Muchas nuevas herramientas de IA serán capaces de escribir y depurar código de forma más rápida y eficiente que los humanos y a un coste menor. Si le preocupa la pérdida de puestos de trabajo y el fin de la profesión de programador, esperemos que no tenga razón , pues no estamos aqui para hacer predicciones catastrofistas, sino para intentar comprender la transcendencia de lo que la evolución de la tecnologia puede suponer , entre otras cosas porque dicen, que si no puedes contra tu enemigo, !Aliate con el! así que quizás sea el momento, querido lector, de explorar como podemos hacer nuestro aliada la IA ,puesto que las herramientas basadas en IA ya están listas para tomar el relevo, y las formas tradicionales de escribir código serán menos populares.
Según un estudio de OpenAI y la Universidad de Pensilvania, algunas profesiones corren el riesgo de verse afectadas por herramientas como ChatGPT. Según el estudio, aproximadamente el 80% de la mano de obra estadounidense podría ver afectado al menos el 10% de sus tareas laborales por la introducción de las GPT, mientras que alrededor del 19% de los trabajadores podría ver afectado al menos el 50% de sus tareas.
De hecho, las profesiones con mayor riesgo de verse afectadas por herramientas como ChatGPT por el momento no son profesionales que necesitan realizar labores artesanes, sino en realidad profesiones bien renumeradas por lo general con relativo alto nivel académico, como pueden ser:
Matemáticos.
Contables (calculadoras fiscales).
Analistas financieros cuantitativos.
Escritores y autores.
Diseñadores web y de interfaces digitales.
Taquígrafos judiciales.
Subtituladores simultáneos.
Correctores de redacción y estilo.
ChatGPT puede ser una herramienta valiosa para los programadores. Puede ayudar con tareas como añadir contenido de marcador de posición y contenido de relleno en varios formatos, generar algoritmos eficientes, traducir código a otro lenguaje de programación, formatear datos, optimizar bloques de código y escribir pruebas para el código.
Por ejemplo, ChatGPT puede generar contenido de relleno en SQL, JSON, CSV y docenas de formatos más. También puede crear matrices y listas en cualquier lenguaje de programación. Además, puede ayudar a los programadores a generar algoritmos eficientes diseñando un algoritmo con el menor número de operaciones para completar una función dada1.
¿Que puede hacer chatgbt por un programador?
En primer lugar, veamos todo lo que hacemos en nombre de la codificación, y luego veremos cómo todo ello se volverá irrelevante. Empecemos por el principio, porque cuando se esta aprendiendo a codificar en un lenguaje nos centramos en escribir código funcional , pero tal vez no hayamos aprendido a leerlo o entenderlo sobre todo cuando no lo hemos escrito nosotros. Y eso no es todo, a veces desde el esbozo al código final esta al tarea , ¿no?
Imagine que está en medio de un montón de trabajo, y quiere identificar rápidamente lo que hace esta función:
No se cargue: Lo único que hace esta función es:
Duplica una hoja de cálculo.
Lanza un error si no se guarda la hoja de cálculo original.
Añade «Copia de» al título de la nueva hoja de cálculo.
¿Y ya está?
Bueno, hay una cosa más de la que puede que no se haya dado cuenta (¡buen trabajo si lo has hecho!) y es que esta función también cambia accidentalmente el título de la hoja de cálculo original. Errores como este ocurren todos los días.
La depuración es una habilidad infravalorada. Los programadores que son buenos depuradores trabajan más rápido, hacen más cosas y están menos estresados.
No se preocupe si no ha podido encontrar el error, ¡sólo significa que sacará el máximo partido a herramientas basadas en IA como chatGPT pues como se puede ver en la imagen el propio chatgbt ha encontrado el bug y nos da una forma de solucionar el problema!
Entendiendo el código ajeno
La mayoría de los desarrolladores trabajan en una base de código que normalmente no ha sido escrita por ellos. Es común que los desarrolladores empujen hacia fuera el código rápidamente que escribiendo limpio, código mantenible. Mientras tanto, a las pobres almas que vienen detrás de ellos les toca recoger los pedazos y tratar de dar sentido al desorden. Pasarían incontables horas intentando desenredar la retorcida telaraña de código, tratando de corregir errores y añadir nuevas funciones.Un ciclo interminable de frustración y desesperación.
Veamos un ejemplo de código escrito en C y la idea de cómo diablos alguien podría llegar a leer y entender este código (pero ya no).
En la vida real, es posible que no se encuentre con un código como este (si lo hace, vaya a buscar a la persona que lo escribió). Usar ChatGPT es mucho más rápido que intentar descifrar código enrevesado.
Imagínese cuánto más rápido se podría avanzar generando resúmenes de bases de código.
¿Qué más puede hacer ? Pues como vemos abajo podemos pedirle que mejore el código existente (o añadir funcionalidades)
¿Añadir funciones? Pues simplemente es cuestión de pedirlo:
Ahora que ha añadido algunas funciones y mejorado el código existente, decide ir un paso más allá y hacer que el código sea más legible.
El primer paso sería alinear el desorden de código existente con las convenciones de codificación, pues nuevamente es solo cuestión de pedírselo a chatgbt:
Además quien escribiera el código anterior venía de un entorno C y no puso interés en ser declarativo, así que es hora de corregirlo, ¿no?
Si sigue sin estar satisfecho, sobre todo después de descubrir que algunas partes del código son excesivamente complicadas, también podemos pedirle a chatgbt que simplifique esas partes del código :
Bueno ¿ y su hablamos del código nuevo? Quizás no este seguro de si el código que ha escrito duramente sea realmente eficaz..asi ¿Por qué no preguntárselo a chatgbt?.
Quizás no haya tenido tiempo para documentar el código así que ¿porque no pedirle a chatgbt que documente el código?.
Y para terminar , hay que asegurarse de que el código no sólo funcione, sino que funcione bien por lo que ante cualquier problema podemos pedirle a la IA que nos genere el código autoamticaemente con el lenguaje o tecnologia que deseemos
Y por cierto amigo lector , si es un entusiasta de Arduino sepa que también chatgbt puede generar todo el código que necesite automáticamente según los requisitos de la aplicación que tenga en mente. Por ejemplo pidamos a chat gbt que no cree el código para esp32 con el que hacer una carrera de luces de 8 leds (como las que llevaba el coche fantástico).
Esta es su repuesta:
Para hacer una carrera de luces de 8 LEDs con un ESP32, puedes utilizar el siguiente código:
C++Copy code// Incluye la librería de ESP32
#include <Arduino.h>
// Define las conexiones de los LEDS
#define LED1_PIN 2
#define LED2_PIN 4
#define LED3_PIN 5
#define LED4_PIN 12
#define LED5_PIN 13
#define LED6_PIN 14
#define LED7_PIN 15
#define LED8_PIN 16
// Define el tiempo de espera entre cada cambio de LED
#define DELAY_TIME 100
// Define la secuencia de encendido de los LEDs
int led_sequence[] = {LED1_PIN, LED2_PIN, LED3_PIN, LED4_PIN, LED5_PIN, LED6_PIN, LED7_PIN, LED8_PIN};
// Define el número de LEDs
int led_count = sizeof(led_sequence) / sizeof(int);
void setup() {
// Configura los pines de los LEDS como salidas
pinMode(LED1_PIN, OUTPUT);
pinMode(LED2_PIN, OUTPUT);
pinMode(LED3_PIN, OUTPUT);
pinMode(LED4_PIN, OUTPUT);
pinMode(LED5_PIN, OUTPUT);
pinMode(LED6_PIN, OUTPUT);
pinMode(LED7_PIN, OUTPUT);
pinMode(LED8_PIN, OUTPUT);
}
void loop() {
// Recorre la secuencia de encendido de los LEDS
for (int i = 0; i < led_count; i++) {
// Enciende el LED correspondiente
digitalWrite(led_sequence[i], HIGH);
// Espera un tiempo
delay(DELAY_TIME);
// Apaga el LED correspondiente
digitalWrite(led_sequence[i], LOW);
}
}
Este código configura los pines de los 8 LEDs como salidas, define una secuencia de encendido para los LEDs y luego recorre esta secuencia, encendiendo y apagando los LEDs en orden. También hay un tiempo de espera entre cada cambio de LED para que se vea la «carrera» de luces. Puedes ajustar el tiempo de espera cambiando el valor de DELAY_TIME.
Ideas finales
Nos guste o no, con herramientas como chatGPT, escribir código y los que sólo saben escribir código no servirán de nada. Sin embargo, al igual que los artesanos fueron capaces de adaptarse y aprender nuevas habilidades para seguir siendo competitivos, los programadores podrán hacer lo mismo aprendiendo más sobre cómo utilizar estas herramientas en su beneficio. Una vez que escribir código quede obsoleto, los solucionadores de problemas serán más valiosos. Los programadores del futuro serán mucho más productivos que los actuales, capaces de hazañas con las que sólo podemos soñar. Es fantástico que las tecnologías que utilizamos sean cada vez más inteligentes. Las herramientas que utilizamos están evolucionando a una velocidad de vértigo, asi que es hora de que también evolucionemos. Sí. Adaptarse a nuevas formas es doloroso, pero sólo los vivos pueden sentir el dolor – Los muertos ni siquiera sienten el fuego crematorio.
En el impulso por desarrollar sistemas robóticos que puedan sentir e interactuar con su entorno, se han realizado enormes inversiones en visión artificial. Hemos visto los frutos de estas inversiones en una amplia gama de aplicaciones, desde automóviles autónomos hasta la automatización de robots industriales. Si bien estos esfuerzos han tenido mucho éxito, los sensores ópticos no son la solución ideal para todos los casos de uso. Las tareas de manipulación de objetos, por ejemplo, suelen requerir información táctil para manipular con precisión y seguridad los objetos de interés. Puede imaginar un enfoque híbrido en el que los métodos de visión por computadora localicen el objeto y dirijan un robot a la posición correcta. A partir de ahí, los sensores táctiles dentro de una mano robótica brindan información sobre la fragilidad o robustez del objeto y ayudan a crear un plan para llevar a cabo las intenciones del robot.
