Python monkeylearn包_程序模块 - PyPI

monkeylearapi的官方python客户端

monkeylearn的Python项目详细描述

用于python的monkeylearn api

MonkeyLearn API的官方Python客户端。从您的python应用程序构建并运行用于语言处理的机器学习模型。

安装

您可以使用pip安装库：

$ pip install monkeylearn

或者，您可以克隆存储库并运行setup.py脚本：

$ python setup.py install

用法

在向api发出请求之前，需要创建monkeylearn客户机的实例。您必须使用您的帐户api键：

frommonkeylearnimportMonkeyLearn# Instantiate the client Using your API keyml=MonkeyLearn('<YOUR API TOKEN HERE>')

请求

从monkeylern客户机实例中，您可以调用任何端点（检查下面的可用端点）。例如，您可以使用公共的情感分析分类器对文本列表进行分类。

response=ml.classifiers.classify(model_id='cl_Jx8qzYJh',data=['Great hotel with excellent location','This is the worst hotel ever.'])

响应

每个端点调用返回的响应对象是一个monkeylearnResponse对象。body属性具有来自api的解析响应：

print(response.body)# =>  [# =>      {# =>          'text': 'Great hotel with excellent location',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Positive',# =>                  'tag_id': 1994,# =>                  'confidence': 0.922,# =>              }# =>          ]# =>      },# =>      {# =>          'text': 'This is the worst hotel ever.',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Negative',# =>                  'tag_id': 1941,# =>                  'confidence': 0.911,# =>              }# =>          ]# =>      }# =>  ]

您还可以访问response对象中的其他属性，以获取有关已使用或可用查询的信息：

print(response.plan_queries_allowed)# =>  300print(response.plan_queries_remaining)# =>  240print(response.request_queries_used)# =>  2

错误

端点调用可能引发异常。下面是一个如何处理它们的示例：

frommonkeylearn.exceptionsimportPlanQueryLimitError,MonkeyLearnExceptiontry:response=ml.classifiers.classify('[MODEL_ID]',data=['My text'])exceptPlanQueryLimitErrorase:# No monthly queries left# e.response contains the MonkeyLearnResponse objectprint(e.error_code,e.detail)exceptMonkeyLearnException:raise

可用例外：

<表><广告>类说明 < /广告><正文>monkeylearnexception下面每个例外的基类。请求参数错误发送的参数无效。有关详细信息，请检查异常消息或响应对象。身份验证错误身份验证失败，通常是因为提供了无效的令牌。检查异常消息。有关认证的详细信息 禁止错误您没有对给定资源执行操作的权限。型号限制错误您已达到计划的自定义型号限制。未找到型号模型不存在。检查型号ID标记未找到标记不存在。检查标记id参数。planqueryliemiterror您已达到计划的每月查询限制。考虑升级你的计划。有关计划查询限制的详细信息平面速率限制错误你在最后一分钟发送了太多请求。检查异常详细信息。有关计划费率限制的更多信息concurrencyRateLimitorRor您在最后一秒钟内发送了太多请求。检查异常详细信息。有关并发率限制的更多信息模型状态错误模型的状态无效。检查异常详细信息。

自动批处理

classify和extract端点可能需要向MonkeyLearn API发出多个请求，以便处理数据中的每个文本。如果auto_batch参数为true（这是默认值），则不必将数据的长度保持在最大允许值（200）以下。你可以把所有的信息都传过去t和库将处理批处理并提出必要的请求。如果retry\u if\u throttled参数为true（这是默认值），则如果API限制了请求，它也将等待并重试。

假设您发送一个包含300个文本的数据参数，并且启用了自动批处理。该列表将在内部进行拆分，两个请求将分别发送给Monkeylearn 200和100条文本。如果所有请求都以200状态代码响应，则响应将被追加，您将在monkeylearnresponse.body属性中获得300个分类

data=['Text to classify']*300response=ml.classifiers.classify('[MODEL_ID]',data)assertlen(response.body)==300# => True

