ladatascience

import regex as re

texte = "Drôle de texte"
chaine_a_retirer = "x"
nouveau_texte = re.sub(chaine_a_retirer, "", texte)

# nouveau_texte est à présent la chaîne de caractères "Drôle de tete".

ladatascience

df[COLUMN_NAME] = values
# où COLUMN_NAME est le nom de la colonne à rajouter
# et values sont les valeurs à affecter.
# values peut être un numpy array par exemple.

ladatascience

from torch.utils.data import Dataset

class CustomDataset(Dataset):
    def __init__(self, X, Y):
        self.X = X
        self.Y = Y

    def __len__(self):
        return len(self.Y)

ladatascience

import torch.nn as nn

class CustomModel(nn.Module):
    def __init__(self):
        super(CustomModel, self).__init__()
        # c'est ici que vous pouvez définir les couches du réseau
        # que vous utilsierez ensuite dans le forward.
    
    def forward(self, x):
        # Ici vous appliquez les couches de votre modèle à l'entrée x.

ladatascience

x = x.toarray()
# avec x une matrice csr que vous avez définie au préalable.

ladatascience

import torch

x = torch.rand(1)
# génère un tenseur de dimension 1 et dont la valeur est choisie uniformément sur [0, 1[.

ladatascience

import torch

x_squared = torch.square(x) # où x est un tenseur défini au préalable.

ladatascience

df = df.drop(["pays", "ville"], axis=1)

# La ligne ci-dessus supprime les colonnes "pays" et "ville" d'une dataframe df qui contiendrait de telles colonnes.
# Modifiez la liste passée en argument de drop pour supprimer les colonnes que vous voulez de votre dataframe.

ladatascience

for column in df:
  # faire quelque chose.

ladatascience

columns = list(df.columns.values)

# où df est une dataframe définie au préalable.