没有项目描述
forecastcards的Python项目详细描述
[！[构建状态]（https://travis-ci.org/e-lo/forecastcards.svg？branch=master）（https://travis ci.org/e-lo/forecast cards）
预测卡是一种简单的数据规范，用于存储有关旅行预测的关键信息，以便：
-评估预测随时间变化的性能，
-分析预测系统和机构随时间变化的总体性能，以及确定为高绩效预测贡献因素。
系统
-预测，即在关注点预测项目将做什么，
-观察，即用于评估预测的数据点
每个"卡"都是基于文本的csv文件。
forecast cards python库用于验证和组织符合forecastcards数据模式的
数据，它由四个主要类组成：
1。cardset：一组符合forecastcards数据模式的预测数据项目。数据集：将卡片集转换为[熊猫]（https://pandas.pydata.org/）适合于估算目的的数据集
3。项目：验证单个项目（与cardset的许多功能相同）
4。架构：管理和验证数据架构
位置可以是
-描述github位置的字典，
-本地目录，或
-github网址。
gh-project={'username'：'e-lo'，
'repository'：'forecastcards'，
'branch'：'master'，
'subdir'：'examples/ecdot-rx123-ybr_hov'}
ect的位置可以是
-描述github位置的字典，也可以是
-本地目录
gh-u data={'username'：'e-lo'，
'repository'：'forecastcards'，
'branch'：'master'，
'subdir'：'examples'}
cardset walks th th浏览目录，查找项目，并根据正确的架构验证它们。
选择'u projects=['lu123']）
````
**数据集**
创建适合估计分位数回归的数据集。
`` python
r/>"subdir"："examples"}
cardset=forecastcards.cardset（data_loc=gh_data）
dataset=forecastcards.dataset（card_locs_by_type=cardset.card_locs_by_type，
file_to_project_id=cardset.file_to_project_id）
rame
dataset.df
```
[实体关系图]（spec/en/forecast-cards-erd.png？raw=true"预测卡架构实体关系图"）
！[数据关系概述]（spec/en/forecast-cards-rg.png？RAW ="预测卡数据关系"（
< BR/>预测卡）与[开放知识基金会]（[无摩擦数据] ]（HTTP://FrutsRealDATA.IO）[表模式]（HTTPS://Github. COM/SouthSouthDATA/SPECs/Buff/Mask/Stss/Table Schema，MD）规范。使用[colaboratory]从您的Web浏览器获取的数据架构（https://colab.research.google.com）：
[！[在COLAB中打开]（https://colab.research.google.com/assets/colab badge.svg）]（https://colab.research.google.com/github/e-lo/forecastcards/blob/master/forecastcards/notebooks/explore_data_schemas.ipynb）
Erald City Dot对黄砖路的HOV扩展，包含在"ForecastCards/Examples/EmeraldCityDot-RX123-YellowBrickroadhov"中
此示例可与此目录的"笔记本"文件夹一起分析和运行，并可使用[Binder]或[Col]运行。中止（https://colab.research.google.com）。
[！[在COLAB中打开]（https://colab.research.google.com/assets/colab badge.svg）（https://colab.research.google.com/github/e-lo/forecastcards/blob/master/forecastcards/notebooks/estimate_quantiles.ipynb）
表格有效性状态：[！[goodtables.io]（https://goodtables.io/badge/github/e-lo/forecast cards.svg）]（https://goodtables.io/github/e-lo/forecastcards）
以及文件夹结构：
b观察/
——观察结果-<；日期>；.csv
——预测/
——预测-<；方案ID>；-<；方案年份>；-<；预测创建>；-<；预测ID>；.csv
我如何开始自己的工作？
1.通过检查架构，确保您拥有所需的数据。
2。创建或格式化数据作为预测卡
-将数据输入浏览器并下载：[！[在Colab中打开]（https://colab.research.google.com/assets/colab badge.svg）]（https://colab.research.google.com/github/e-lo/forecast cards/blob/master/forecastcards/notebooks/create\u forecastcards.ipynb）
-使用[csv模板]（https://github.com/e-lo/forecastcards/tree/master/forecastcards/template/）并使用文本浏览器或电子表格应用程序输入数据
-使用[helper scripts on the way]转换现有数据（https://github.com/e-lo/forecastcards/issues/1）*
3。使用本地或托管远程服务器（即colaboratory）上的模板笔记本来清理数据和估计分位数回归。
在虚拟环境中（即[conda]（https://conda.io/docs/）。
\，可以使用pip从本地克隆目录克隆此git存储库安装
：
`pip install--upgrade.`
日期。您可以使用以下命令覆盖默认编译器来成功安装它：
`cflags='-stdlib=libc++'pip-in暂停cchardet`
[在COLAB中打开]（https://colab.research.google.com/assets/colab badge.svg）]（https://colab.research.google.com/github/e-lo/forecast cards/blob/master/forecastcards/notebooks/create\u forecastcards.ipynb）
将文件夹从"forecastcards"包中的"template"文件夹复制到用于保存所有项目forecastcards的文件夹中。