现在，假设您在尝试上一个示例时只剩下200个查询，则第二个内部请求将失败，因为您在第一批之后不会留下查询，并且会引发planQueryMimiterror异常。前200个（成功）分类将位于异常对象中。但是，如果不使用except子句管理此异常，则前200个成功的分类将丢失。你应该如何处理这个案子：

frommonkeylearn.exceptionsimportPlanQueryLimitErrordata=['Text to classify']*300batch_size=200try:response=ml.classifiers.classify('[MODEL_ID]',data,batch_size=batch_size)exceptPlanQueryLimitErrorase:partial_predictions=e.response.body# The body of the successful responsesnon_2xx_raw_responses=r.response.failed_raw_responses# List of requests responses objectselse:predictions=response.body

这很方便，通常应该足够了。如果您需要更大的灵活性，您可以自行管理批处理和速率限制。

$ pip install monkeylearn

0
这样，您就可以控制发送到MonkeyLearn API的每个请求。
可用端点
这些都是api的端点。有关每个端点的更多信息，请查看api文档
分类器
分类
$ pip install monkeylearn
1
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str分类器ID。它总是以'cl'开头，例如，'cl_ojnmkt2v'数据列表[str或dict]要分类的多达200个数据元素的列表。每个元素必须是带文本的字符串，或者是带必需的文本键和文本作为值的dict。您可以提供一个可选的外部id键和一个包含在响应中的字符串。生产型号bool指示分类是否由生产模型执行。仅对自定义模型使用此参数（对公共模型不使用）。请注意，您首先需要从ui模型设置或通过使用分类器部署端点将模型部署到生产环境中。
批量大小int每个请求将发送给MonkeyLearn的最大文本数。从1到200的数字。自动批处理
bool将数据列表拆分为较小的有效列表，将每个列表以单独的请求发送到monkeylern，并合并响应。如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
$ pip install monkeylearn
2
< BR>分类器详细信息
$ pip install monkeylearn
3
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str分类器ID。它总是以'cl'开头，例如，'cl_ojnmkt2v'如果节流，请重试bool如果请求是imits" rel="nofollow">节流，休眠并重试请求。示例：
$ pip install monkeylearn
4
< BR>创建分类器
$ pip install monkeylearn
5
参数：<表><广告>参数
键入说明
< /广告><正文>名称str型号名称。说明str模型的描述。算法str培训模型时使用的算法。它可以是"nb"或"svm"。语言str模型的语言。支持的语言的完整列表最大功能int培训模型时使用的最大功能数。介于10到100000之间。NGRAM范围元组（int，int）指示在训练模型时使用的n-gram range。介于1和3之间的两个数字的列表。它们表示所用n克的最小和最大n。使用"词干处理"bool指示在培训模型时是否使用词干分析。预处理编号bool指示在训练模型时是否进行数字预处理。预处理社交媒体
bool指示在培训模型时是否对社交媒体进行预处理。规格化权重bool指示在训练模型时是否将权重标准化。停止语bool或list培训模型时使用的停用词列表。使用false表示无停止字，使用true表示默认停止字，或使用字符串列表表示自定义停止字。白名单列表培训模型时使用的单词的白名单。如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
$ pip install monkeylearn
6
< BR>编辑分类器
$ pip install monkeylearn
7
参数：<表><广告>参数
键入说明< /广告><正文>型号
str分类器ID。它总是以'cl'开头，例如，'cl_ojnmkt2v'名称str型号名称。说明str模型的描述。算法str培训模型时使用的算法。它可以是"nb"或"svm"。语言str模型的语言。支持的语言的完整列表最大功能int培训模型时使用的最大功能数。介于10到100000之间。NGRAM范围元组（int，int）指示在训练模型时使用的n-gram range。介于1和3之间的两个数字的列表。它们表示所用n克的最小和最大n。使用"词干处理"bool指示在培训模型时是否使用词干分析。预处理编号bool指示在训练模型时是否进行数字预处理。预处理社交媒体
bool指示在培训模型时是否对社交媒体进行预处理。规格化权重bool指示在训练模型时是否将权重标准化。停止语bool或list培训模型时使用的停用词列表。使用false表示无停止字，使用true表示默认停止字，或使用字符串列表表示自定义停止字。白名单列表培训模型时使用的单词的白名单。如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
$ pip install monkeylearn
8
< BR>删除分类器
$ pip install monkeylearn
9
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str分类器ID。它总是以'cl'，例如，'cl_ojnmkt2v'如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
$ python setup.py install
0
< BR>列出分类器
$ python setup.py install
1
参数：<表><广告>参数
键入说明
< /广告><正文>第页int指定要获取的页面。每页int指定每页将返回多少项。按字符串或列表指定排序条件。它可以是单个条件排序的字符串，也可以是多个条件排序的字符串列表。每个字符串都必须是有效的字段名；如果希望字段的逆/降序排列在-（短划线）字符之前。一些有效的例子是：'is_public'，'-name'或['-is_public'，name']如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
$ python setup.py install
2
< BR>部署
$ python setup.py install
3
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str分类器ID。它总是以'cl'开头，例如，'cl_ojnmkt2v'如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
$ python setup.py install
4
< BR>列车
$ python setup.py install
5
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str分类器ID。它总是以'cl'开头，例如，'cl_ojnmkt2v'如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
$ python setup.py install
6
< BR>标记详细信息
$ python setup.py install
7
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str分类器ID。它总是以'cl'开头，例如，'cl_ojnmkt2v'标签IDint标签ID.如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
$ python setup.py install
8
< BR>创建标记
$ python setup.py install
9