En comparación con la visión por computadora, se ha dedicado mucha menos atención al desarrollo de sensores táctiles, lo que los hace generalmente menos sofisticados que sus contrapartes ópticas. Esto ha dificultado el desarrollo de robots que sean capaces de generar una comprensión de alta resolución de su entorno mediante la integración de datos de múltiples tipos de sensores.
En un esfuerzo por comenzar a abordar las deficiencias en la tecnología de detección táctil actual, un equipo de ingenieros de ETH Zürich ha desarrollado un dispositivo que llaman SmartHand .
SmartHand es un sistema integrado de hardware y software creado para recopilar y procesar información táctil de alta resolución de una matriz de sensores múltiples en forma de mano en tiempo real.
Arquitectura del sistema (📷: X. Wang et al.)
El dispositivo SmartHand utiliza una rejilla sensora táctil resistiva de bajo costo, basada en un compuesto de polímero conductor, que se pega a un guante. Se adjunta una unidad de medición inercial (IMU) en la parte posterior del guante para proporcionar información adicional sobre el movimiento. Los datos de los 1024 sensores táctiles (dispuestos en una cuadrícula de 32 por 32) y la IMU se introducen en una placa de descubrimiento STM32F769NI conectada a la muñeca a través de una serie de cables. Esta placa contiene un núcleo Arm Cortex-M7 que funciona a 216 MHz, con 2 MB de memoria flash y 532 kB de RAM.
Para demostrar SmartHand, los investigadores querían poder detectar qué tipo de objeto sostenía la mano. Para ello, se creó y entrenó una red neuronal convolucional, basada en la arquitectura ResNet-18, para reconocer la relación entre los datos de los sensores y un conjunto de dieciséis objetos cotidianos. Se creó un conjunto de datos usando el dispositivo físico para que sirviera como datos de entrenamiento para el modelo. Recopilando mediciones a 100 cuadros por segundo (13,7 veces más rápido que el trabajo anterior), se generó un conjunto de datos táctiles que consta de 340.000 cuadros.
La red de sensores (📷: X. Wang et al.)
Al validar la red neuronal, se encontró que el modelo requiere un orden de magnitud menos de memoria y 15,6 veces menos cálculos, en comparación con los dispositivos actuales. Esto se logró manteniendo la red neuronal lo más compacta posible, sin sacrificar la precisión de las predicciones. Hablando de predicciones, se encontró que la precisión de clasificación top 1 del modelo alcanzó el 98,86% en el reconocimiento de objetos. Al mantener el procesamiento en el límite, el tiempo de inferencia se mantuvo en unos muy razonables 100 milisegundos.
Se observó que, debido a las propiedades inherentes de los materiales que componen la rejilla del sensor táctil, habrá cierto nivel de degradación con el uso repetido. Los primeros indicios sugieren que la degradación puede estabilizarse, lo que permitiría recalibrar el diseño actual después de un período de rodaje inicial sin ningún otro cambio. Actualmente están evaluando si este es el caso, o si la degradación del sensor continúa más allá de la meseta aparente, lo que requeriría más cambios de diseño antes de que sea posible el uso del dispositivo en el mundo real.
El equipo prevé que las técnicas de SmartHand se utilicen en futuras aplicaciones robóticas y protésicas de manos. Con un poco más de esfuerzo, este trabajo puede acercarnos a un mundo en el que los robots no parecen tan robóticos.
El mercado de la gestión de la energía en el hogar ha hecho muchas promesas, pero todavía tiene que ofrecer una visión profunda y reducciones significativas en el uso de energía en el hogar.
Microsoft intentó y fracasó con la plataforma de energía Hohm. Por su parte Google.org probó con el famos paquete de energía para el hogar PowerMeter, solo para luego abandonar el esfuerzo en su famosa primavera de limpieza para adquirir la marca de termostato Nest en su lugar.
Las empresas de administración de energía centradas en hardware, como Tendril, EnergyHub y Onzo, han tenido que hacer cambios drásticos en la estrategia de productos y canales para mantenerse en la búsqueda del cliente. Encontrar un plan de negocios rentable que navegue por los ciclos de gasto de los servicios públicos, los cambios regulatorios y el comportamiento de los clientes de energía ha resultado ser un desafío.
Nest ha trasladado la tecnología de termostatos al año 2008, mientras que Opower, con destino a la oferta pública inicial, ahorra a los clientes de servicios públicos residenciales un promedio de 1,5 a 2,5 por ciento en su factura de electricidad.
Pero «se acerca el tren de la desagregación», según el director general de Bidgely, Abhay Gupta. La desagregación podría ahorrarle al cliente dinero real y cantidades significativas de energía, cambiar la relación de la empresa de servicios públicos con su cliente e impulsar el mercado de administración de energía para el hogar.
Datos de energía a nivel de electrodomésticos de Bidgely
El director ejecutivo de Bidgely afirma que su software de «reconocimiento de patrones profundos» puede brindar datos de consumo de energía a nivel de electrodomésticos, utilizando únicamente la señal del medidor inteligente de una casa.
Segun el CEO de Bidgely, Abhay Gupta, se debería mover la retroalimentación de energía de «un nivel de motivación como Opower a un nivel de empoderamiento.
Con datos de Green Button o AMI a intervalos de una hora, Bidgely puede identificar y detectar cargas de calefacción, refrigeración y bombas, así como energía solar en el techo. Los datos de la red de área doméstica del medidor inteligente pueden brindar suficiente información para identificar electrodomésticos adicionales, como calentadores de agua, estufas, secadoras, bañeras de hidromasaje o vehículos eléctricos.
El CEO dijo que «los servicios públicos nos están empujando hacia nuevos usos». Dio un ejemplo de un programa de bomba de piscina de servicios públicos donde Bidgely realiza la medición y verificación de los dispositivos. También sugirió que la empresa de servicios públicos podría identificar las casas en un territorio que tenía bombas de piscina ineficientes.
La empresa financiada por Khosla Ventures obtiene acceso a los datos de uso no de los sensores de nivel de enchufe, sino a través de grandes conjuntos de datos y análisis inteligentes (aunque se asocia con proveedores de hardware como Blue Line Innovations ). Si Bidgely realmente puede analizar los dispositivos individuales del flujo de datos, los consumidores realmente pueden comenzar a comprender su uso y comenzar a tomar decisiones energéticas más significativas. Las empresas de servicios públicos pueden segmentar el mercado como nunca antes. ¿La empresa de servicios públicos necesita apuntar a 1,500 hogares con bombas para piscinas para un programa de eficiencia energética? Bidgely podría identificar potencialmente a esos propietarios de bombas de piscina.
La firma ha trabajado con cinco empresas de servicios públicos no identificadas, y otras ahora están evaluando el software, que ofrece participación del cliente, gestión del lado de la demanda e inteligencia empresarial.
Preston Roper, director de marketing de la empresa, enfatizó el extremo de ventas del negocio y la necesidad de simplificar el despliegue de una solución de extremo a extremo para una empresa de servicios públicos. Roper describió que la empresa se encuentra en la etapa de comercialización y venta agresiva. Dijo que tiene «vendedores hambrientos y clientes hambrientos que quieren hacer más con los datos«. (Cabe destacar que Opower gastó 30,5 millones de dólares en ventas y marketing en 2013, su mayor gasto, justo por delante de I+D, según su S-1).
«Opower ha hecho un trabajo fantástico en eficiencia energética a través de las ciencias del comportamiento», dijo el CEO de Bidgely. Agregó que Opower había «abierto baldes de dólares y abrió el canal, pero lo estamos llevando al siguiente nivel».
PlotWatt desagrega en Wendy’s, KFC y Dunkin’ Donuts
PlotWatt tiene su propio giro en el software de desagregación basado en la nube. El director ejecutivo de la startup, Luke Fishback, le dijo a GTM que «la desagregación en sí misma es menos interesante que el tipo de inteligencia que podemos ofrecer en función de la desagregación».
«Una factura de electricidad detallada está bien, pero en nuestra experiencia, no es [suficiente]. Lo que realmente perturba al sector es toda la inteligencia genial y procesable que se puede derivar de los datos».
En teoría, los datos de un medidor inteligente o de un conjunto de datos de Green Button tienen el potencial de indicar si hay un segundo refrigerador ineficiente en el garaje o una bomba de piscina deshonesta que consume energía por la tarde, o detectar si un restaurante no está abierto. el congelador está a punto de fallar.
El director ejecutivo de PlotWatt nos dijo que la empresa «ya está generando un nivel increíble de ahorros» con «un nivel de compromiso» mucho más allá del estado de cuenta mensual de kilovatios-hora.
Según Fishback, «Opower ha hecho un trabajo brillante al abordar los puntos débiles de las empresas de servicios públicos». Pero mientras que Opower puede obtener ahorros del 2 por ciento, Fishback sugiere que la tecnología de su empresa puede acercarse a niveles de ahorro del 10 al 15 por ciento. Dijo: «No se ven muchos programas que brinden el nivel de eficiencia energética que nosotros podemos. Tal vez el 2 por ciento es la forma en que se incentivan de manera óptima las empresas de servicios públicos. No se les incentiva para brindar ahorros del 5 por ciento o del 10 por ciento».
Si bien Bidgely se enfoca en los servicios públicos, Fishback de PlotWatt habló de ir donde estaban los datos, y en una de las estrategias de mercado de la empresa, PlotWatt descubrió que los franquiciados de las cadenas de comida rápida Wendy’s, KFC y Dunkin’ Donuts son clientes entusiastas, dada la El ROI de un año reclamado por el producto y más del 10 por ciento de ahorro de electricidad. El servicio de suscripción que ofrece PlotWatt puede reducir las facturas, detectar electrodomésticos averiados y averiados, y proporcionar inteligencia comercial, como si una ubicación en particular cierra antes de tiempo o si las entregas se retrasan. PlotWatt utiliza hardware en la caja de interruptores como registrador de datos. No hay participación de las empresas de servicios públicos, según el CEO.
