Inhaltsverzeichnis

Search

  1. Preface
  2. Einführung in Umwandlungen
  3. Umwandlungsports
  4. Umwandlungs-Caches
  5. Adressvalidator-Umwandlung
  6. Aggregator-Umwandlung
  7. Assoziations-Umwandlung
  8. Ausnahmeumwandlung bei fehlerhaftem Datensatz
  9. Fallumwandlerumwandlung
  10. Klassifizierumwandlung
  11. Vergleichsumwandlung
  12. Konsolidierungsumwandlung
  13. Datenmaskierungsumwandlung
  14. Datenprozessor-Umwandlung
  15. Entscheidungsumwandlung
  16. Ausnahmeumwandlung bei dupliziertem Datensatz
  17. Ausdrucksumwandlung
  18. Filterumwandlung
  19. Umwandlung von hierarchisch in relational
  20. Java-Umwandlung
  21. Java-Umwandlungs-API-Referenz
  22. Java-Ausdrücke
  23. Joiner-Umwandlung
  24. Schlüsselgeneratorumwandlung
  25. Labeler-Umwandlung
  26. Lookup-Umwandlung
  27. Lookup-Caches
  28. Dynamischer Lookup-Cache
  29. Match-Umwandlung
  30. Match-Umwandlungen in der Feldanalyse
  31. Match-Umwandlungen in der Identitätsanalyse
  32. Merge-Umwandlung
  33. Normalizer-Umwandlung
  34. Parser-Umwandlung
  35. Python-Umwandlung
  36. Rang-Umwandlung
  37. Leseumwandlung
  38. Relational-in-hierarchisch-Umwandlung
  39. REST-Webdienst-Verbraucher-Umwandlung
  40. Router-Umwandlung
  41. Sequenzgeneratorumwandlung
  42. Sortierer-Umwandlung
  43. SQL-Umwandlung
  44. Standardisierungs-Umwandlung
  45. Union-Umwandlung
  46. Update-Strategie-Umwandlung
  47. Web-Dienst-Verbraucher-Umwandlung
  48. Parsen von Webdienst-SOAP-Meldungen
  49. Generieren von Webdienst-SOAP-Meldungen
  50. Umwandlung für gewichteten Durchschnitt
  51. Schreibumwandlung
  52. Umwandlungs-Delimiter

Developer Transformation Guide

Developer Transformation Guide

Anwendungsfall für Python-Umwandlung

Anwendungsfall für Python-Umwandlung

Sie arbeiten für ein Pharmaunternehmen und untersuchen im Rahmen Ihrer Forschung Daten über die Blütenbildung im Fingerhut, um eine bessere Behandlung von Herzerkrankungen zu ermöglichen. Sie möchten herausfinden, ob der rote Fingerhut
Digitalis purpurea
oder der wollige Fingerhut
Digitalis lanata
zu einer besseren Prognose in Bezug auf die Entwicklung einer Krankheit beitragen kann.
Um Ihre Forschung durchführen zu können, müssen Sie Daten über die Länge und Breite der Blütenkelche und -blätter nach Arten klassifizieren. Um die Daten zu klassifizieren, haben Sie außerhalb des Developer Tool ein Pre-Trained-Modell entwickelt.
Sie operationalisieren das Pre-Trained-Modell im Developer Tool. Erstellen Sie im Developer Tool ein Mapping, das eine Python-Umwandlung enthält. Listen Sie in der Python-Umwandlung das Pre-Trained-Modell als Ressourcendatei auf. Schreiben Sie ein Python-Skript, das auf das Pre-Trained-Modell zugreift. Sie übergeben die Daten über Blütenkelche und -blätter nach Arten an die Python-Umwandlung, um die Daten nach Fingerhutarten zu klassifizieren.
Die folgende Abbildung zeigt das Mapping, das Sie erstellen können:
Die Abbildung zeigt ein Mapping im Developer Tool. Das Mapping enthält eine Lese-, eine Python- und eine Schreibumwandlung. Die Leseumwandlung enthält die folgenden Ports: sepal_length, sepal_width, petal_length, petal_width und true_class. Die Ports sind mit der nachgelagerten Python-Umwandlung verknüpft. Die Ports sind Eingabeports in der Python-Umwandlung. Ausgabeports sind in der Python-Umwandlung basierend auf den Eingabeports konfiguriert. Die Ausgabeports in der Python-Umwandlung sind mit der nachgelagerten Schreibumwandlung verknüpft.
Die folgende Abbildung zeigt den Python-Code, den Sie schreiben können, um auf das Pre-Trained-Modell in der Python-Umwandlung zuzugreifen:
Diese Abbildung zeigt die Registerkarte „Python“ der Python-Umwandlung. Die Registerkarte „Python“ enthält die Ressourcendatei für das Pre-Trained-Modell und den Python-Code, den die Python-Umwandlung ausführt.
Die Python-Umwandlung verarbeitet die Daten in den Eingabeports gemäß dem Python-Skript und schreibt die klassifizierten Daten in die Ausgabeports.