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str分类器ID。它总是以'cl'开头，例如，'cl_ojnmkt2v'名称str。新标签的名称。父项idint已弃用（仅适用于v2型号）。父标记的ID。如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
frommonkeylearnimportMonkeyLearn# Instantiate the client Using your API keyml=MonkeyLearn('<YOUR API TOKEN HERE>')0
< BR>编辑标记
frommonkeylearnimportMonkeyLearn# Instantiate the client Using your API keyml=MonkeyLearn('<YOUR API TOKEN HERE>')1
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str分类器ID。它总是以'cl'开头，例如，'cl_ojnmkt2v'标签IDint标签ID.名称str标签的新名称。父项idint已弃用（仅适用于v2型号）。新的父标记ID。如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
frommonkeylearnimportMonkeyLearn# Instantiate the client Using your API keyml=MonkeyLearn('<YOUR API TOKEN HERE>')2
< BR>删除标记
frommonkeylearnimportMonkeyLearn# Instantiate the client Using your API keyml=MonkeyLearn('<YOUR API TOKEN HERE>')3
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str分类器ID。它总是以'cl'开头，例如，'cl_ojnmkt2v'标签IDint标签ID.将数据移动到int一个可选的标记ID。如果提供了，与要删除的标记关联的培训数据将在删除之前移动到指定的标记。如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
frommonkeylearnimportMonkeyLearn# Instantiate the client Using your API keyml=MonkeyLearn('<YOUR API TOKEN HERE>')4
< BR>上传数据
frommonkeylearnimportMonkeyLearn# Instantiate the client Using your API keyml=MonkeyLearn('<YOUR API TOKEN HERE>')5
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str分类器ID。它总是以'cl'开头，例如，'cl_ojnmkt2v'数据列表[dict]带有下面描述的按键的听写列表。输入重复策略
str指示如何处理此请求中的重复文本。必须是merge、keep_first或keep_last现有的重复策略str指示如何处理模型中已存在的此请求的文本。必须是覆盖或忽略如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。数据听写键：<表><广告><>键说明
< /广告><正文>文本要上载的文本的a字符串。标签一个标签的列表可以通过其数字标识或其名称引用。当创建文本时，它将使用列表中的每个标记进行标记（如果它在E模型）。否则，它的标签将更新为新的。如果新标签不存在，则会创建新标签。标记一个可选的字符串列表。每一个表示一个将与文本关联的标记。如果不存在新标记，则会创建新标记。示例：
frommonkeylearnimportMonkeyLearn# Instantiate the client Using your API keyml=MonkeyLearn('<YOUR API TOKEN HERE>')6
< BR>提取器
提取
frommonkeylearnimportMonkeyLearn# Instantiate the client Using your API keyml=MonkeyLearn('<YOUR API TOKEN HERE>')7
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str提取器ID。它总是以'ex'开头，例如，'ex_ojnmkt2v'数据列表[str或dict]要从中提取的最多200个数据元素的列表。每个元素必须是带文本的字符串，或者是带必需的文本键和文本作为值的dict。您还可以提供一个可选的外部id键和一个将包含在响应中的字符串。生产型号bool指示提取是否由生产模型执行。仅对自定义模型使用此参数（对公共模型不使用）。请注意，您首先需要从UI模型设置将模型部署到生产环境。批量大小int每个请求将发送给MonkeyLearn的最大文本数。从1到200的数字。如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
frommonkeylearnimportMonkeyLearn# Instantiate the client Using your API keyml=MonkeyLearn('<YOUR API TOKEN HERE>')8
< BR>抽壳机详图
frommonkeylearnimportMonkeyLearn# Instantiate the client Using your API keyml=MonkeyLearn('<YOUR API TOKEN HERE>')9
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str提取器ID。它总是以'ex'开头，例如，'ex_ojnmkt2v'如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
response=ml.classifiers.classify(model_id='cl_Jx8qzYJh',data=['Great hotel with excellent location','This is the worst hotel ever.'])0
< BR>列出提取器
response=ml.classifiers.classify(model_id='cl_Jx8qzYJh',data=['Great hotel with excellent location','This is the worst hotel ever.'])1
参数：<表><广告>参数
键入说明
< /广告><正文>第页int指定要获取的页面。每页int指定每页将返回多少项。按字符串或列表指定排序条件。它可以是单个条件排序的字符串，也可以是多个条件排序的字符串列表。每个字符串都必须是有效的字段名；如果希望字段的逆/降序排列在-（短划线）字符之前。一些有效的例子是：'is_public'，'-name'或['-is_public'，name']如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
response=ml.classifiers.classify(model_id='cl_Jx8qzYJh',data=['Great hotel with excellent location','This is the worst hotel ever.'])2
工作流程
工作流详细信息
response=ml.classifiers.classify(model_id='cl_Jx8qzYJh',data=['Great hotel with excellent location','This is the worst hotel ever.'])3
参数：<表><广告>参数
键入说明< /广告><正文>型号
str工作流程ID。它总是以'wf'开头，例如，'wf懔ojnmkt2v'步骤idint步骤ID.如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
response=ml.classifiers.classify(model_id='cl_Jx8qzYJh',data=['Great hotel with excellent location','This is the worst hotel ever.'])4
