该项目主要是easier_excel与easier_nn，各个项目的功能如下：
easier_excel: 更便捷地使用机器学习处理表格类型的数据
easier_nn: 更便捷地使用神经网络进行CV、NLP等任务
easier_nlp: 暂时不想搞了
easier_tools: 小工具，比如计时，控制台彩色输出，dataframe一键写入md，查看类/函数的参数
trial_models: 机器学习算法的应用尝试或手动实现
data_analyse: 数据分析的项目，正在开发中
你可以运行对应的demo来查看具体的效果：
easier_excel 项目里的example1.py提供了Quick Start。
easier_nn项目内的example1.py,提供了Quick Start。
你也可以根据我写在下面的项目功能来查看一些具体的用法。
你还可以查看以下两个的极其简单的demo：
easier_excel的Quick Start（只展示最基础的预处理操作）:
from easier_excel import read_data
read_data.set_pd_option(max_show=True, float_type=True, decimal_places=4)
df_origin = read_data.read_df("input/history_xm.xlsx") # 读取数据
DescDF = read_data.DescDF(df_origin)
DescDF.show_df(head_n=5, tail_n=0, show_columns=False, show_dtypes=False, md_flag=True) #描述数据并自动写入md
DescDF.process_outlier(method='IQR', show_info=True, process_type='delete', md_flag=True) # 处理异常值easier_nn的Quick Start（只展示最基础的训练操作）:
from easier_nn.classic_dataset import load_mnist
from easier_nn.classic_net import CNN_Net_for_Mnist
from easier_nn.train_net import NetTrainer
X, y = load_mnist(if_reshape_X=True)
net = CNN_Net_for_Mnist() # 一个简单的CNN网络
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters(), lr=0.001)
trainer = NetTrainer(X, y, net, loss_fn, optimizer, epochs=2, net_type="acc", batch_size=16, print_interval=1)
trainer.train_net() # 训练网络项目的结构如下：
[·]代表正在开发进行中,[x]代表废弃或用处不大的项目,[√]代表基本完成的项目，[🈵]代表我喜欢的项目。
.
├── easier_excel # [·] 用机器学习处理表格类型的数据
│ ├── cal_data.py # [🈵] 更轻松地调用机器学习的包
│ ├── draw_data.py # [🈵] 绘图
│ └── math_formula.py # [·] 计算积分，导数，求解最优化问题等
│ └── read_data.py # [🈵] 读取、描述、预处理数据
│ └── example1.py # [√] easier_excel的Quick Start
|
├── easier_nn # [·] 使用神经网络进行计算机视觉(CV)和自然语言处理(NLP)等任务
│ ├── calculate_shape.py # [√] 计算数据的shape，可以将网络传入，然后查看每一层的shape
│ ├── classic_datasets.py # [🈵] 一些经典的数据集
│ ├── evaluate_net.py # [·] 评估模型
│ └── load_data.py # [√] 加载数据
│ └── train_net.py # [🈵] 模型训练
│ └── example1.py # [√] easier_nn的Quick Start
│ └── example2.py # [√] easier_nn的Quick Start
|
├── easier_nlp # [×] 使用神经网络进行自然语言处理(NLP)等任务
│ ├── preprocessing.py # [·] 文本预处理
│ ├── spacy_nlp.py # [×] 使用spacy进行NLP
│ └── example.py # [√] easier_nlp的Quick Start
|
├── easier_tools # [·] 一些小工具
│ ├── Colorful_Console.py # [√] 彩色输出
│ ├── easy_count.py # [×] 统计小工具，目前只有统计词频的功能
│ ├── print_variables.py # [√] 查看函数、类的参数
│ └── timer.py # [√] 计时器
|
├── trial_models # [·] 一些机器学习算法的应用尝试或手动实现
│ ├── Cellular_Automations.py # [×] 元胞自动机
│ ├── FM.py # [√] 因子分解机
│ ├── MF.py # [√] 矩阵分解
│ ├── KNN.py # [√] KNN算法
│ ├── useful_eig.py # [√] 特征值分解
│ ├── useful_SVD.py # [√] SVD分解
|
├── data_analyse # [·] 数据分析
│ ├── bilibili_RS.py # [·] B站推荐系统
我个人比较喜欢easier_excel,easier_nn,trial_models，其余的有空了然后写写。
这里只给出关键部分的功能与代码示例。