2。根据模式重命名项目文件夹，注意不要复制分析范围内的任何项目id（通常是[ForecastCardData Store]的代理（https://github.com/e-lo/ForecastCardData））。
3。在确定或创建特定poi时，添加观测值、poi、预测运行和预测。
4。通过运行"validate_project.py"<；project_directory>；`确认新项目中的数据符合数据架构，或通过从该目录运行"validate_cardset.py"或"validate_project.py"<；cardset_directory>；`
ng project
在本地使用创建预测卡笔记本，或[！[在colab中打开]（https://colab.research.google.com/assets/colab badge.svg）]（https://colab.research.google.com/github/e-lo/forecast cards/blob/master/forecastcards/notebooks/create\u forecastcards.ipynb）
添加一个新的预测csv文件，其中包含关注点
2的相关数据。在scenario csv文件中添加有关模型运行的条目
3。在poi csv文件中添加任何其他感兴趣的点
4。通过运行"validate_project.py"<；project_directory>；`确认项目中的新数据符合数据架构，或通过从该目录运行"validate_cardset.py"或"validate_project.py"<；cardset_directory>；`
ng project
在本地使用创建预测卡笔记本，或[！[在Colab中打开]（https://colab.research.google.com/assets/colab badge.svg）]（https://colab.research.google.com/github/e-lo/forecast cards/blob/master/forecastcards/notebooks/create\u forecastcards.ipynb）
添加新的观察值csv
2。通过运行"validate_project.py<；project_directory>；"来确认项目中的新数据符合数据架构，或者通过从该目录运行"validate_cardset.py"或"validate_project.py<；cardset_directory>；"`
我在[！[估算分位数.ipynb笔记本]（https://colab.research.google.com/assets/colab badge.svg）（https://colab.research.google.com/github/e-lo/forecastcards/blob/master/forecastcards/notebooks/estimate\quantiles.ipynb）
1.选择要使用的卡
2。清洁和合并卡
3。创建任何其他类别变量
4。执行回归
使预测卡公开可用
有三种可能的选项可用于使数据可用：
1。github（不适合非常大的数据集）
2.amazon s3/microsoft azure/google cloud（即将推出功能）
3.其他代理托管的Web服务（即Socrata、Web服务器等）
提交[Pull请求到ForecastCardsData存储库]（https://github.com/e-lo/ForecastCardsData/Pulls）
2。提交[问题]（https://github.com/e-lo/forecastcardsdata/issues）并链接到数据的位置以及在存储库中托管它的权限。
3。将公共数据存储设置为镜像。
获取帮助
请[提交问题！]（https://github.com/e-lo/forecastcards/issues）
预测卡是一种简单的数据规范，用于存储有关旅行预测的关键信息，以便：
-评估预测随时间变化的性能，
-分析预测系统和机构随时间变化的总体性能，以及确定为高绩效预测贡献因素。
系统
-预测，即在关注点预测项目将做什么，
-观察，即用于评估预测的数据点
每个"卡"都是基于文本的csv文件。
forecast cards python库用于验证和组织符合forecastcards数据模式的
数据，它由四个主要类组成：
1。cardset：一组符合forecastcards数据模式的预测数据项目。数据集：将卡片集转换为[熊猫]（https://pandas.pydata.org/）适合于估算目的的数据集
3。项目：验证单个项目（与cardset的许多功能相同）
4。架构：管理和验证数据架构
位置可以是
-描述github位置的字典，
-本地目录，或
-github网址。
gh-project={'username'：'e-lo'，
'repository'：'forecastcards'，
'branch'：'master'，
'subdir'：'examples/ecdot-rx123-ybr_hov'}
ect的位置可以是
-描述github位置的字典，也可以是
-本地目录
gh-u data={'username'：'e-lo'，
'repository'：'forecastcards'，
'branch'：'master'，
'subdir'：'examples'}
cardset walks th th浏览目录，查找项目，并根据正确的架构验证它们。
选择'u projects=['lu123']）
````
**数据集**
创建适合估计分位数回归的数据集。
`` python
r/>"subdir"："examples"}
cardset=forecastcards.cardset（data_loc=gh_data）
dataset=forecastcards.dataset（card_locs_by_type=cardset.card_locs_by_type，
file_to_project_id=cardset.file_to_project_id）
rame
dataset.df
```
[实体关系图]（spec/en/forecast-cards-erd.png？raw=true"预测卡架构实体关系图"）
！[数据关系概述]（spec/en/forecast-cards-rg.png？RAW ="预测卡数据关系"（
< BR/>预测卡）与[开放知识基金会]（[无摩擦数据] ]（HTTP://FrutsRealDATA.IO）[表模式]（HTTPS://Github. COM/SouthSouthDATA/SPECs/Buff/Mask/Stss/Table Schema，MD）规范。使用[colaboratory]从您的Web浏览器获取的数据架构（https://colab.research.google.com）：
[！[在COLAB中打开]（https://colab.research.google.com/assets/colab badge.svg）]（https://colab.research.google.com/github/e-lo/forecastcards/blob/master/forecastcards/notebooks/explore_data_schemas.ipynb）
Erald City Dot对黄砖路的HOV扩展，包含在"ForecastCards/Examples/EmeraldCityDot-RX123-YellowBrickroadhov"中