El CEO enfatizó que no son los datos sin procesar los que ahorran un 14 por ciento de electricidad en la ubicación de Wendy’s: es el correo electrónico enviado al gerente de la tienda que le notifica que el horno se dejó encendido a la hora de cerrar o que una cámara frigorífica está a punto de abrirse. fallar.
La estrategia de mercado de PlotWatt se dirige a cualquier nodo donde se agreguen datos de redes inteligentes. Entonces, además de los restaurantes, la empresa se enfoca en flujos de datos residenciales y de servicios públicos.
El CEO dijo que la parte residencial de este mercado es el «gigante dormido» y agregó: «Queremos construir un negocio para que cuando el gigante despierte o cuando sea provocado, estemos listos».
El líder del mercado Opower no se queda quieto
Opower, que domina el mercado, y su motor de participación del cliente con destino a la oferta pública inicial es una historia de éxito de una startup. La compañía de software financiada por VC creó un nuevo mercado con una inclinación de TI y escaló a lo grande y rápido.
Opower buscaba recaudar $110 millones a través de una oferta pública inicial. Como informó Stephen Lacey de GTM, los ingresos de Opower crecieron de $28,7 millones en 2011 a $88,7 millones en 2013. Más del 90 por ciento de sus ingresos en 2013 provinieron de suscripciones con los 93 clientes de servicios públicos de Opower.
Lacey señala que los ciclos de ventas de Opower van desde tan solo seis meses hasta veinticuatro meses. Muchos de los clientes más importantes de Opower verán expirar sus contratos en 2014 o 2015. Opower identifica a sus competidores como Aclara, C3 Energy, Nest Labs, Oracle, SAP y Tendril, «así como muchos otros proveedores más pequeños». La firma tiene sus propias patentes sobre la desagregación de datos de carga.
Opower sigue siendo la fuerza a tener en cuenta y probablemente insistiría en que este «Opower 2.0» del que sigo escuchando provendrá del mismo Opower.
Un negocio impulsado por programas de eficiencia de servicios públicos
Los contratos y los ingresos que obtiene Opower y que son el objetivo de Bidgely, PlotWatt y el resto de la industria de eficiencia energética generalmente provienen de programas de respuesta a la demanda o eficiencia energética de servicios públicos exigidos por la PUC de un estado. Estos programas brindan incentivos significativos para las reducciones en el consumo anual de energía, además de imponer sanciones por incumplimiento.
Los programas de eficiencia energética de las empresas de servicios públicos financiados por los contribuyentes se han más que duplicado entre 2006 y 2010 a $ 4.8 mil millones, y se espera que los programas se dupliquen nuevamente para 2025, según un estudio del Laboratorio Nacional Lawrence Berkeley.
«Comprender la parte del comportamiento humano y la ciencia humana es tan importante, si no más importante» que los desafíos técnicos involucrados en el desglose de energía, dijo Peter Porteous de Blue Line Innovations en el informe de St. John. «Las empresas que serán exitosos serán los que tengan ambos.”
“Creo que la credibilidad triunfa sobre la precisión” cuando se trata de datos detallados de desglose de viviendas, dijo Porteous. “Lo que quiero decir con eso es que si esta es tu casa, y estás conectado, y de repente los datos regresan y te dicen que estás gastando $10 al mes en un jacuzzi, y tú… Si no tienes un jacuzzi, bueno, nunca volverás a mirar los datos”. Esa comprensión fundamental de la naturaleza humana es la razón por la cual Bidgely o PlotWatt adoptan un «enfoque conservador y muy reacio al riesgo para revelar el uso».
Eso no solo es valioso para los propietarios de viviendas, señaló. “La respuesta de las empresas de servicios públicos, cuando ven que ahora pueden tener acceso a estos datos, realmente cambia las reglas del juego”, dijo. “Esa es su principal frustración: no tienen idea de lo que hacen sus clientes dentro de la casa y dedican grandes cantidades de investigación a tratar de averiguarlo”.
Opower ha tenido una gran ventaja y pronto tendrá acceso a capital público. Los programas de la empresa permiten que las empresas de servicios públicos cumplan con los mandatos de eficiencia sin amenazar el sustento de la empresa de servicios públicos. Como sugirió el director ejecutivo de PlotWatt, «tal vez el 2 por ciento es la forma óptima de incentivar a las empresas de servicios públicos», y un ahorro del 15 por ciento puede ser demasiado perturbador para alentarlo en este momento.
En cualquier caso, esté atento a la convergencia de la ciencia del comportamiento de Opower con la tecnología de los desagregadores en los próximos años. Si el genio de la desagregación es real, no se puede volver a poner en la botella.
Las siglas MLE corresponden al algoritmo de estimación de máxima verosimilitud y se usa por ejemplo para la desagregación de energía.
Es responsable cuando se desea un solo aparato desagregado en lugar de desagregar muchos. Además, el aparato debe ser mayoritariamente resistivo para lograr precisión.
Se basa en eventos emparejados:
- OnPower: valor delta cuando el aparato está encendido.
- OffPOwer: valor delta cuando el aparato está apagado.
- Duración: duración entre encendido y apagado.
Además, para descartar muchos eventos poco probables, se establecen tres restricciones:
- PowerNoise: valor delta mínimo por debajo del cual el delta se considera ruido.
- PowerPair: diferencia máxima entre OnPower y OffPower (considerando electrodomésticos con consumo de energía constante).
- timeWindow: marco de tiempo máximo entre Onpower y Offpower.
Las características antes mencionadas se modelan con gaussianas, mezclas gaussianas o Poisson. Para cada evento emparejado entrante, el algoritmo extraerá estas tres características y evaluará la probabilidad de máxima verosimilitud de que ese evento emparejado sea un dispositivo determinado.
IMPORTACIONES
import numpy as np
import pandas as pd
from os.path import join
from pylab import rcParams
import matplotlib.pyplot as plt
%matplotlib inline
rcParams['figure.figsize'] = (13, 6)
#plt.style.use('ggplot')
from datetime import datetime as datetime2
from datetime import timedelta
import nilmtk
from nilmtk.disaggregate.maximum_likelihood_estimation import MLE
from nilmtk import DataSet, TimeFrame, MeterGroup, HDFDataStore
from scipy.stats import poisson, norm
from sklearn import mixture
import warnings
warnings.filterwarnings("ignore")
Funciones
def get_all_appliances(appliance):
# Filtering by appliances:
print "Fetching " + appliance + " over data loaded to nilmtk."
metergroup = nilmtk.global_meter_group.select_using_appliances(type=appliance)
if len(metergroup.appliances) == 0:
print "None " + appliance + " found on memory."
pass
# Selecting only single meters:
print "Filtering to get one meter for each " + appliance
meters = [meter for meter in metergroup.meters if (len(meter.appliances) == 1)]
metergroup = MeterGroup(meters)
print metergroup
print "Found " + str(len(metergroup.meters)) + " " + appliance
return metergroup
def get_all_trainings(appliance, train):
# Filtering by appliances:
print "Fetching " + appliance + " over data train data."
elecs = []
for building in train.buildings:
print "Building " + str(building) + "..."
elec = train.buildings[building].elec[appliance]
if len(elec.appliances) == 1:
print elec
print "Fetched elec."
elecs.append(elec)
else:
print elec
print "Groundtruth does not exist. Many appliances or None"
metergroup = MeterGroup(elecs)
return metergroup
In [8]:train = DataSet(join(path, 'ukdale.h5'))
test = DataSet(join(path, 'ukdale.h5'))
train.set_window(end="17-5-2013")
test.set_window(start="17-5-2013")
#zoom.set_window(start="17-5-2013")
print('loaded ' + str(len(ukdale.buildings)) + ' buildings')
loaded 5 buildings
Obteniendo los datos de entrenamiento
Es posible que el dispositivo seleccionado no esté entrenado desde ElecMeters donde se presentan otros dispositivos, ya que podemos extraer la verdad básica
# Appliance to disaggregate:
applianceName = 'kettle'
# Groundtruth from the training data:
metergroup = get_all_trainings(applianceName,train)
Fetching kettle over data train data.
Building 1...
ElecMeter(instance=10, building=1, dataset='UK-DALE', appliances=[Appliance(type='kettle', instance=1), Appliance(type='food processor', instance=1), Appliance(type='toasted sandwich maker', instance=1)])
Groundtruth does not exist. Many appliances or None
Building 2...
ElecMeter(instance=8, building=2, dataset='UK-DALE', appliances=[Appliance(type='kettle', instance=1)])
Fetched elec.
Building 3...
ElecMeter(instance=2, building=3, dataset='UK-DALE', appliances=[Appliance(type='kettle', instance=1)])
Fetched elec.
Building 4...
ElecMeter(instance=3, building=4, dataset='UK-DALE', appliances=[Appliance(type='kettle', instance=1), Appliance(type='radio', instance=1)])
Groundtruth does not exist. Many appliances or None
Building 5...
ElecMeter(instance=18, building=5, dataset='UK-DALE', appliances=[Appliance(type='kettle', instance=1)])
Fetched elec.
Algoritmo MLE
Capacitación
Primero, creamos el modelo
mle = MLE()
Luego, actualizamos el parámetro del modelo con algunos valores de adivinación.
Primero adivine las características: mezclas gaussianas de encendido y apagado y poisson de duración.
# setting parameters in the model:
mle.update(appliance=applianceName, resistive=True, units=('power','active'), thDelta= 1500, thLikelihood= 1e-10, powerNoise= 50, powerPair= 100, timeWindow= 400, sample_period= '10S', sampling_method='first')
# Settings the features parameters by guessing:
mle.onpower = {'name':'gmm', 'model': mixture.GMM(n_components=2)}
mle.offpower = {'name':'gmm', 'model': mixture.GMM(n_components=2)}
mle.duration = {'name':'poisson', 'model': poisson(0)}
Entrenamos el modelo con todas las ocurrencias de ese modelo de dispositivo que se encuentran en los datos de entrenamiento.
mle.train(metergroup)
('kettle', 1)
Training on chunk
Samples of onpower: 214
Samples of offpower: 214
Samples of duration: 214
Training onpower
Training offpower
Training duration
('kettle', 2)
Training on chunk
Samples of onpower: 92
Samples of offpower: 92
Samples of duration: 92
Training onpower
Training offpower
Training duration
('kettle', 3)
Chunk empty
Y luego visualizamos características con featureHist_colors () para ver la distribución y cuántas muestras tenemos para cada dispositivo (el mismo modelo de diferentes casas).
mle.featuresHist_colors()
A veces, tenemos más eventos de algunas casas que de otras, como vemos en la figura de arriba. Por lo tanto, necesitamos recortar información para mantener el mismo número de muestras para cada casa.