< BR>创建工作流
response=ml.classifiers.classify(model_id='cl_Jx8qzYJh',data=['Great hotel with excellent location','This is the worst hotel ever.'])5
参数：<表><广告>参数
键入说明
< /广告><正文>名称str型号名称。数据库名称str存储数据的数据库的名称。该名称不能已被其他数据库使用。步骤列表[dict]步骤指令列表。说明str模型的描述。webhook网址str触发操作时将调用的URL。自定义字段[]自定义字段指令的列表，表示随输入数据一起提供并将被保存的用户定义字段。它不包括必需的文本字段。来源{}表示工作流数据源的对象。示例：
response=ml.classifiers.classify(model_id='cl_Jx8qzYJh',data=['Great hotel with excellent location','This is the worst hotel ever.'])6
< BR>
删除工作流
response=ml.classifiers.classify(model_id='cl_Jx8qzYJh',data=['Great hotel with excellent location','This is the worst hotel ever.'])7
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str工作流程ID。它总是以'wf'开头，例如，'wf懔ojnmkt2v'如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
response=ml.classifiers.classify(model_id='cl_Jx8qzYJh',data=['Great hotel with excellent location','This is the worst hotel ever.'])8
< BR>步骤详细信息
response=ml.classifiers.classify(model_id='cl_Jx8qzYJh',data=['Great hotel with excellent location','This is the worst hotel ever.'])9
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str工作流程ID。它总是以'wf'开头，例如，'wf懔ojnmkt2v'步骤idint步骤ID.如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
print(response.body)# =>  [# =>      {# =>          'text': 'Great hotel with excellent location',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Positive',# =>                  'tag_id': 1994,# =>                  'confidence': 0.922,# =>              }# =>          ]# =>      },# =>      {# =>          'text': 'This is the worst hotel ever.',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Negative',# =>                  'tag_id': 1941,# =>                  'confidence': 0.911,# =>              }# =>          ]# =>      }# =>  ]0
< BR>创建步骤
print(response.body)# =>  [# =>      {# =>          'text': 'Great hotel with excellent location',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Positive',# =>                  'tag_id': 1994,# =>                  'confidence': 0.922,# =>              }# =>          ]# =>      },# =>      {# =>          'text': 'This is the worst hotel ever.',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Negative',# =>                  'tag_id': 1941,# =>                  'confidence': 0.911,# =>              }# =>          ]# =>      }# =>  ]1
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str工作流程ID。它总是以'wf'开头，例如，'wf懔ojnmkt2v'名称str新步骤的名称。step_model_idstr将在此步骤中运行的MonkeyLearn模型的ID。必须是现有的分类器或提取器。输入str在此步骤中使用的输入文本来自何处。它可以是O的名字f步骤或输入数据（默认），这意味着输入将是原始文本。条件
列表[dict]指示是否应执行此步骤的条件指令列表。要执行步骤，列表中的所有条件都必须为true。如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
print(response.body)# =>  [# =>      {# =>          'text': 'Great hotel with excellent location',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Positive',# =>                  'tag_id': 1994,# =>                  'confidence': 0.922,# =>              }# =>          ]# =>      },# =>      {# =>          'text': 'This is the worst hotel ever.',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Negative',# =>                  'tag_id': 1941,# =>                  'confidence': 0.911,# =>              }# =>          ]# =>      }# =>  ]2
< BR>删除步骤
print(response.body)# =>  [# =>      {# =>          'text': 'Great hotel with excellent location',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Positive',# =>                  'tag_id': 1994,# =>                  'confidence': 0.922,# =>              }# =>          ]# =>      },# =>      {# =>          'text': 'This is the worst hotel ever.',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Negative',# =>                  'tag_id': 1941,# =>                  'confidence': 0.911,# =>              }# =>          ]# =>      }# =>  ]3