构式机器学习天天都是一样的代码（点名批评plt），给她点颜色看看，让她自己跑去吧。
能够自动读入csv,xlsx,xls,sav四种格式，示例代码如下：
from easier_excel import read_data
path = "你的数据.csv" # 相对路径或绝对路径都可
df = read_data.read_df(path) # 返回的df就是dataframe类型的数据能够自动描述数据（各种统计量，是否有缺失值），示例代码如下：
desc = read_data.DescDF(df)
desc.describe() # 描述数据
desc.fill_missing_values(fill_type='mean') # 填充缺失值能够自动绘制直线图，corr，特征重要性图，散点图，密度曲线图，示例代码如下：
from easier_excel import draw_data
DrawDF = draw_data.DrawDF(df)
DrawDF.draw_corr(save_path='../output', v_minmax=(-1, 1), show_plt=True) # 绘制相关性矩阵
DrawDF.draw_all_scatter(target_name='某个关键属性', save_path='../output/scatters') # 绘制散点图
for feature_name in ['其他属性1', '其他属性2', '其他属性3']:
draw_df.draw_density(target_name="某个关键属性", feature_name=feature_name, show_plt=False,
save_path='../output/density') # 绘制密度曲线图
DrawDF.draw_feature_importance(target_name='某个关键属性', save_path='../output', show_plt=False) # 用随机森林来求解特征的重要性创建NetTrainer对象，然后调用train_net方法即可训练网络，调用evaluate_net方法即可评估网络。
具体请见easier_nn的Quick Start，我懒得写。
摆了
查看类的某个/某些参数，示例代码如下：
import torch.nn as nn
from easier_tools.print_variables import print_variables_class
rnn = nn.RNN(input_size=input_size, hidden_size=hidden_size, num_layers=num_layers)
print_variables_class(rnn, specific_param=["_all_weights"]) # 查看所有_all_weights(RNN的权重)查看函数的参数是类似的，示例代码如下：
from easier_tools.print_variables import print_variables_function
print_variables_function(desc.describe_df, show_stats=True, stats_T=False) # desc的定义请见3.1.1计时器，示例代码如下：
from easier_tools.timer import Timer
timer = Timer()
# 要测试时间的代码块1
print(f'{timer.stop():.5f} sec') # 结束计时
# 其他无关代码
timer.start() # 重新开始计时
# 要测试时间的代码块2
print(f'{timer.stop():.5f} sec') # 结束计时代码比较独立，运行对应的就可以。
如需查看具体的函数/类的使用方法，需要查看具体代码。一般而言，代码注释如下，代码正在逐渐重构中，因此不一定都有这么详细:
def fill_missing_values(self, fill_type='mean'):
"""
填充缺失值
[Warning]:
该操作会直接在原数据上进行修改，也就是修改self.df
[使用方法]:
desc = read_data.DescDF(df)
desc.fill_missing_values(fill_type=114514) # 实际填充的时候可别逸一时误一世了
[Tips]:
目前支持的填充类型有：'mean', 'median', 'most_frequent', 'constant(直接填入具体数值)'。
如需删除缺失值请使用delete_missing_values。
:param fill_type: 填补类型，支持 'mean', 'median', 'most_frequent', 'constant(直接填入具体数值)'
"""
pass其中Warning是对使用此函数时的一些警告，使用方法是函数的使用方法，Tips是对函数的一些小提示（比如其他的可能用法），Bug是还未修复的一些问题，todo是还未完成的任务。
主要还是机器学习与神经网络。不过神经网络实在是💩，我训练不了，kaggle上面GPU的显存感觉也不太够，纯纯构式啊！
关于代码其余的具体描述，暂时没时间写描述┭┮﹏┭┮
小鸟游星野适合结婚的十个理由：
- 星野虽然外表看起来像小学五年级的学生，实际上的年龄已经接近成年，可以放心大胆地等她到法定结婚年龄。
- 因为星野小小的，所以能毫不费劲地抱在自己腿上，提前享受养女儿的快乐。
- 武力值爆表，阿拜多斯扛把子，是能让大学园的执法组织头目忌惮的存在，娶回家有满满的安全感。某种意义上来说也可以算得上是联姻（？）
- 经过为师的不懈努力，星野从讨厌大人转变到整天黏着为师，这份改变足以说明为师在她心目中的地位。不怕婚后二人整日争吵。
- 虽然经历了很多，但还是保有少女心，留有自己的一份底线。坚强又可爱的星野，有几个人不喜欢呢。
- 经历过还债地狱，知道钱来得不容易，不会乱消费，甚至还会精打细算。这么一个勤俭持家的小姑娘，难道不想娶回家吗？
- 拥有非常正直的三观，以后有了孩子一定能成为一位好妈妈。
- 有责任心，可以肩负起身为人妻的职责。
- 我是萝莉控。
- 星野！我的小星野！