('kettle', 1)
Training on chunk
Samples of onpower: 214
Samples of offpower: 214
Samples of duration: 214
Training onpower
Training offpower
Training duration
('kettle', 2)
Training on chunk
Samples of onpower: 92
Samples of offpower: 92
Samples of duration: 92
Training onpower
Training offpower
Training duration
('kettle', 3)
Chunk empty
Retraining onpower
Retraining offpower
Retraining duration
Una vez que tengamos la distribución del modelo final para cada característica. Necesitamos la integridad de cada distribución. Cada CDF debe estar delimitado por uno.
# Building to disaggregate:
building = 2
mains = test.buildings[building].elec.mains()
# File to store the disaggregation
filename= '/home/energos/Escritorio/ukdale-disag-ml.h5'
output = HDFDataStore(filename, 'w')
El siguiente paso tomará unos minutos.
mle.disaggregate(mains, output)
25656 events found.
12419 onEvents found
4244 onEvents no paired.
1 chunks disaggregated
También recibimos cierta información, como el número total de eventos, el número de eventos de encendido, el número de eventos que no se han emparejado y los fragmentos desglosados.
Es esencial utilizar datos del mundo real al comparar el rendimiento de las técnicas NIALM. Sin embargo, estos conjuntos de datos requieren mucho tiempo, son costosos y, a menudo, son incómodos de recopilar. Con este fin, los investigadores han comenzado a publicar sus conjuntos de datos, lo que permite a otros investigadores comparar sus enfoques con puntos de referencia comunes.
Stephen Makonin lanzó la primera versión del conjunto de datos Almanac of Minutely Power . El conjunto de datos contiene lecturas de medidor agregadas de 1 minuto, así como lecturas submedidas de 19 circuitos individuales. Cada lectura incluye medidas de voltaje, corriente, frecuencia, factor de potencia, potencia real, potencia reactiva y potencia aparente. Además, el consumo total de gas y agua también se midió a intervalos de 1 minuto, además de 1 uso individual para cada servicio. El conjunto de datos abarca un año completo desde abril de 2012 hasta marzo de 2013 de un solo hogar en el área metropolitana de Vancouver, BC, Canadá.
El conjunto de datos está disponible para cualquier persona de forma gratuita, aunque los autores requieren que se solicite un nombre de usuario y una contraseña para realizar un seguimiento del uso.
La Universidad de California, Berkley, ha publicado datos de electricidad recopilados del Cory Hall en el campus de UC Berkeley. El conjunto de datos contiene datos recopilados de 4 categorías de cargas submedidas: iluminación, HVAC, receptáculo (enchufes) y otros, para los cuales hay muchas fuentes disponibles para cada categoría de carga.
El conjunto de datos contiene mediciones de potencia activa, reactiva y aparente que se recopilaron a intervalos de 20 segundos. Los datos están disponibles de forma gratuita a través del sitio web de Mehdi Maasoumy , y un documento que describe brevemente el conjunto de datos apareció en el taller Big Learning en NIPS 2013 .
Thomas Kriechbaumer y Hans-Arno Jacobsen de la Universidad Técnica de Munich (TUM) lanzaron recientemente el conjunto de datos BLOND, que contiene lecturas de voltaje y corriente para circuitos agregados y datos de verdad de tierra totalmente etiquetados (mediciones de aparatos individuales). El estudio cubre 53 aparatos (16 clases) en una red eléctrica trifásica en Alemania.
Los autores han publicado dos versiones del conjunto de datos: 1) BLOND-50 contiene 213 días de mediciones muestreadas a 50 kHz (agregado) y 6.4 kHz (aparatos individuales), 2) BLOND-250 consta de la misma configuración: 50 días, 250 kHz (agregado), 50 kHz (aparatos individuales). El conjunto de datos también se describe con más detalle en el artículo de Datos científicos .
El conjunto de datos BLUED contiene datos a nivel de hogar de alta frecuencia (12 kHz) de un solo hogar de EE. UU. Durante un período de aproximadamente 8 días. El conjunto de datos también contiene una lista de eventos de cada vez que un electrodoméstico dentro del hogar cambia de estado (por ejemplo, se enciende el microondas).
Este conjunto de datos se recopiló principalmente para la evaluación de métodos NIALM basados en eventos. Los autores también tienen acceso protegido con contraseña al conjunto de datos para realizar un seguimiento de su uso.
El conjunto de datos COOLL fue publicado por investigadores del laboratorio PRISME de la Universidad de Orleans, que contiene alta frecuencia de 12 tipos diferentes de aparatos. De manera similar a los conjuntos de datos de tracebase y PLAID, se midieron varias instancias de cada tipo, y cada instancia se midió a lo largo de 20 operaciones. Durante cada operación controlada, se recopilaron datos de corriente y voltaje a una frecuencia de muestreo de 100 kHz. El conjunto de datos se resume en un artículo académico y se puede descargar de github después de completar un formulario de registro.
Pecan Street Inc ha publicado una gran cantidad de datos de electricidad doméstica a través de la iniciativa Dataport.Al momento de escribir este artículo, los datos contienen datos de 669 hogares, en los que tanto la demanda de energía agregada de los hogares como las demandas de energía de los electrodomésticos individuales se monitorean en intervalos de 1 minuto. Las instalaciones comenzaron en enero de 2011 y todavía se están recopilando datos para la mayoría de los edificios.
Los datos están disponibles gratuitamente para los miembros de la Universidad de la comunidad WikiEnergy, y los detalles completos para el acceso a la base de datos se pueden encontrar en la página de inicio de Dataport .
Marc Wenninger, Andreas Maier y Jochen Schmidt han lanzado DEDDIAG , un conjunto de datos de demanda de electricidad doméstica de electrodomésticos individuales en Alemania. El conjunto de datos contiene grabaciones de 15 hogares durante un período de hasta 3,5 años, en los que se han registrado 50 aparatos a una frecuencia de 1 Hz. El conjunto de datos se centra en electrodomésticos de importancia para fines de cambio de carga, como lavavajillas, lavadoras y refrigeradores. Una casa también incluye lecturas de red trifásica que se pueden utilizar para tareas de desagregación.
La Universidad Tecnológica de Delft (TUDelft) ha publicado un conjunto de datos DRED, que contiene información sobre el consumo de energía tanto a nivel de la casa como del electrodoméstico. El despliegue en vivo consta de varios sensores que miden la electricidad, la ocupación de los ocupantes y los parámetros ambientales en un hogar.
El conjunto de datos DRED incluye datos de electricidad (consumo de energía agregado y consumo de energía a nivel del aparato), información ambiental (temperatura interior a nivel de la habitación, temperatura exterior, parámetros ambientales), información de ocupación (información de ubicación de los ocupantes a nivel de la habitación, información de WiFi y BT RSSI para localización) e información del hogar (diseño de la casa, número de electrodomésticos monitoreados, mapeo de ubicación de electrodomésticos, etc.).
El conjunto de datos está disponible públicamente y se puede obtener en el sitio web de DRED..
El conjunto de datos ECO es un conjunto de datos para el monitoreo de carga no intrusivo y la investigación de detección de ocupación. Se recogió en 6 hogares suizos durante un período de 8 meses. Para cada uno de los hogares, el conjunto de datos ECO proporciona datos de consumo agregado de 1 Hz (corriente, voltaje y cambio de fase para cada una de las tres fases en el hogar) y también datos de nivel de enchufe de 1 Hz medidos de electrodomésticos seleccionados.
Además, el conjunto de datos también incluye información de ocupación medida a través de una tableta (etiquetado manual) y un sensor de infrarrojos pasivo (en algunos hogares).
El conjunto de datos se describe en detalle en un artículo publicado en BuildSys 2014.
El conjunto de datos contiene mediciones de potencia activa tomadas a intervalos de 1 segundo de 9 electrodomésticos individuales y la demanda de energía total de los hogares de 9 casas en Italia y Austria, durante un período de hasta un año. Se pueden encontrar más detalles en el documento arXiv adjunto .
Además, también está disponible un convertidor NILMTK para el conjunto de datos.
Como parte de este estudio, se monitorearon 251 hogares ocupantes de propietarios en Inglaterra entre abril de 2010 y abril de 2011. De estos hogares, 26 fueron monitoreados durante 12 meses y 225 durante 1 mes. Para cada hogar, se controló el consumo de energía de 13-51 electrodomésticos a intervalos de 2 minutos.
Actualmente se está desarrollando un portal de software para proporcionar acceso al conjunto de datos, aunque mientras tanto, los datos pueden solicitarse individualmente a ICF International contactando [email protected] y proporcionando una dirección postal y detalles del sistema operativo.
Publicado por investigadores de la Universidad de Edimburgo, el conjunto de datos de energía del hogar IDEAL comprende datos de 255 hogares del Reino Unido. Junto con los datos de electricidad y gas de cada hogar, el corpus contiene lecturas individuales de temperatura y humedad de la habitación y lecturas de temperatura de la caldera. Para 39 de los 255 hogares, se dispone de datos más detallados, incluidos datos sobre el uso de aparatos eléctricos individuales y datos sobre radiadores individuales.
Los datos de los sensores se incrementan con datos de encuestas anonimizados y metadatos, incluidos los datos demográficos de los ocupantes, la conciencia y las actitudes energéticas autoinformadas, y las características del edificio, la habitación y los electrodomésticos.
El Instituto Indraprastha de Tecnología de la Información publicó recientemente el conjunto de datos iAWE , que contiene datos agregados y submedidos de electricidad y gas de 33 sensores domésticos con una resolución de 1 segundo.