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str工作流程ID。它总是以'wf'开头，例如，'wf懔ojnmkt2v'步骤idint步骤ID.如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
print(response.body)# =>  [# =>      {# =>          'text': 'Great hotel with excellent location',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Positive',# =>                  'tag_id': 1994,# =>                  'confidence': 0.922,# =>              }# =>          ]# =>      },# =>      {# =>          'text': 'This is the worst hotel ever.',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Negative',# =>                  'tag_id': 1941,# =>                  'confidence': 0.911,# =>              }# =>          ]# =>      }# =>  ]4
< BR>上传工作流数据
print(response.body)# =>  [# =>      {# =>          'text': 'Great hotel with excellent location',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Positive',# =>                  'tag_id': 1994,# =>                  'confidence': 0.922,# =>              }# =>          ]# =>      },# =>      {# =>          'text': 'This is the worst hotel ever.',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Negative',# =>                  'tag_id': 1941,# =>                  'confidence': 0.911,# =>              }# =>          ]# =>      }# =>  ]5
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str工作流程ID。它总是以'wf'开头，例如，'wf懔ojnmkt2v'数据列表[dict]带有下面描述的按键的听写列表。如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。数据听写键：<表><广告><>键说明
< /广告><正文>文本要上载的文本的a字符串。[自定义字段名]此文本的自定义字段的值。值的类型必须是创建字段时指定的类型。示例：
print(response.body)# =>  [# =>      {# =>          'text': 'Great hotel with excellent location',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Positive',# =>                  'tag_id': 1994,# =>                  'confidence': 0.922,# =>              }# =>          ]# =>      },# =>      {# =>          'text': 'This is the worst hotel ever.',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Negative',# =>                  'tag_id': 1941,# =>                  'confidence': 0.911,# =>              }# =>          ]# =>      }# =>  ]6
< BR>列出工作流数据
print(response.body)# =>  [# =>      {# =>          'text': 'Great hotel with excellent location',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Positive',# =>                  'tag_id': 1994,# =>                  'confidence': 0.922,# =>              }# =>          ]# =>      },# =>      {# =>          'text': 'This is the worst hotel ever.',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Negative',# =>                  'tag_id': 1941,# =>                  'confidence': 0.911,# =>              }# =>          ]# =>      }# =>  ]7
参数：<表><广告>参数
键入说明
< /广告><正文>第页int要检索的页码。每页int页面应具有的最大项目数。最大允许值为50批次标识int要检索的批的ID。如果未指定，则显示所有批次的数据。是否已处理bool是否返回已处理的数据或尚未处理的数据。如果未指定，则两者都将显示为模糊。从发送到处理日期
strISO格式的日期指定要检索的数据中最早的发送日期。发送至处理日期
strISO格式的日期指定要检索的数据的最新发送日期。示例：
print(response.body)# =>  [# =>      {# =>          'text': 'Great hotel with excellent location',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Positive',# =>                  'tag_id': 1994,# =>                  'confidence': 0.922,# =>              }# =>          ]# =>      },# =>      {# =>          'text': 'This is the worst hotel ever.',# =>          'external_id': null,# =>          'error': false,# =>          'classifications': [# =>              {# =>                  'tag_name': 'Negative',# =>                  'tag_id': 1941,# =>                  'confidence': 0.911,# =>              }# =>          ]# =>      }# =>  ]8
< BR>
创建自定义字段
αααα59
参数：<表><广告>参数
键入说明
< /广告><正文>型号
str工作流程ID。它总是以'wf'开头，例如，'wf懔ojnmkt2v'名称str新自定义字段的名称。数据类型str字段的数据类型。它必须是字符串，日期，文本，整数，浮点，布尔如果节流，请重试bool如果请求受到限制，请休眠并重试该请求。示例：
print(response.plan_queries_allowed)# =>  300print(response.plan_queries_remaining)# =>  240print(response.request_queries_used)# =>  20

