere, Manipolare, Pulire dataset di ogni tipo
• Analizzare i dati per trasformarli in importanti informazioni
• Creare in meno di 5 righe di codice modelli di ML
• Sviluppare reti neurali
• & molto molto altro ancora

richiamando i metodi in italiano !

Installazione Libreria

La libreria intelligenzaartificiale richiede PYTHON v3.6+

Per installare la libreria puoi usare il comando pip3 .

pip3 install intelligenzaartificiale

se invece utilizzi google colab...

!pip install intelligenzaartificiale

Partizione Libreria

Al momento abbiamo deciso di partizionare la libreria in moduli, per rendere il codice il più portabile e leggero possibile.

Modulo	Import	Utilizzo
Dataset	from intelligenzaartificiale import dataset as dt	lettura e manipolazine set di dati ( .csv , .xlsx , .xls , .html , .json , sql )
BigDataset	from intelligenzaartificiale import bigdataset as bdt	lettura e manipolazine set di dati molto grandi compresi bigdata
Statistica	from intelligenzaartificiale import statistica as st	analisi dati
Preprocessing	from intelligenzaartificiale import preprocessing as pp	pulizia, manipolazione e preprocessing dei dati
TextPreprocessing	from intelligenzaartificiale import textpreprocessing as tpp	pulizia, manipolazione e preprocessing per dati testuali
Machine Learning	from intelligenzaartificiale import machinelearning as ml	creazione di modelli di apprendimento automatico
Deep Learning	from intelligenzaartificiale import depplearning as dl	creazione di reti neurali
NLP	from intelligenzaartificiale import nlp	trattamento delle informazioni testuali

Esempi

Qui sotto troverai elencati tutti i metodi della libreria con degli esempi

Step 1 --- Modulo Dataset

Con questo modulo potrai leggere qualsiasi tipo di dataset

Leggere un file .csv

from intelligenzaartificiale import dataset as dt
il_mio_dataset = dt.leggi_csv("file_name.csv")

Leggere un file excel

from intelligenzaartificiale import dataset as dt
il_mio_dataset = dt.leggi_xls("file_name.xls")

Leggere un foglio specifico di un file excel

from intelligenzaartificiale import dataset as dt
il_mio_dataset = dt.leggi_sheet("file_name.xls","nome_foglio")

Leggere un file html

from intelligenzaartificiale import dataset as dt
il_mio_dataset = dt.leggi_html("file_name.html")

Leggere un file json

from intelligenzaartificiale import dataset as dt
il_mio_dataset = dt.leggi_json("file_name.json")

Leggere un file sql

from intelligenzaartificiale import dataset as dt
il_mio_dataset = dt.leggi_json("file_name.sql")

Ottenere informazioni di base sulle colonne

from intelligenzaartificiale import dataset as dt
il_mio_dataset = dt.leggi_csv("file_name.csv")
print(dt.lista_colonne(il_mio_dataset))
print(dt.tipo_colonne(il_mio_dataset))

Rimuovere una o più colonne

from intelligenzaartificiale import dataset as dt
il_mio_dataset = dt.leggi_csv("file_name.csv")
nuovo_dataset = dt.rimuovi_colonna(il_mio_dataset, "colonna_da_eliminare")

colonne_inutili = ["colonna3", "colonna12" , "colonna33"]
nuovo_dataset = dt.rimuovi_colonne(il_mio_dataset, colonne_inutili)

Separare i vari tipi di dato

from intelligenzaartificiale import dataset as dt
il_mio_dataset = dt.leggi_csv("file_name.csv")
valori_numerici = dt.numerici(il_mio_dataset)
valori_categorici = dt.categorici(il_mio_dataset)
valori_booleani = dt.booleani(il_mio_dataset)

Eseguire semplici query sul dataset

from intelligenzaartificiale import dataset as dt

il_mio_dataset = dt.leggi_csv("file_name.csv")
acquisti_alti = dt.esegui_query(il_mio_dataset,il_mio_dataset["prezzo"]>1000)

Step 2 --- Modulo Statistica

Con questo modulo potrai fare statistiche, report e analisi sui tuoi dati

Valori Nulli o Corrotti

from intelligenzaartificiale import dataset as dt
from intelligenzaartificiale import statistica as st

il_mio_dataset = dt.leggi_csv("file_name.csv")
print(st.valori_nan(il_mio_dataset))
print(st.percentuale_nan(il_mio_dataset))
#nel modulo preprocessing vedremmo come eliminare o sostituire i valori null o corrotti

Statistiche di base

from intelligenzaartificiale import dataset as dt
from intelligenzaartificiale import statistica as st

il_mio_dataset = dt.leggi_csv("file_name.csv")

#statistiche su tutto il dataset
print(st.valori_nan(il_mio_dataset))

#statistiche su specifica colonna del dataset
print(st.statistiche_colonna(il_mio_dataset,"nome_colonna"))

#contare valori unici di una specifica colonna
print(st.conta_valori_unici(il_mio_dataset,"nome_colonna"))

Statistiche di base su colonna

from intelligenzaartificiale import dataset as dt
from intelligenzaartificiale import statistica as st

il_mio_dataset = dt.leggi_csv("file_name.csv")