El conjunto de datos cubre 73 días de una sola casa en Delhi, India. Cada canal individual de datos se puede descargar por separado en formato SQL o CSV desde la sección de descarga en la parte inferior de la página web.
EDF Energy publicó un conjunto de datos en 2012 que contiene mediciones de energía realizadas en un solo hogar en Francia durante 4 años. Las mediciones promedio están disponibles a una resolución de 1 minuto de la potencia activa, la potencia reactiva, la tensión y la corriente agregadas del hogar, así como la potencia activa de 3 circuitos submedidos.
Aunque cada circuito contiene algunos aparatos, este es el conjunto de datos más grande en términos de duración de la medición.
Pecan Street Research Institute anunció el lanzamiento de un nuevo conjunto de datos diseñado específicamente para permitir la evaluación de la tecnología de desagregación de electricidad. Un conjunto de datos de muestra gratuito está disponible para los miembros de su consorcio de investigación, que ahora se ha abierto a los investigadores universitarios. El conjunto de datos de muestra contiene 7 días de datos de 10 casas en Austin, TX, EE. UU., Para los cuales también se encuentran disponibles datos agregados y de circuito que contienen lecturas de potencia en intervalos de 1 minuto. Además de las cargas domésticas comunes, 2 de las casas también tienen sistemas fotovoltaicos y 1 casa también tiene un vehículo eléctrico.
REDD contiene datos tanto a nivel de hogar como a nivel de circuito de 6 hogares de EE. UU., Durante varias duraciones (entre unas pocas semanas y unos meses). Cada casa tiene una entrada de red bifásica y de 10 a 25 circuitos monitoreados individualmente.
Los datos de corriente y voltaje de alta frecuencia (kHz) están disponibles para ambos circuitos de red, mientras que las mediciones de potencia de baja frecuencia (intervalos de 3-4 segundos) están disponibles para los circuitos del aparato.
Este conjunto de datos se recopiló principalmente para la evaluación de métodos NIALM no basados en eventos. Los autores tienen acceso protegido con contraseña al conjunto de datos para realizar un seguimiento de su uso.
El conjunto de datos REFIT fue publicado como parte del proyecto Smart Home and Energy Demand Reduction , por David Murray y Lina Stankovic. en la Universidad de Strathclyde. El conjunto de datos contiene mediciones de potencia activa del agregado y 9 aparatos individuales de 20 hogares en el área de Loughborough del Reino Unido, con una resolución de 1 muestra cada 8 segundos. Esto convierte al REFIT en el único conjunto de datos del Reino Unido que contiene datos a nivel de electrodomésticos a una frecuencia de muestreo superior a una vez por minuto.
Además, los datos agregados de consumo de gas también se registraron a intervalos de 30 minutos. Sin embargo, debe tenerse en cuenta que los datos se comprimieron al eliminar muestras para las que la demanda de energía no había cambiado desde la última lectura.
Aunque no se recopila específicamente para el desglose de energía, el conjunto de datos Smart * (Smart Star) proporciona datos de energía de 3 hogares reales submedidos. La granularidad de los datos recopilados para los monitores de nivel de circuito (conjunto de instalaciones y circuitos individuales) es de una lectura por segundo, mientras que las cargas de los enchufes individuales se miden aproximadamente cada pocos segundos. Cada casa contiene de 21 a 26 medidores de circuito y casi todos los electrodomésticos se miden con medidores de enchufe. Por el momento, los datos agregados, de circuitos y de electrodomésticos están disponibles para la casa A, pero solo los datos agregados están disponibles para las casas B y C.
El repositorio de tracebase contiene datos de dispositivos individuales con la intención de crear una base de datos para entrenar algoritmos NIALM. El repositorio contiene un total de 1883 días de lecturas de energía, tomadas a intervalos de 1 segundo, para 158 instancias de dispositivos, de 43 tipos de dispositivos diferentes.
Dado que el objetivo es crear una base de datos de dispositivos, no se recopilan medidas agregadas. Los datos se introducen en Reinhardt et al. 2012 y está disponible en el repositorio de tracebase .
Los archivos están protegidos con contraseña, pero se puede solicitar una contraseña a través de la página de descarga .
Jack Kelly lanzó la primera versión de UK-DALE en enero de 2015. El conjunto de datos contiene lecturas de medidores agregados de voltaje y corriente de 16 kHz y datos de energía submedidos de 6 segundos de electrodomésticos individuales en 3 hogares del Reino Unido, así como un agregado de 1 segundo y Datos de potencia submedidos de 6 segundos para 2 hogares adicionales. En agosto de 2015 se publicó una actualización del conjunto de datos que amplió los datos disponibles para la casa 1 a 2,5 años
Los datos de baja frecuencia están disponibles para descargar en formato CSV o NILMTK HDF5, mientras que los datos de alta frecuencia se pueden descargar en formato de archivo FLAC.
HDF5 es un formato de datos jerárquico que se usar en el NILMTK como fuente datos basado en HDF4 y NetCDF (otros dos formatos de datos jerárquicos).El formato de datos jerárquico, versión 5 (HDF5), es un formato de archivo de código abierto que admite datos grandes, complejos y heterogéneos. HDF5 utiliza una estructura similar a un «directorio de archivos» que le permite organizar los datos dentro del archivo de muchas formas estructuradas diferentes, como lo haría con los archivos en su computadora. El formato HDF5 también permite la incrustación de metadatos, lo que lo hace autodescriptivo .
El formato de archivo HDF5 es desarrollado por The HDF Group. Es un formato de archivo binario abierto con buen soporte en varios lenguajes de programación, incluido Python. En principio, podría usar cualquier lenguaje para crear su convertidor de conjuntos de datos, pero recomendamos el lenguaje Python y no hemos intentado escribir convertidores en otro idioma. Trabajar con archivos HDF5 es realmente fácil en Python usando Pandas (que, a su vez, usa el excelente paquete PyTables ).
Estructura jerárquica: un directorio de archivos dentro de un archivo
El formato HDF5 se puede considerar como un sistema de archivos contenido y descrito en un solo archivo. Piense en los archivos y carpetas almacenados en su computadora. Es posible que tenga un directorio de datos con algunos datos de temperatura para varios sitios de campo. Estos datos de temperatura se recopilan cada minuto y se resumen cada hora, día y semana. Dentro de un archivo HDF5, puede almacenar un conjunto de datos similar organizado de la misma manera que podría organizar archivos y carpetas en su computadora. Sin embargo, en un archivo HDF5, lo que llamamos «directorios» o «carpetas» en nuestras computadoras, se llaman groupsy lo que llamamos archivos en nuestra computadora datasets.
2 Términos importantes de HDF5
Grupo: un elemento similar a una carpeta dentro de un archivo HDF5 que puede contener otros grupos O conjuntos de datos dentro de él.
Conjunto de datos: los datos reales contenidos en el archivo HDF5. Los conjuntos de datos se almacenan a menudo (pero no es necesario) dentro de grupos en el archivo.
Un ejemplo de estructura de archivo HDF5 que contiene grupos, conjuntos de datos y metadatos asociados.
Un archivo HDF5 que contiene conjuntos de datos podría estructurarse así:
Un ejemplo de estructura de archivo HDF5 que contiene datos para varios sitios de campo y también contiene varios conjuntos de datos (promediados en diferentes intervalos de tiempo).
HDF5 es un formato autodescriptivo
El formato HDF5 es autodescriptivo. Esto significa que cada archivo, grupo y conjunto de datos puede tener metadatos asociados que describen exactamente cuáles son los datos. Siguiendo el ejemplo anterior, podemos incrustar información sobre cada sitio en el archivo, como por ejemplo:
El nombre completo y la ubicación X, Y del sitio.
Descripción del sitio.
Cualquier documentación de interés.
De manera similar, podríamos agregar información sobre cómo se recopilaron los datos en el conjunto de datos, como descripciones del sensor utilizado para recopilar los datos de temperatura. También podemos adjuntar información, a cada conjunto de datos dentro del grupo de sitios, sobre cómo se realizó el promedio y durante qué período de tiempo están disponibles los datos.
Un beneficio clave de tener metadatos adjuntos a cada archivo, grupo y conjunto de datos es que esto facilita la automatización sin la necesidad de un documento de metadatos separado (y adicional). Usando un lenguaje de programación, como R o Python, podemos obtener información de los metadatos que ya están asociados con el conjunto de datos y que podríamos necesitar para procesar el conjunto de datos.
Los archivos HDF5 son autodescriptivos, lo que significa que todos los elementos (el archivo en sí, los grupos y los conjuntos de datos) pueden tener metadatos asociados que describen la información contenida en el elemento.
Subconjunto comprimido y eficiente
El formato HDF5 es un formato comprimido. El tamaño de todos los datos contenidos en HDF5 está optimizado, lo que reduce el tamaño general del archivo. Sin embargo, incluso cuando están comprimidos, los archivos HDF5 a menudo contienen grandes volúmenes de datos y, por lo tanto, pueden ser bastante grandes. Un atributo poderoso de HDF5 es data slicingmediante el cual se puede extraer un subconjunto particular de un conjunto de datos para su procesamiento. Esto significa que no es necesario leer el conjunto de datos completo en la memoria (RAM); muy útil para permitirnos trabajar de manera más eficiente con conjuntos de datos muy grandes (gigabytes o más).
Almacenamiento de datos heterogéneos
Los archivos HDF5 pueden almacenar muchos tipos diferentes de datos dentro del mismo archivo. Por ejemplo, un grupo puede contener un conjunto de conjuntos de datos para contener datos enteros (numéricos) y de texto (cadenas). O bien, un conjunto de datos puede contener tipos de datos heterogéneos (por ejemplo, tanto texto como datos numéricos en un conjunto de datos). Esto significa que HDF5 puede almacenar cualquiera de los siguientes (y más) en un archivo:
Datos de temperatura, precipitación y PAR (radiación fotosintética activa) para un sitio o para muchos sitios
Un conjunto de imágenes que cubren una o más áreas (cada imagen puede tener asociada información espacial específica, todo en el mismo archivo)
Un conjunto de datos espaciales multi o hiperespectral que contiene cientos de bandas.
