hypertools

"处理14维空间中的超平面时，可视化一个3D空间并大声说'十四'。每个人都这么做。" - Geoff Hinton

概述

HyperTools旨在促进基于降维的高维数据可视化探索。基本流程是输入一个高维数据集（或一系列高维数据集），通过一次函数调用，降低数据集的维度并创建一个图表。该软件包建立在许多熟悉的工具之上，包括matplotlib、scikit-learn和seaborn。我们的软件包最近在Kaggle的No Free Hunch博客上得到了介绍。如需总体概览，您可能会发现这个演讲很有用（作为达特茅斯MIND暑期学校的一部分）。

立即尝试！

点击徽章启动一个包含示例用法的binder实例：

或者

查看HyperTools论文中的Jupyter notebooks仓库。

安装

要安装最新稳定版本，请运行：

pip install hypertools

要直接从GitHub安装最新不稳定版本，请运行：

pip install -U git+https://github.com/ContextLab/hypertools.git

或者，将仓库克隆到本地计算机：

git clone https://github.com/ContextLab/hypertools.git

然后，导航到文件夹并输入：

pip install -e .

（这些说明假设您的系统上已安装pip）

注意：如果您一直在使用0.5.0的开发版本，请清除您的数据缓存（/Users/yourusername/hypertools_data）。

要求

• python>=3.6
• PPCA>=0.0.2
• scikit-learn>=0.24.0
• pandas>=0.18.0
• seaborn>=0.8.1
• matplotlib>=1.5.1
• scipy>=1.0.0
• numpy>=1.10.4
• umap-learn>=0.4.6
• requests
• pytest（用于开发）
• ffmpeg（用于保存动画）

文档

查看我们的readthedocs页面以获取更多文档、完整的API详细信息和其他示例。

引用

我们为HyperTools撰写了一篇简短的JMLR论文，您可以在这里阅读，或者您可以查看（更长的）预印本。我们还有一个包含论文示例notebooks的仓库。

请引用为：

Heusser AC, Ziman K, Owen LLW, Manning JR (2018) HyperTools: A Python toolbox for gaining geometric insights into high-dimensional data. Journal of Machine Learning Research, 18(152): 1--6.

以下是bibtex格式的参考文献：

@ARTICLE {,
    author  = {Andrew C. Heusser and Kirsten Ziman and Lucy L. W. Owen and Jeremy R. Manning},    
    title   = {HyperTools: a Python Toolbox for Gaining Geometric Insights into High-Dimensional Data},    
    journal = {Journal of Machine Learning Research},
    year    = {2018},
    volume  = {18},	
    number  = {152},	
    pages   = {1-6},	
    url     = {http://jmlr.org/papers/v18/17-434.html}	
}

贡献

如果您想贡献，请先阅读我们的行为准则。

有关如何为项目做出贡献的具体信息，请参阅我们的贡献页面。

测试

要测试HyperTools，请安装pytest（pip install pytest）并在HyperTools文件夹中运行pytest

示例

点击这里查看更多示例。

绘图

import hypertools as hyp
hyp.plot(list_of_arrays, '.', group=list_of_labels)

对齐

import hypertools as hyp
hyp.plot(list_of_arrays, align='hyper')

对齐前

对齐后

聚类

import hypertools as hyp
hyp.plot(array, '.', n_clusters=10)

描述

import hypertools as hyp
hyp.tools.describe(list_of_arrays, reduce='PCA', max_dims=14)