#media
print(st.media(il_mio_dataset,"nome_colonna"))

#varianza
print(st.varianza(il_mio_dataset,"nome_colonna"))

#covarianza
print(st.covarianza(il_mio_dataset,"nome_colonna"))

#quantili
print(st.quantile_25(il_mio_dataset,"nome_colonna"))
print(st.quantile_50(il_mio_dataset,"nome_colonna"))
print(st.quantile_75(il_mio_dataset,"nome_colonna"))

#min e max
print(st.min(il_mio_dataset,"nome_colonna"))
print(st.max(il_mio_dataset,"nome_colonna"))

Analizzare le correlazioni

from intelligenzaartificiale import dataset as dt
from intelligenzaartificiale import statistica as st

il_mio_dataset = dt.leggi_csv("file_name.csv")

#Correlazione tra i campi del dataset
print(st.correlazione(il_mio_dataset))

#correlazione tra una colonna target e un altra colonna
print(st.correlazione_radio(il_mio_dataset, "colonna" ,"target_colonna"))

#correlazione di Spearman tra una colonna target e un altra colonna
print(st.correlazione_spearman(il_mio_dataset, "colonna" ,"target_colonna"))

#correlazione di Pearson tra una colonna target e un altra colonna
print(st.correlazione_pearson(il_mio_dataset, "colonna" ,"target_colonna"))

#classifica correlazione tra una colonna target e un altra colonna
print(st.classifica_correlazione_colonna(il_mio_dataset, "colonna" ,"target_colonna"))

Report Automatizzati

from intelligenzaartificiale import dataset as dt
from intelligenzaartificiale import statistica as st

il_mio_dataset = dt.leggi_csv("file_name.csv")

#Scarica report html
st.report_dataset(il_mio_dataset")
#Salverà nella corrente un report html

#apri il tuo dataset sul web
st.apri_dataframe_nel_browser(il_mio_dataset)
#Ti consigliamo viviamente di provare questa funzione sul tuo set di dati

Step 3 --- PreProcessing

Con questo modulo potrai pulire, manipolare, standardizzare e scalare i tuoi dati

Gestire Nulli o Corrotti

from intelligenzaartificiale import dataset as dt
from intelligenzaartificiale import preprocessing as pp

il_mio_dataset = dt.leggi_csv("file_name.csv")

#rimuovere righe con valori nulli o corrotti
il_mio_dataset = pp.rimuovi_nan(il_mio_dataset)

#sostituire valori nulli o corrotti con il valore medio
il_mio_dataset["colonna"] = pp.sostituisci_nan_media(il_mio_dataset,"colonna")

#sostituire valori nulli o corrotti con il valore più frequente
il_mio_dataset["colonna"] = pp.sostituisci_nan_frequenti(il_mio_dataset,"colonna")

#rimuovi una colonna se i valori mancanti sono più di un valore passato
il_mio_dataset = pp.rimuovi_colonna_se_nan(il_mio_dataset,"colonna",500)

Gestire gli outliers

from intelligenzaartificiale import dataset as dt
from intelligenzaartificiale import preprocessing as pp

il_mio_dataset = dt.leggi_csv("file_name.csv")

#Rimuovere i valori outlier
il_mio_dataset["colonna"] = pp.rimuovi_outliers(il_mio_dataset,"colonna")

#Rimuovere i valori outlier e valori nulli
il_mio_dataset["colonna"] = pp.rimuovi_outliers_nan(il_mio_dataset,"colonna")

Gestire variabili testuali e categoriche

from intelligenzaartificiale import dataset as dt
from intelligenzaartificiale import preprocessing as pp

il_mio_dataset = dt.leggi_csv("file_name.csv")

#effettuare il labelencoding
il_mio_dataset["nuova_colonna"] = pp.label_encoding(il_mio_dataset,"colonna")

#effettuare il labelencoding con sklearn
il_mio_dataset["nuova_colonna"] = pp.label_encoding_sklearn(il_mio_dataset,"colonna")

#effettuare il one hot encoding
il_mio_dataset["nuova_colonna"] = pp.onehot_encoding(il_mio_dataset,"colonna")

#per rimuovere la vecchia colonna
il_mio_dataset = dt.rimuovi_colonna(il_mio_dataset, "colonna")

Normalizzare i dati

from intelligenzaartificiale import dataset as dt
from intelligenzaartificiale import preprocessing as pp

il_mio_dataset = dt.leggi_csv("file_name.csv")

#normalizza intero datatset
dataset_normalizzato = pp.normalizza(il_mio_dataset,"colonna")

#normalizza una specifica colonna
il_mio_dataset["colonna"] = pp.normalizza_colonne(il_mio_dataset,"colonna")

#standardizza intero datatset
dataset_normalizzato = pp.standardizza(il_mio_dataset,"colonna")

#standardizza una specifica colonna
il_mio_dataset["colonna"] = pp.standardizza_colonne(il_mio_dataset,"colonna")

# dividi i dati in test e train
X_train, X_test, y_train, y_test = pp.dividi_train_test(il_mio_dataset, "target", testsize )

🚧 La libreria è ancora in fase di SVILUPPO 🚧

Licenza

MIT
© Copyright 2020-2022 Intelligenza Artificiale Italia!