Datos de campo para varios sitios que caracterizan insectos, mamíferos, vegetación y clima.
Un conjunto de imágenes que cubren una o más áreas (cada imagen puede tener asociada información espacial única)
¡Y mucho más!
Formato abierto
El formato HDF5 es abierto y de uso gratuito. Las bibliotecas de apoyo (y un visor gratuito) se pueden descargar desde el sitio web de HDF Group . Como tal, HDF5 es ampliamente compatible con una gran cantidad de programas, incluidos lenguajes de programación de código abierto como R y Python, y herramientas de programación comerciales como Matlaby IDL. Los datos espaciales que se almacenan en formato HDF5 se pueden utilizar en los programas de SIG y de imagen que incluyen QGIS, ArcGISy ENVI.
Beneficios de HDF5
Autodescripción Los conjuntos de datos con un archivo HDF5 son autodescriptivos. Esto nos permite extraer metadatos de manera eficiente sin necesidad de un documento de metadatos adicional.
Admite datos heterogéneos : un archivo HDF5 puede contener diferentes tipos de conjuntos de datos.
Admite datos grandes y complejos : HDF5 es un formato comprimido que está diseñado para admitir conjuntos de datos grandes, heterogéneos y complejos.
Admite la división de datos: la «división de datos», o la extracción de partes del conjunto de datos según sea necesario para el análisis, significa que los archivos grandes no necesitan leerse por completo en la memoria o RAM de la computadora.
Formato abierto: soporte amplio en las muchas herramientas : debido a que el formato HDF5 es abierto, es compatible con una gran cantidad de lenguajes y herramientas de programación, incluidos lenguajes de código abierto como R y Pythonherramientas SIG abiertas como QGIS.E
Si desea contribuir con un nuevo convertidor de conjuntos de datos a H5 (o simplemente comprender mejor los convertidores existentes), probablemente la mejor manera de ponerse al día es leer este post pues vamos a ver el diseño de los datos en un archivo NILMTK HDF5. Asimismo se recomienda eche un vistazo al convertidor REDD para NILMTK (in nilmtk/nilmtk/dataset_converters/redd).
Los convertidores de conjuntos de datos NILMTK generan un archivo HDF5 que contiene tanto los datos de la serie temporal de cada medidor como todos los metadatos relevantes, veamos pues como crear uno nuevo.
Datos de series de tiempo
Los datos de cada medidor físico se almacenan en su propia tabla (es decir, existe una relación de uno a uno entre las tablas del archivo HDF5 y los medidores físicos).
Ubicación de la mesa (llaves)
Las tablas en HDF5 se identifican mediante una clave jerárquica. Cada clave es una cuerda. Los niveles de la jerarquía están separados por un /carácter en la clave. NILMTK usa claves en la forma /building<i>/elec/meter<j>donde iy json números enteros que comienzan desde 1. ies la instancia del edificio y jes la instancia del medidor. Por ejemplo, la tabla que almacena datos de la instancia 1 del medidor en la instancia 1 del edificio tendría la clave /building1/elec/meter1. (Usamos elecen la jerarquía para permitirnos, en el futuro, agregar soporte para otros tipos de sensores como medidores de agua y gas).
Contenido de cada tabla
Ilustración
poder
energía
Voltaje
activo
reactivo
2014-07-01T05: 00: 14 + 00: 00
0,1
0,01
231.1
2014-07-01T05: 00: 15 + 00: 00
100,5
10,5
232,1
Columna de índice
La columna de índice es una fecha y hora representada en el disco como una marca de tiempo UNIX de precisión de nanosegundos (!) Almacenada como un int de 64 bits sin firmar. En Python, usamos un archivo con reconocimiento de zona horaria numpy.datetime64. El marco de datos debe ordenarse en orden ascendente en la columna de índice (marca de tiempo).
Para evitar problemas más adelante, la columna de índice debe tener valores únicos. Si hay duplicados, el convertidor debe eliminar uno de los elementos o eliminar la ambigüedad si es posible.
Columnas de medida
Cada columna, excepto la columna de índice, contiene una medida tomada por el medidor. Estas medidas pueden ser demanda de potencia, energía, energía acumulada, voltaje o corriente. Cada medición se representa como un número de coma flotante de 32 bits.
Siempre usamos unidades SI o unidades derivadas del SI y NILMTK asume que no se ha aplicado ningún prefijo de unidad (por ejemplo, ‘kilo-‘ o ‘mega-‘). En otras palabras, NILMTK asume un multiplicador de unidad de 1. Por ejemplo, siempre usamos vatios (no kW) para la potencia activa. Si el conjunto de datos de origen usa, digamos, kW, multiplique estos valores por 1000 en su convertidor.
Etiquetas de columna
Las etiquetas de columna son jerárquicas con 2 niveles ( las etiquetas jerárquicas son muy bien compatibles con Pandas ). El nivel superior describe lo que se physical_quantityestá midiendo. El nivel de segundos describe el typeque, en la actualidad, se usa para las columnas de energía y potencia para describir si la medición de corriente alterna es apparent, activeo reactive. Usamos un vocabulario controlado para ambos physical_quanitityy type. Para los detalles completos de este vocabulario controlado, por favor consulte la documentación physical_quantityy typeen virtud de la measurementspropiedad para el objeto MeterDevice en NILM metadatos .
Compresión
Usamos zlibpara comprimir nuestros archivos HDF5. bzip2da como resultado archivos un poco más pequeños (261 MB bzip2frente a 273 MB zlibpara REDD) pero no parece ser compatible con HDFView .
Metadatos
Para que NILMTK pueda cargar el conjunto de datos, necesitamos agregar metadatos al archivo HDF5. NILMTK utiliza el esquema de metadatos de NILM .
Si el conjunto de datos ya está descrito en YAML usando el esquema de metadatos NILM, simplemente llame nilm_metadata.convert_yaml_to_hdf5().
Si el conjunto de datos aún no se describe mediante el esquema de metadatos de NILM, será necesario hacerlo. Si se trata de un conjunto de datos pequeño, puede escribir manualmente los archivos YAML y luego convertirlos a HDF5 (así es como funciona nuestro convertidor REDD). Si se trata de un conjunto de datos grande, sería mejor convertir mediante programación los propios metadatos del conjunto de datos en metadatos NILM y almacenar los metadatos directamente en el archivo HDF5.
Los metadatos NILM nos permiten describir muchos de los objetos que normalmente encontramos en un conjunto de datos de energía desagregado. A continuación se muestra un diagrama de clases UML que muestra todas las clases y las relaciones entre clases:
Un diamante negro oscuro indica una relación de «composición», mientras que un diamante hueco indica una «agregación». Por ejemplo, la relación entre Datasety Buildingse lee como ‘ cada conjunto de datos contiene cualquier número de edificios y cada edificio pertenece exactamente a un conjunto de datos ‘. Usamos diamantes huecos para indicar que los objetos de una clase se refieren a objetos de otra clase. Por ejemplo, cada Applianceobjeto se refiere exactamente a uno ApplianceType. Las instancias de las clases en el área sombreada de la izquierda están diseñadas para enviarse con cada conjunto de datos, mientras que los objetos de las clases de la derecha son comunes a todos los conjuntos de datos y se almacenan dentro del proyecto de metadatos NILM como los ‘metadatos centrales’. Algunos ApplianceTypescontienen Appliances, de ahí el cuadro que representa elAppliance class sobresale ligeramente en el área de ‘metadatos centrales’ a la derecha.
A continuación, usaremos ejemplos para ilustrar cómo crear un esquema de metadatos para un conjunto de datos.
Ejemplo simple
La siguiente ilustración muestra un diagrama de cableado de red de dibujos animados para un edificio doméstico. Las líneas negras indican cables de red. Esta casa tiene un suministro de red de fase dividida (común en América del Norte, por ejemplo). La lavadora extrae energía a través de ambas divisiones. Todos los demás electrodomésticos obtienen energía de una sola división.
El texto a continuación muestra una descripción minimalista (utilizando el esquema de metadatos NILM) del diagrama de cableado anterior. El YAML a continuación entraría en el archivo building1.yaml:
instancia : 1 # este es el primer edificio en el conjunto de datos
elec_meters : # un diccionario donde cada clave es un medidor instancia
1 :
site_meter : true # meter 1 mide el agregado de todo el edificio
2 :
site_meter : true
3 :
submeter_of : 1 # meter 3 está directamente aguas abajo del medidor 1
4 :
submeter_of : 1
5 :
submeter_of : 2
6 :
submeter_of : 2
7 :
submeter_of: 6
electrodomésticos :
- { tipo : hervidor , instancia : 1 , sala : cocina , medidores : [ 3 ]}
- { tipo : lavadora , instancia : 1 , medidores : [ 4 , 5 ]}
- { tipo : luz , instancia : 1 , sala : cocina , metros : [ 7 ]}
- { tipo : luz , instancia : 2 , múltiple : verdadero , metros : [ 6 ]}
elec_meterscontiene un diccionario de diccionarios. Cada clave es una instancia de medidor (un identificador entero único dentro del edificio). Comenzamos a numerar desde 1 porque eso es común en los conjuntos de datos existentes. Cada valor del elec_metersdict es un diccionario que registra información sobre ese medidor específico (consulte la documentación sobre el esquema de ElecMeter para obtener información completa). site_meterse establece en truesi este medidor mide la demanda de energía agregada de todo el edificio. submeter_ofregistra la instancia de medidor del medidor aguas arriba. De esta forma, podemos especificar jerarquías de cableado de complejidad arbitraria.
applianceses una lista de diccionarios. Cada diccionario describe un solo dispositivo. El aparato type(por ejemplo, «hervidor» o «lavadora») se toma de un vocabulario controlado definido en los metadatos de NILM. Consulte el esquema del dispositivo para obtener más información.
