ladatascience

import torch

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

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

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

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

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

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

import plotly.express as px

# Chargeons des données pour l'exemple:
df = px.data.gapminder().query("year==2007")

# On crée et affiche la carte de l'exemple.
fig = px.choropleth(df, locations="iso_alpha",
                    color="lifeExp", # lifeExp est une colonne de df. Elle représente l'espérance de vie.
                    # C'est ce qu'on va visualiser sur la carte.
                    hover_name="country", # On rajoute la colonne pour voir l'information au survol de la carte.

ladatascience

tar -xf file_name.tar.gz
# où file_name.tar.gz est le nom de votre fichier.

ladatascience

text = "Hello World!"
print(f"J'aimerais vous dire deux mots: {text}")