                                标签：
模型
id
客户端
参数
官方
tag
hotel
bool
欢迎加入QQ群-->： 979659372
                                    
推荐PyPI第三方库
expressive-regex
未提供项目说明
fingertip
使用Python控制vm、容器和其他机器，利用实时快照
colasan
显示可乐名称Jaaa
psequant
访问和分析菲律宾股票数据的最简单方法
pylops-gpu
gpu上线性算子的PyLops扩展。
tkpick
使用光标获取像素颜色
aws-cdk.aws-resourcegroups
AWS:：ResourceGroups的CDK构造库
businesslen
计算两个日期时间之间的工作日/小时
classify-ifchange
nlu分类服务工具
pysgpp
稀疏网格工具包SG++SG++是稀疏网格数值算法的集合。它包含插值、求积、数据挖掘（回归、分类、聚类）、优化、偏微分方程等模块。SG++实现了空间自适应网格的算法，并为组合技术提供了一个模块。许多实现的算法也可以作为高性能版本提供，通常比标准实现快几个数量级。
rl-plotter
强化学习绘图机（RL）
cis-DjangoSignUp
一个简单的Django应用程序来进行基于网络的民意测验。
icgc-survival
ICGC数据集生存预测与分析框架
specrend
将光谱图像转换为RGB表示的工具。
mel
机器学习工具包

导 航 栏

                                            项目 描述
                                        

                                            版本历史
                                        

                                                下载文件
                                            
项目 链接
首页
                                    
标 签
许可证: BSD许可证（BSD 3条款）
作者信息:: 暂无
                                
                            
维护者

                                  gmordecki
                                
                                  gonz
                                
                                  brusteca
                                
最新PyPI项目
italian_vip_says
UFx
vofs
fake_item_generator
NerEva
django-monologue
fio_product_attribute_strict
climailsystem
pyshape
tbb-devel
npy-append-arra
anthill.tal.macrorenderer
odoo11-addon-stock-a
uuuu
contextil
fyl_nester
appomatic_renderable
teacher
chuletas
slackbot_ce
最新Python常见问题
如何导入模块？
如何导入模块（如果以前导入，则重新加载）
如何导入模块/函数以及如何知道哪些关键字可以传递给内置函数
如何导入模块kicost并传递参数
如何导入模块python
如何导入模块uno？
如何导入模块中定义的变量？
如何导入模块但忽略包的_uinit\u uuuu.py？
如何导入模块并使用python中的方法
如何导入模块并将其绑定到tkinter wind中的按钮
如何导入模块并更改模块内的变量值并执行i
如何导入模块并运行它而不运行程序的其余部分？
如何导入模块应用转换或替换为其他？
如何导入模块而不考虑目录
如何导入正确的包（pythonDjango）

monkeylearn 3.5.0

monkeylearn的Python项目详细描述

用于python的monkeylearn api

安装

用法

请求

响应

错误

自动批处理

可用端点

分类器

提取器

工作流程

推荐PyPI第三方库

expressive-regex

fingertip

colasan

psequant

pylops-gpu

tkpick

aws-cdk.aws-resourcegroups

businesslen

classify-ifchange

pysgpp

rl-plotter

cis-DjangoSignUp

icgc-survival

specrend

mel

导 航 栏

项目 链接

标 签

维护者

最新PyPI项目

最新Python常见问题

导航栏

项目链接

标签