Para cada aparato, también debemos especificar un instance(un número entero que, dentro de cada edificio, nos permite distinguir entre múltiples instancias de un aparato en particular type). También debemos especificar una lista de meters. Cada elemento de esta lista es un número entero que corresponde a un metro instance. De esta manera, podemos especificar qué medidor está directamente aguas arriba de este aparato. La gran mayoría de los electrodomésticos solo especificará un medidor. Usamos dos metros para los electrodomésticos norteamericanos que obtienen energía de ambas conexiones de red. Usamos tres metros para electrodomésticos trifásicos.
Representar a REDD utilizando metadatos de NILM
El conjunto de datos de referencia de desagregación de energía (REDD) ( Kolter & Johnson 2011 ) fue el primer conjunto de datos públicos que se publicó para la comunidad de desagregación de energía. Consta de seis viviendas. Se mide la demanda de energía agregada de cada hogar y también se miden sus circuitos. REDD proporciona datos de baja frecuencia (período de muestreo de 3 segundos) y de alta frecuencia. Solo especificaremos los datos de baja frecuencia en este ejemplo.
Los metadatos NILM se pueden especificar como YAML o como metadatos dentro de un archivo binario HDF5. YAML probablemente sea mejor para la distribución con un conjunto de datos. NILMTK utiliza HDF5 para almacenar tanto los datos como los metadatos. Las estructuras de datos son muy similares sin importar si los metadatos están representados en el disco como YAML o HDF5. La principal diferencia es dónde se almacenan los metadatos. En este ejemplo, solo consideraremos YAML. Los archivos YAML se almacenan en un metadatadirectorio incluido con el conjunto de datos. Para obtener detalles sobre dónde se almacena esta información dentro de HDF5, consulte las secciones relevantes de la página de metadatos del conjunto de datos .
Primero especificaremos los detalles del conjunto de datos, luego los detalles sobre cada edificio.
Conjunto de datos
Usaremos el esquema del conjunto de datos para describir el nombre del conjunto de datos, los autores, la ubicación geográfica, etc. Si desea crear una descripción mínima de metadatos de un conjunto de datos, no necesita especificar nada para el Dataset.
Esta información se almacenaría en formato dataset.yaml.
Primero, especifiquemos el nombre del conjunto de datos y los creadores:
name : REDD
long_name : The Reference Energy
Disaggregation Creadores del conjunto de datos :
- Kolter, Zico
- Johnson, Matthew
publicación_fecha : 2011
institución : Massachusetts Institute of Technology (MIT)
contacto : [email protected] # Zico se trasladó de MIT a CMU
descripción : Varias semanas de datos de energía para 6 hogares diferentes.
Asunto : Demanda de energía desagregada de los edificios domésticos.
number_of_buildings : 6
zona horaria : EE . UU. / Este # MIT está en la costa este
geo_location :
localidad : Massachusetts # aldea, pueblo, ciudad o estado
país : EE .
UU . # Código de país estándar de dos letras definido por ISO 3166-1 alpha-2 latitud : 42.360091 #
Coorindates del MIT longitud : -71.09416
related_documents :
- http://redd.csail.mit.edu
- >
J. Zico Kolter y Matthew J. Johnson.
REDD: un conjunto de datos públicos para la investigación de desagregación de energía.
En actas del taller SustKDD sobre
aplicaciones de minería de datos en sostenibilidad, 2011.
La tensión nominal de la red se puede deducir del geo_location:countryvalor.
Dispositivos de medición
A continuación, describimos las características comunes de cada tipo de medidor utilizado para registrar los datos. Consulte la sección de documentación sobre MeterDevice para obtener detalles completos. Puede pensar en esto como la ‘hoja de especificaciones’ suministrada con cada modelo de medidor utilizado para registrar el conjunto de datos. Esta información se almacenaría en formato meter_devices.yaml.
Esta estructura de datos es un gran diccionario. Cada clave es un nombre de modelo. Cada valor es un diccionario que describe el medidor:
eMonitor :
modelo : eMonitor
fabricante : Powerhouse Dynamics
fabricante_url : http://powerhousedynamics.com
descripción : >
Mide la demanda de potencia a nivel de circuito. Viene con 24 CT.
Esta página de preguntas frecuentes sugiere que el eMonitor mide la
potencia
real (activa) : http://www.energycircle.com/node/14103 aunque el readme.txt de
REDD dice que todos los canales registran la potencia aparente. sample_period : 3 # el intervalo entre muestras. En segundos.
max_sample_period : 50 # Intervalo máximo permitido entre muestras. Segundos.
medidas :
- physical_quantity : el poder # potencia, la tensión, la energía, la corriente?
tipo : activo # activo (potencia real), reactivo o aparente?
Upper_limit : 5000
lower_limit : 0
inalámbrico : falso
REDD_whole_house :
description : >
Medidor de potencia de bricolaje de REDD que se utiliza para medir formas
de
onda de CA en toda la casa a alta frecuencia. Para citar su artículo: "TC de TED (http://www.theenergydetective.com) para medir la corriente en la
red eléctrica, una sonda de osciloscopio Pico TA041
(http://www.picotechnologies.com) para medir el voltaje de una de
las dos fases en el hogar, y un
conversor analógico a digital
NI-9239 de National Instruments para transformar ambas señales
analógicas en lecturas digitales.Este conversor A / D tiene una resolución de
24 bits con ruido de aproximadamente 70 µV, que determina el nivel de ruido de nuestras lecturas de corriente y voltaje: los TED CTs
están clasificados para circuitos de 200 amperios y un máximo de 3 voltios, por lo que podemos
diferenciar entre corrientes de aproximadamente
((200)) (70 × 10−6) / (3) = 4,66 mA, correspondientes a cambios
de
potencia de aproximadamente 0,5 vatios. Del mismo modo, puesto que utilizamos un 1: 100 de tensión de escalón de descenso en la sonda del osciloscopio, podemos detectar tensión
diferencias de unos 7mV ".
Sample_period : 1
max_sample_period : 30
mediciones :
- physical_quantity : potencia
tipo : aparente
UPPER_LIMIT : 50000
LOWER_LIMIT : 0
inalámbrica : falsa
Edificios, contadores de electricidad y electrodomésticos
Finalmente, necesitamos especificar metadatos para cada edificio en el conjunto de datos. La información sobre cada contador de electricidad y cada aparato se especifica junto con el edificio. Los metadatos de cada edificio entran donde i es un número entero que comienza en 1. Por ejemplo,building<i>.yamlbuilding1.yaml
Describiremos house_1desde REDD. Primero, describimos la información básica sobre el house_1uso del esquema de construcción :
instancia : 1 # este es el primer edificio en el conjunto de datos
original_name : house_1 # nombre original del conjunto de datos REDD
elec_meters : # ver abajo
aparatos : # ver abajo
Ahora sabemos la ubicación geográfica específica de house_1en REDD. Como tal, podemos asumir que house_1solo ‘heredará’ geo_locationy timezonede los datasetmetadatos. Si supiéramos la ubicación geográfica de house_1entonces podríamos especificarlo en building1.yaml.
A continuación, especificamos cada contador de electricidad y el cableado entre los contadores utilizando el esquema ElecMeter . elec_meterses un diccionario. Cada clave es una instancia de medidor. Cada valor es un diccionario que describe ese medidor. Para ser breve, no mostraremos todos los medidores:
elec_meters :
1 :
site_meter : true
device_model : REDD_whole_house # claves en el diccionario
meter_devices data_location : house_1 / channel_1.dat
2 :
site_meter : true
device_model : REDD_whole_house
data_location : house_1 / channel_2.dat
3 :
submeter_of : 0 # '0' significa 'uno de los site_meters '. No sabemos
# qué medidor de sitio alimenta qué dispositivo en REDD.
device_model : eMonitor
data_location : house_1 / channel_3.dat
4 :
submeter_of : 0
device_model : eMonitor
data_location : house_4 / channel_4.dat
También podríamos especificar atributos como, pero ninguno de estos es relevante para REDD.room, floor, preprocessing_applied, statistics, upstream_meter_in_building
Ahora podemos especificar qué electrodomésticos se conectan a qué medidores.
Para referencia, aquí es el original labels.datde house_1REDD:
Usamos el esquema de dispositivo para especificar dispositivos. En REDD, todos los medidores miden circuitos usando pinzas de TC en la caja de fusibles de las casas. Algunos circuitos suministran energía a electrodomésticos individuales . Otros circuitos suministran energía a grupos de electrodomésticos.
appliances es una lista de diccionarios.
Comencemos demostrando cómo describimos los circuitos que suministran energía a un aparato individual:
electrodomésticos :
- tipo : nevera
instancia : 1
metros : [ 5 ]
original_name : nevera
Recuerde del ejemplo simple que el valor de dispositivo typese toma del vocabulario controlado por metadatos de NILM de tipos de dispositivo. original_namees el nombre utilizado en REDD, antes de la conversión al vocabulario controlado por metadatos NILM.
Ahora especificamos dos aparatos de 240 voltios. Los hogares norteamericanos tienen suministros de red de fase dividida. Cada división es de 120 voltios en relación con el neutro. Las dos divisiones son de 240 voltios entre sí. Los electrodomésticos grandes pueden conectarse a ambas divisiones para consumir mucha energía. REDD mide por separado ambas divisiones para estos electrodomésticos grandes, por lo que especificamos dos medidores por dispositivo de 240 voltios:
electrodomésticos :
- Tipo : horno eléctrico de
ejemplo : 1
metros : [ 3 , 4 ] # el horno obtiene la energía de ambas piernas 120 voltios
original_name : horno
- original_name : washer_dryer
tipo : lavadora secadora
ejemplo : 1
metros : [ 10 , 20 ]
componentes : # podemos especificar qué componentes se conectan a la que la pierna
- Tipo : motor
metros : [ 10 ]
- Tipo : elemento de calentamiento eléctrico
metros : [ 20 ]
Ahora especificamos cargas que no son dispositivos individuales sino que son categorías de dispositivos:
electrodomésticos :
- original_name : kitchen_outlets
room : kitchen
type : sockets # sockets se trata como una
instancia de electrodoméstico : 1
multiple : true # probablemente más de 1 socket
metros : [ 7 ]
- original_name : kitchen_outlets
habitación : cocina
tipo : sockets
instancia : 2 # 2da instancia de 'sockets' en este edificio
multiple : true # probablemente más de 1 socket
metros : [ 8 ]
- nombre_original : tipo de iluminación
: instancia de luz : 1 múltiplo : verdadero # es probable que tenga más de 1 metro de luz : [ 9 ]
- nombre_original : tipo de iluminación
: instancia de luz : 2 # 2da instancia de 'luz' en este edificio multiple : metros verdaderos : [ 17 ]
- nombre_original : tipo de iluminación
: instancia de luz : 3 # 3ra instancia de 'luz' en este edificio multiple : metros verdaderos : [ 18 ]
- nombre_original : baño_gfi # interruptor de falla a tierra
habitación : baño
tipo : instancia desconocida
: 1 múltiplo : medidores verdaderos : [ 12 ]
Tenga en cuenta que si tenemos varias instancias distintas del mismo tipo de dispositivo, entonces debemos usar objetos de dispositivo separados para cada instancia y no debemos agruparlos como un único objeto de dispositivo con varios meters. Solo especificamos múltiples meterspor appliancesi hay un solo aparato que obtiene energía de más de una fase o línea de alimentación.
