pygeokit 0.1.0__py3-none-any.whl

pygeokit/__init__.py

@@ -0,0 +1,19 @@
+"""pygeokit - offline geo features from latitude / longitude.
+
+    import pygeokit as gk
+    gk.help()                       # cheat sheet
+    feats = gk.get_features(df, lat_col="lat", lon_col="lon")
+"""
+from ._help import help
+from .core import (
+    bearing, cat_columns, center_features, city_shape, city_gravity, count_within, dist_to_capital,
+    dist_to_nearest, find_centers, get_capital, get_city_type, get_country,
+    get_country_info, get_features, get_main_city, get_nearest_city, grid_cell,
+    group_stats, haversine, hex_cell, huff_probabilities, load_cities,
+    load_countries, make_X, manhattan, multi_center_features, neighbor_features,
+    oof_neighbor_features, reilly_breakpoint, spatial_groups, to_km,
+    travel_minutes, zipf_expected,
+)
+
+__version__ = "0.1.0"
+__all__ = [n for n in dir() if not n.startswith("_")]

pygeokit/_help.py

@@ -0,0 +1,83 @@
+HELP = r"""
+pygeokit  -  шпаргалка            import pygeokit as gk;  gk.help()
+Везде: lat = широта, lon = долгота (в градусах). Принимаются числа, массивы, Series.
+Расстояния в км. Подробности по функции: help(gk.get_features)
+
+== ГОТОВЫЙ X ДЛЯ CATBOOST ==================================================
+X_tr, cat = gk.make_X(train.drop(columns=["target"]), "lat", "lon")
+X_te, _   = gk.make_X(test, "lat", "lon", ref=train)   # плотность считать по train
+model = CatBoostRegressor(cat_features=cat).fit(X_tr, y)
+  возвращает ДВЕ вещи: X и список категориальных колонок.
+  X = копия твоего X + все гео-признаки (справочник, положение в городе,
+  ячейки сетки, плотность точек). Таргет не используется, утечки нет.
+
+== ВСЁ СРАЗУ (только справочные признаки) ==================================
+feats = gk.get_features(df, lat_col="lat", lon_col="lon")   # ~30 признаков
+df = pd.concat([df, feats], axis=1)
+  страна, регион, ближайший город, главный город рядом (население, тип, размер,
+  ранг в стране), расстояния до столицы / центра региона / города 100к / 1 млн,
+  число городов и население в 10/50/100 км, "притяжение" крупных городов.
+  Текстовые колонки -> в cat_features CatBoost.
+
+== СПРАВОЧНИК ГОРОДОВ И СТРАН =============================================
+gk.get_country(lat, lon)            -> 'RU'            (код страны)
+gk.get_country_info('RU')           -> dict (столица, население, площадь, ...)
+gk.get_capital('RU')                -> dict name/lat/lon/population
+gk.get_nearest_city(lat, lon, min_population=0, k=1, types=None)
+gk.get_main_city(lat, lon, radius_km=60)   # самый крупный город в радиусе
+gk.get_city_type(lat, lon)          -> city_type + size_class
+     city_type : capital / region_center / district_center / local_center /
+                 settlement / city_section
+     size_class: tiny <10k, small <50k, medium <100k, big <250k, large <1M, million
+gk.dist_to_capital(lat, lon)
+gk.load_cities(min_population=0), gk.load_countries()      # сырые таблицы
+
+== РАССТОЯНИЯ =============================================================
+gk.haversine(lat1, lon1, lat2, lon2)   # км по сфере
+gk.manhattan(...)                      # "по кварталам"
+gk.bearing(...)                        # направление, 0=север, 90=восток
+gk.to_km(lat, lon)                     # -> x,y в км (для KMeans/HDBSCAN/евклида)
+gk.travel_minutes(km, mode="walk")     # walk 5 км/ч, bike 15, car 30
+     15-минутный город: пешком 15 мин ~ 1.25 км
+
+== СВОИ ТОЧКИ (метро, магазины, конкуренты) ===============================
+gk.dist_to_nearest(lat, lon, ref_lat, ref_lon, k=1)
+gk.count_within(lat, lon, ref_lat, ref_lon, radius_km=1.25)
+
+== ПЛОТНОСТЬ И СОСЕДИ =====================================================
+gk.neighbor_features(lat, lon)                       # сколько точек рядом
+gk.neighbor_features(lat, lon, ref_lat, ref_lon, values=v)   # + sum/mean/std v
+  !!! если values = таргет:
+tr_f = gk.oof_neighbor_features(tr.lat, tr.lon, y)           # трейн, без утечки
+te_f = gk.neighbor_features(te.lat, te.lon, tr.lat, tr.lon, values=y)   # тест
+
+== УСТРОЙСТВО ГОРОДА (кольца / секторы / несколько ядер) ==================
+c = gk.find_centers(lat, lon, weight=turnover, n_centers=3)   # ядра по данным
+gk.center_features(lat, lon, c.lat[0], c.lon[0])   # расстояние, кольцо, сектор
+gk.multi_center_features(lat, lon, c)              # до каждого ядра + ближайшее
+  центр из справочника:  m = gk.get_main_city(lat, lon)
+                         gk.center_features(lat, lon, m.lat.values, m.lon.values)
+
+  тип города из лекции (кольцевой / секторный / несколько ядер), ЭВРИСТИКА:
+gk.city_shape(lat, lon, weight=None, group=city_id)   # строка на город:
+     shape = ring / sector / multi_core + elongation, core2_ratio, core_sep, ...
+
+== СЕТКИ И ВАЛИДАЦИЯ ======================================================
+gk.grid_cell(lat, lon, size_km=1)      # id квадрата -> категориальный признак
+gk.hex_cell(lat, lon, res=8)           # H3 (нужен pip install h3)
+gk.spatial_groups(lat, lon, size_km=50)  # groups для GroupKFold
+gk.group_stats(df, by="cell", value="amount")   # n, sum, mean(ср. чек), median...
+
+== ЭКОНОМИКА ГОРОДОВ ======================================================
+gk.city_gravity(lat, lon)                    # притяжение крупных городов
+gk.huff_probabilities(dist, attractiveness)  # вероятность выбрать каждый центр
+gk.reilly_breakpoint(dist_ab, pop_a, pop_b)  # граница зон притяжения A и B
+gk.zipf_expected(largest_pop, rank)          # закон Ципфа: pop = max / rank
+
+Данные: GeoNames (geonames.org), лицензия CC BY 4.0.
+"""
+
+
+def help():
+    """Print the cheat sheet (in Russian)."""
+    print(HELP)