sklearn.utils

各种有助于开发的实用程序。

开发者指南。 有关更多详细信息，请参阅开发者实用程序 部分。

捆绑对象	公开键作为属性的容器对象。
安全索引	使用索引返回 X 的行、项目或列。
转换为浮点数组	将类似数组转换为浮点数数组。
断言所有数值都是有限的	如果 X 包含 NaN 或无穷大，则抛出 ValueError。
标记为已弃用的装饰器	用于将函数或类标记为已弃用的装饰器。
构建估计器的 HTML 表示	构建估计器的 HTML 表示。
生成包含 batch_size 个元素的切片	生成器，用于创建包含 batch_size 个元素的切片，从 0 到 n。
生成 n_packs 个均匀间隔的切片	生成器，用于创建 n_packs 个均匀间隔的切片，直到 n。
使数组可用于交叉验证	使数组可用于交叉验证。
计算密钥的 32 位 murmurhash3	计算种子处的密钥的 32 位 murmurhash3。
一致地重采样数组或稀疏矩阵	以一致的方式对数组或稀疏矩阵进行重采样。
返回可安全用于 X 的掩码	返回可安全用于 X 的掩码。
安全平方运算	数组和稀疏矩阵的逐元素平方。
洗牌	以一致的方式打乱数组或稀疏矩阵。
标签	估计器的标签。
输入标签	输入数据的标签。
目标标签	目标数据的标签。
分类器标签	分类器的标签。
回归器标签	回归器的标签。
转换器标签	转换器的标签。
获取标签	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。

检查 X 和 y	标准估计器的输入验证。
检查数组	对数组、列表、稀疏矩阵或类似对象的输入验证。
检查一致长度	检查所有数组是否具有一致的第一个维度。
检查随机状态	将种子转换为 np.random.RandomState 实例。
检查标量	验证标量参数的类型和值。
validation.check_is_fitted	对估计器执行 is_fitted 验证。
validation.check_memory	检查memory 是否类似于 joblib.Memory。
validation.check_symmetric	确保数组是二维的、方形的且对称的。
validation.column_or_1d	展平列向量或一维 numpy 数组，否则引发错误。
validation.has_fit_parameter	检查估计器的 fit 方法是否支持给定的参数。
validation.validate_data	验证输入数据并设置或检查输入的特征名称和计数。

元估计器

元估计器的实用程序。

metaestimators.available_if

仅当检查返回真值时才可用的属性。

基于类标签的权重处理

用于处理基于类标签的权重的实用程序。

class_weight.compute_class_weight	估计不平衡数据集的类权重。
class_weight.compute_sample_weight	为不平衡数据集估计每个类的样本权重。

处理分类器中的多类别目标

用于处理分类器中的多类别/多输出目标的实用程序。

multiclass.is_multilabel	检查y 是否为多标签格式。
multiclass.type_of_target	确定目标指示的数据类型。
multiclass.unique_labels	提取有序的唯一标签数组。

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	计算方阵行列式的对数。
extmath.randomized_range_finder	计算一个正交矩阵，其范围近似于 A 的范围。
extmath.randomized_svd	计算截断的随机 SVD。
extmath.safe_sparse_dot	点积，正确处理稀疏矩阵的情况。
extmath.weighted_mode	返回传递数组中加权众数（最常见）的值的数组。

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集合。

sparsefuncs.incr_mean_variance_axis	在 CSR 或 CSC 矩阵上沿轴计算增量均值和方差。
sparsefuncs.inplace_column_scale	对 CSC/CSR 矩阵进行就地列缩放。
sparsefuncs.inplace_csr_column_scale	对 CSR 矩阵进行就地列缩放。
sparsefuncs.inplace_row_scale	对 CSR 或 CSC 矩阵进行就地行缩放。
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	在 CSR 或 CSC 矩阵上沿轴计算均值和方差。

用 Cython 编写的用于处理稀疏矩阵和数组的实用程序。

sparsefuncs_fast.inplace_csr_row_normalize_l1	按其 L1 范数就地归一化 CSR 矩阵或数组的行。
sparsefuncs_fast.inplace_csr_row_normalize_l2	按其 L2 范数就地归一化 CSR 矩阵或数组的行。

使用图

图实用程序和算法。

graph.single_source_shortest_path_length

返回从源到所有可达节点的最短路径长度。

随机采样

随机采样的实用程序。

random.sample_without_replacement

无放回地采样整数。

对数组进行操作的辅助函数

对数组进行操作的小型辅助函数集合。

arrayfuncs.min_pos

查找数组中正值的最小值。

元数据路由

用于在 scikit-learn 估计器中路由元数据的实用程序。

**用户指南。**有关更多详细信息，请参阅元数据路由部分。

metadata_routing.MetadataRequest	包含消费者的元数据请求信息。
metadata_routing.MetadataRouter	存储和处理路由对象的元数据路由。
metadata_routing.MethodMapping	存储路由器对象的调用者和被调用者方法之间的映射。
metadata_routing.get_routing_for_object	从给定对象获取Metadata{Router, Request}实例。
metadata_routing.process_routing	验证和路由输入参数。

发现 scikit-learn 对象

用于发现 scikit-learn 对象的实用程序。

discovery.all_displays	从sklearn获取所有显示的列表。
discovery.all_estimators	从sklearn获取所有估计器的列表。
discovery.all_functions	从sklearn获取所有函数的列表。

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	检查估计器是否符合 scikit-learn 约定。
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	迭代地为估计器生成所有检查调用。

并行计算

joblib和threadpoolctl工具的定制，用于 scikit-learn。

parallel.Parallel	对joblib.Parallel的调整，它传播 scikit-learn 配置。
parallel.delayed	用于捕获函数参数的装饰器。