Ali Ahmed55

الف شكرااا جدا جدا لحضرتكم جزاكم الله كل خير انا بستفيد كثير او منكم فالف شكراااا جدا

يعني ممكن ان يتنباء بقيه عمود efs وكمان العمود دهefs_time في نفس الوقت

الف شكرااا جدا لحضرتك جزاك الله كل خير

هو اي نموذج الDeepHit ؟

السلام عليكم X = train_f.drop(['efs', 'efs_time'], axis=1).values y_event = train_f['efs'].values y_duration = train_f['efs_time'].values

الف شكرااا جدا لحضرتك جزاك الله كل خير

السلام عليكم هو عندي تحول الاعمد الفئوي باستخدم الLabelEncoder هل فيه مشكله لو بيانات نوعها flaot مش int عند تدريب النموذج ؟

طيب أ.مصطفي انا عاوز الاعمده تكون int مش float اعمل اي ؟

تمام جدا الف شكرااا لحضرتك حزاكم الله كل خير

تمام جدا الف شكرااا لحضرتك جدا

السلام عليكم انا هنا عاوز الاعمد تكون int مش float ؟ ده الكود # Create a copy of the data to avoid modifying the original dataset data_encoded = data_train.copy() # Iterate over columns with categorical (textual) data for col in data_encoded.select_dtypes(include=['object']).columns: # Create a mask to identify missing values in the column mask = data_encoded[col].isna() # Identify missing values # Temporarily replace missing values with the string 'missing' temp_data = data_encoded[col].fillna('missing') # Replace missing values with 'missing' # Initialize a LabelEncoder object to transform categorical data le = LabelEncoder() # Create a new LabelEncoder object for each column encoded_data = le.fit_transform(temp_data) # Apply label encoding # Convert encoded data to float type to allow NaN values encoded_data = encoded_data.astype(float) # Convert values to float to allow NaN # Restore the missing values back to their original positions encoded_data[mask] = np.nan # Restore missing values to their original positions encoded_data = encoded_data.astype(int) # Update the column with the encoded values data_encoded[col] = encoded_data # Update the column with encoded values

السلام عليكم عند استخدم الكود ده ده الكود print(data_train.info()) ودي النتجيه # Column Non-Null Count Dtype --- ------ -------------- ----- 0 ID 28800 non-null int64 1 dri_score 28374 non-null object 2 psych_disturb 26592 non-null object 3 cyto_score 18832 non-null object 4 diabetes 26540 non-null object 5 hla_match_c_high 24180 non-null float64 6 hla_high_res_8 22971 non-null float64 7 tbi_status 28800 non-null object 8 arrhythmia 26480 non-null object 9 hla_low_res_6 25530 non-null float64 10 graft_type 28800 non-null object 11 vent_hist 28541 non-null object 12 renal_issue 26748 non-null object 13 pulm_severe 26485 non-null object 14 prim_disease_hct 28800 non-null object 15 hla_high_res_6 23516 non-null float64 16 cmv_status 28166 non-null object 17 hla_high_res_10 21637 non-null float64 18 hla_match_dqb1_high 23601 non-null float64 19 tce_imm_match 17667 non-null object 20 hla_nmdp_6 24603 non-null float64 21 hla_match_c_low 26000 non-null float64 22 rituximab 26652 non-null object 23 hla_match_drb1_low 26157 non-null float64 24 hla_match_dqb1_low 24606 non-null float64 25 prod_type 28800 non-null object 26 cyto_score_detail 15689 non-null object 27 conditioning_intensity 23489 non-null object 28 ethnicity 28213 non-null object 29 year_hct 28800 non-null int64 30 obesity 26923 non-null object 31 mrd_hct 12203 non-null object 32 in_vivo_tcd 28575 non-null object 33 tce_match 9804 non-null object 34 hla_match_a_high 24499 non-null float64 35 hepatic_severe 26719 non-null object 36 donor_age 26992 non-null float64 37 prior_tumor 26837 non-null object 38 hla_match_b_low 26235 non-null float64 39 peptic_ulcer 26215 non-null object 40 age_at_hct 28800 non-null float64 41 hla_match_a_low 26410 non-null float64 42 gvhd_proph 28575 non-null object 43 rheum_issue 26472 non-null object 44 sex_match 28539 non-null object 45 hla_match_b_high 24712 non-null float64 46 race_group 28800 non-null object 47 comorbidity_score 28323 non-null float64 48 karnofsky_score 27930 non-null float64 49 hepatic_mild 26743 non-null object 50 tce_div_match 17404 non-null object 51 donor_related 28642 non-null object 52 melphalan_dose 27395 non-null object 53 hla_low_res_8 25147 non-null float64 54 cardiac 26111 non-null object 55 hla_match_drb1_high 25448 non-null float64 56 pulm_moderate 26587 non-null object 57 hla_low_res_10 23736 non-null float64 58 efs 28800 non-null float64 59 efs_time 28800 non-null float64

الف شكرااا جدا لحضرتك جزاك الله كل خير

الف شكرااا جدا جدا لحضرتك ربنا يكفيك شر الواحش

الف شكرااا جدا جدا لحضراتكم جزاكم الله كل خير

الله ينور عليك هو ده الا انا عاوز جزاك اللله كل خير بس ليه استبدل القيمه الNulll بقيمه الmissing وليه القيمه دي missing فضلت زي ما هي

السلام عليكم هو انا هنا ازي اقدر احول البيانات دي بستخدم LabelEncoder من غير القيمه الNull يعني انا عاوز قيمه الNull تكون زي ماهي ؟ ودي البيانات data = pd.DataFrame({ 'A': ['yes', 'yes', np.nan, 'no', 'no'], 'B': [np.nan, 'no', 'no', 'no', 'no'], 'C': ['no', 'yes', 'yes', np.nan, 'yes'] })

طيب معليش عندي سوالين 1- هو الازم ان تكون البيانات كلها عبار عن ارقم ؟ 2- بعد استخدم الخورزميه دي هيعمل نسخ جديد من البيانات والا هعويض القيمه الNull بلقيمه الجديد ؟

السلام عليكم ازي اقدر استخدم التقنيه دي Multiple Imputation by Chained Equations (MICE) في باثيون ؟ واي المكتبه دي fancyimpute ؟

الف شكراا جدا لحضرتك

الف شكرااا جدا لحضرتكم جزاكم الله كل خير

السلام عليكم هي الDynamic programming عبار عن خورزميه والا مفهوم برمجي ؟

الف شكرااا جدا لحضرتك جزاك الله كل خير

بسم الله ما شاء الله الف شكراااا جدا جدا لحضرتكم جزاكم الله كل خير

طيب الفئوي بس ارقم يعني انا استخدم الLabelEncoder هتكون مفيد ؟ وا الف شكرااا جدا جدا لحضرتكم جزاكم الله كل خير