此示例可与此目录的"笔记本"文件夹一起分析和运行，并可使用[Binder]或[Col]运行。中止（https://colab.research.google.com）。
[！[在COLAB中打开]（https://colab.research.google.com/assets/colab badge.svg）（https://colab.research.google.com/github/e-lo/forecastcards/blob/master/forecastcards/notebooks/estimate_quantiles.ipynb）
表格有效性状态：[！[goodtables.io]（https://goodtables.io/badge/github/e-lo/forecast cards.svg）]（https://goodtables.io/github/e-lo/forecastcards）
以及文件夹结构：
b观察/
——观察结果-<；日期>；.csv
——预测/
——预测-<；方案ID>；-<；方案年份>；-<；预测创建>；-<；预测ID>；.csv
我如何开始自己的工作？
1.通过检查架构，确保您拥有所需的数据。
2。创建或格式化数据作为预测卡
-将数据输入浏览器并下载：[！[在Colab中打开]（https://colab.research.google.com/assets/colab badge.svg）]（https://colab.research.google.com/github/e-lo/forecast cards/blob/master/forecastcards/notebooks/create\u forecastcards.ipynb）
-使用[csv模板]（https://github.com/e-lo/forecastcards/tree/master/forecastcards/template/）并使用文本浏览器或电子表格应用程序输入数据
-使用[helper scripts on the way]转换现有数据（https://github.com/e-lo/forecastcards/issues/1）*
3。使用本地或托管远程服务器（即colaboratory）上的模板笔记本来清理数据和估计分位数回归。
在虚拟环境中（即[conda]（https://conda.io/docs/）。
\，可以使用pip从本地克隆目录克隆此git存储库安装
：
`pip install--upgrade.`
日期。您可以使用以下命令覆盖默认编译器来成功安装它：
`cflags='-stdlib=libc++'pip-in暂停cchardet`
[在COLAB中打开]（https://colab.research.google.com/assets/colab badge.svg）]（https://colab.research.google.com/github/e-lo/forecast cards/blob/master/forecastcards/notebooks/create\u forecastcards.ipynb）
将文件夹从"forecastcards"包中的"template"文件夹复制到用于保存所有项目forecastcards的文件夹中。
2。根据模式重命名项目文件夹，注意不要复制分析范围内的任何项目id（通常是[ForecastCardData Store]的代理（https://github.com/e-lo/ForecastCardData））。
3。在确定或创建特定poi时，添加观测值、poi、预测运行和预测。
4。通过运行"validate_project.py"<；project_directory>；`确认新项目中的数据符合数据架构，或通过从该目录运行"validate_cardset.py"或"validate_project.py"<；cardset_directory>；`
ng project
在本地使用创建预测卡笔记本，或[！[在colab中打开]（https://colab.research.google.com/assets/colab badge.svg）]（https://colab.research.google.com/github/e-lo/forecast cards/blob/master/forecastcards/notebooks/create\u forecastcards.ipynb）
添加一个新的预测csv文件，其中包含关注点
2的相关数据。在scenario csv文件中添加有关模型运行的条目
3。在poi csv文件中添加任何其他感兴趣的点
4。通过运行"validate_project.py"<；project_directory>；`确认项目中的新数据符合数据架构，或通过从该目录运行"validate_cardset.py"或"validate_project.py"<；cardset_directory>；`
ng project
在本地使用创建预测卡笔记本，或[！[在Colab中打开]（https://colab.research.google.com/assets/colab badge.svg）]（https://colab.research.google.com/github/e-lo/forecast cards/blob/master/forecastcards/notebooks/create\u forecastcards.ipynb）
添加新的观察值csv
2。通过运行"validate_project.py<；project_directory>；"来确认项目中的新数据符合数据架构，或者通过从该目录运行"validate_cardset.py"或"validate_project.py<；cardset_directory>；"`
我在[！[估算分位数.ipynb笔记本]（https://colab.research.google.com/assets/colab badge.svg）（https://colab.research.google.com/github/e-lo/forecastcards/blob/master/forecastcards/notebooks/estimate\quantiles.ipynb）
1.选择要使用的卡
2。清洁和合并卡
3。创建任何其他类别变量
4。执行回归
使预测卡公开可用
有三种可能的选项可用于使数据可用：
1。github（不适合非常大的数据集）
2.amazon s3/microsoft azure/google cloud（即将推出功能）
3.其他代理托管的Web服务（即Socrata、Web服务器等）
提交[Pull请求到ForecastCardsData存储库]（https://github.com/e-lo/ForecastCardsData/Pulls）
2。提交[问题]（https://github.com/e-lo/forecastcardsdata/issues）并链接到数据的位置以及在存储库中托管它的权限。
3。将公共数据存储设置为镜像。
获取帮助
请[提交问题！]（https://github.com/e-lo/forecastcards/issues）
欢迎加入QQ群-->： 979659372
