sklearn.utils

各种工具，以帮助开发。

Developer guide. See the 开发者工具 section for further details.

Bunch	容器对象，将键暴露为属性。
_safe_indexing	返回使用索引的X的行、项或列。
as_float_array	将类似数组的对象转换为浮点数数组。
assert_all_finite	抛出ValueError如果X包含NaN或无穷大。
deprecated	装饰器，用于将函数或类标记为已弃用。
estimator_html_repr	构建一个估计器的HTML表示。
gen_batches	生成器，用于创建包含从0到 n 的 batch_size 个元素的切片。
gen_even_slices	生成器，用于创建均匀分布的 n_packs 个切片，直到 n 。
indexable	使数组可索引以进行交叉验证。
murmurhash3_32	计算种子处键的32位murmurhash3。
resample	重采样数组或稀疏矩阵的一致方式。
safe_mask	返回一个可以安全用于X的掩码。
safe_sqr	逐元素平方数组类和稀疏矩阵。
shuffle	打乱数组或稀疏矩阵的一致方式。

Input and parameter validation

函数用于验证 scikit-learn 估计器中的输入和参数。

check_X_y	输入验证用于标准估计器。
check_array	对数组、列表、稀疏矩阵或类似对象的输入验证。
check_consistent_length	检查所有数组是否具有一致的第一维度。
check_random_state	将种子转换为 np.random.RandomState 实例。
check_scalar	验证标量参数的类型和值。
validation.check_is_fitted	执行估计器的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、方形的和对称的。
validation.column_or_1d	将列或一维 numpy 数组展平，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。

Meta-estimators

工具用于元估计器。

metaestimators.available_if

一个只有在检查返回真值时才可用的属性。

Weight handling based on class labels

工具用于根据类别标签处理权重。

class_weight.compute_class_weight	估计不平衡数据集的类权重。
class_weight.compute_sample_weight	估计不平衡数据集的样本权重。

Dealing with multiclass target in classifiers

工具来处理分类器中的多类/多输出目标。

multiclass.is_multilabel	检查 y 是否为多标签格式。
multiclass.type_of_target	确定由目标指示的数据类型。
multiclass.unique_labels	提取一个有序的唯一标签数组。

Optimal mathematical operations

工具在scikit-learn中执行最佳数学运算。

extmath.density	计算稀疏向量的密度。
extmath.fast_logdet	计算方阵的行列式对数。
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	点积能够正确处理稀疏矩阵的情况。
extmath.weighted_mode	返回一个数组，其中包含传入数组的加权众数（最常见的）值。

Working with sparse matrices and arrays

一系列用于处理稀疏矩阵和数组的实用工具。

sparsefuncs.incr_mean_variance_axis	计算CSR或CSC矩阵沿轴的增量均值和方差。
sparsefuncs.inplace_column_scale	原地列缩放CSC/CSR矩阵。
sparsefuncs.inplace_csr_column_scale	原地列缩放CSR矩阵。
sparsefuncs.inplace_row_scale	原地行缩放CSR或CSC矩阵。
sparsefuncs.inplace_swap_column	交换CSC/CSR矩阵的两列，原地操作。
sparsefuncs.inplace_swap_row	交换CSC/CSR矩阵的两行，原地操作。
sparsefuncs.mean_variance_axis	计算CSR或CSC矩阵沿某一轴的均值和方差。

工具用于处理在Cython中编写的稀疏矩阵和数组。

sparsefuncs_fast.inplace_csr_row_normalize_l1	就地规范化CSR矩阵或数组的行，使其L1范数归一化。
sparsefuncs_fast.inplace_csr_row_normalize_l2	就地规范化CSR矩阵或数组的行，使其L2范数为1。

Working with graphs

图工具和算法。

graph.single_source_shortest_path_length

返回从源点到所有可到达节点的最短路径长度。

Random sampling

工具用于随机抽样。

random.sample_without_replacement

采样整数而不进行替换。

Auxiliary functions that operate on arrays

一个小型的辅助函数集合，用于操作数组。

arrayfuncs.min_pos

查找数组中正数值的最小值。

Metadata routing

工具用于在scikit-learn估计器中路由元数据。

User guide. See the 元数据路由 section for further details.

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

Discovering scikit-learn objects

工具来发现scikit-learn对象。

discovery.all_displays	获取来自 sklearn 的所有显示列表。
discovery.all_estimators	获取 sklearn 中的所有估计器列表。
discovery.all_functions	获取 sklearn 中的所有函数列表。

API compatibility checkers

各种工具用于检查估计器与scikit-learn API的兼容性。

estimator_checks.check_estimator	检查估计器是否符合scikit-learn的约定。
estimator_checks.parametrize_with_checks	装饰器特定于Pytest，用于参数化估计器检查。

Parallel computing

自定义 joblib 和 threadpoolctl 工具以用于 scikit-learn 使用。

parallel.Parallel	调整 joblib.Parallel 以传播 scikit-learn 配置。
parallel.delayed	装饰器用于捕获函数的参数。