En REDD, las casas 3, 5 y 6 también tienen un electronicscanal. ¿Cómo manejaríamos esto en NILM Metadata? Este es un medidor que no registra un solo aparato, pero registra una categoría de aparatos. Afortunadamente, debido a que NILM Metadata usa una estructura de herencia para los metadatos centrales, ya tenemos un (CE = Consumer Electronics). El objeto se construyó primero para actuar como una superclase abstracta para todos los objetos de electrónica de consumo, pero resulta útil para REDD:CE applianceCE appliance
- nombre_original : tipo de electrónica
: instancia de dispositivo CE : 1 múltiplo : medidores verdaderos : [ 6 ]
Hemos visto cómo representar el conjunto de datos REDD utilizando Metadatos NILM. El ejemplo anterior muestra la mayor parte de la estructura del esquema de metadatos NILM para conjuntos de datos. Hay muchos más atributos que se pueden adjuntar a esta estructura básica. Consulte la documentación de metadatos del conjunto de datos para obtener detalles completos de todos los atributos y valores que se pueden usar.
Metadatos centrales
Una segunda parte del proyecto de metadatos NILM son los ‘metadatos centrales’. Estos ‘metadatos centrales’ se almacenan en el propio proyecto de metadatos NILM y consisten en información como la asignación del tipo de dispositivo a la categoría del dispositivo; y la asignación del código de país a los valores de voltaje nominal.
Metadatos del conjunto de datos
Esta página describe el esquema de metadatos para describir un conjunto de datos.
Hay dos formatos de archivo para los metadatos: YAML y HDF5. Los archivos de metadatos YAML deben estar en una metadatacarpeta. Cada sección de este documento comienza describiendo dónde se almacenan los metadatos relevantes en ambos formatos de archivo.
Conjunto de datos
Este objeto describe aspectos sobre todo el conjunto de datos. Por ejemplo, el nombre del conjunto de datos, los autores, la ubicación geográfica de todo el conjunto de datos, etc.
Ubicación en YAML: dataset.yaml
Ubicación en HDF5: store.root._v_attrs.metadata
Atributos de metadatos (algunos de estos atributos están adaptados de Dublin Core Metadata Initiative (DCMI)):
nombre:
(cadena) (obligatorio) Nombre corto del conjunto de datos. por ejemplo, ‘REDD’ o ‘UK-DALE’. El elemento DCMI equivalente es ‘título’. Si este conjunto de datos es el resultado de un algoritmo de desagregación, el nombre se establecerá en un nombre corto para el algoritmo; por ejemplo, ‘CO’ o ‘FHMM’.
nombre largo:
(cadena) Nombre completo del conjunto de datos, p. ej. ‘Conjunto de datos de desagregación de energía de referencia’.
creadores:
(lista de cadenas) en el formato ‘<Último nombre>, <Nombre inicial>’. Elemento DCMI.
(cadena) Formato ISO 8601. por ejemplo, ‘2014-06-23’ Idéntico al elemento DCMI de ‘fecha’.
contacto:
(cadena) Dirección de correo electrónico
institución:
(cuerda)
descripción:
(cadena) Elemento DCMI. Breve descripción legible por humanos. por ejemplo, describa la frecuencia de muestreo, la ubicación geográfica, etc.
número_de_edificios:
(En t)
identificador:
(cadena): un identificador de objeto digital (DOI) o URI para el conjunto de datos. Elemento DCMI.
tema:
(cadena): Por ejemplo, ¿este conjunto de datos se refiere a edificios domésticos o comerciales? ¿Incluye datos desglosados dispositivo por dispositivo o solo datos de todo el edificio? Elemento DCMI. Texto libre legible por humanos.
cobertura_espacial:
(cadena): Cobertura espacial. por ejemplo, «Sur de Inglaterra». Relacionado con el elemento DCMI de ‘cobertura’. Texto libre legible por humanos.
periodo de tiempo:
( TimeFrame , ver más abajo) Fechas de inicio y finalización para todo el conjunto de datos.
fondos:
(lista de cadenas) Una lista de todas las fuentes de financiación utilizadas para producir este conjunto de datos.
editor:
(cadena) La entidad responsable de hacer que el recurso esté disponible. Los ejemplos de un editor incluyen una persona, una organización o un servicio. Elemento DCMI.
geo_location:
(dictar)localidad:(cadena) aldea, pueblo, ciudad o estadopaís:(cadena) Utilice un código de país estándar de dos letras definido por ISO 3166-1 alpha-2 . por ejemplo, «GB» o «EE. UU.».latitud:(número)longitud:(número)
lista_derechos:
(lista de dictados) Licencia (s) bajo las cuales este conjunto de datos esliberado. Relacionado con el elemento DCMI de ‘derechos’. Cada elemento tiene estos atributos:uri:(cadena) URI de licencianombre:(cadena) Nombre de la licencia
description_of_subjects:
(cadena) Una breve descripción de cómo se reclutaron los sujetos. ¿Son todos estudiantes de doctorado, por ejemplo? ¿Fueron incentivados a reducir su consumo de energía? ¿Cómo fueron elegidos?
documentos relacionados:
(lista de cadenas) Referencias sobre este conjunto de datos (por ejemplo, referencias a artículos académicos o páginas web). También describa brevemente el contenido de cada referencia (por ejemplo, ¿contiene una descripción de la configuración de medición? ¿O un análisis de los datos?) Relacionado con el elemento DCMI de ‘relación’.
Metadatos que describen cada modelo de medidor utilizado en el conjunto de datos. (Tenga en cuenta que ElecMeter se usa para representar instancias individuales de medidores en un edificio, mientras que MeterDevicese usa para representar información común a todas las instancias de una marca y modelo específico de medidor). Piense en esta sección como un catálogo de modelos de medidores utilizados en el conjunto de datos.
Ubicación en YAML: meter_devices.yaml
Ubicación en HDF5: store.root._v_attrs.metadataenmeter_devices
Un gran dict. Las claves son nombres de modelo de dispositivo (por ejemplo, ‘EnviR’). El propósito es registrar información sobre modelos específicos de medidor. Los valores son dictados con estas claves:
modelo:
(cadena) (obligatorio) El nombre del modelo de este dispositivo medidor.
model_url:
(cadena) La URL con más información sobre este modelo de medidor.
fabricante:
(cuerda)
fabricante_url:
(cuerda)
sample_period:
(número) (obligatorio) El período de muestreo nominal del medidor (es decir, el período de tiempo entre muestras consecutivas) en segundos.
período_máximo_muestra:
(número) (obligatorio) El tiempo máximo permitido entre muestras consecutivas. Suponemos que el medidor está apagado durante cualquier intervalo superior a max_sample_period. En otras palabras, definimos un «espacio» como dos muestras cualesquiera que estén más que max_sample_periodseparadas.
mediciones:
(lista) (obligatorio) El orden es el orden de las columnas en la tabla de datos.cantidad física: (cadena) (obligatorio) Uno de {‘potencia’, ‘energía’, ‘energía acumulada’, ‘voltaje’, ‘corriente’, ‘frecuencia’, ‘factor de potencia’, ‘estado’, ‘ángulo de fase’, ‘total distorsión armónica ‘,’ temperatura ‘}. Las columnas de ‘estado’ almacenan un ID de estado entero donde 0 está apagado y> 0 se refiere a estados definidos. (TODO: almacenar el mapeo de la identificación del estado por dispositivo al nombre del estado). Unidades: ángulo de fase: grados; potencia: vatios; energía: kWh; voltaje: voltios; corriente: amperios; temperatura: grados centígrados.escribe:(cadena) (requerido para ‘potencia’ y ‘energía’) Tipo de corriente alternativa (CA). Uno de {‘reactivo’, ‘activo’, ‘aparente’}.limite superior:(número)límite inferior:(número)
descripción:
(cuerda)
pagar por adelantado:
(booleano) ¿Es este un medidor de prepago?
inalámbrico:
(booleano)
configuración_inalámbrica:
(dict) Todas las cadenas son texto libre legible por humanos:base:(cadena) Descripción de la estación base utilizada. Fabricante, modelo, versión, etc.protocolo:(cadena) por ejemplo, ‘zibgee’, ‘WiFi’, ‘personalizado’. Si es personalizado, agregue un enlace a la documentación si está disponible.Frecuencia de carga: (número) MHz
registrador de datos:
(cadena) Descripción del registrador de datos utilizado
Edificio
Ubicación en YAML: building<I>.yaml
Ubicación en HDF5: store.root.building<I>._v_attrs.metadata
ejemplo:
(int) (obligatorio) La instancia de construcción en este conjunto de datos, comenzando desde 1
nombre original:
(cadena) Nombre original del edificio a partir de metadatos antiguos (metadatos anteriores a NILM).
medidores_electricos:
(dictado de dictados) (obligatorio) Cada clave es un número entero (> = 1) que representa la instancia del medidor en este edificio. Cada valor es un ElecMeter. Consulte la sección a continuación sobre ElecMeter .
accesorios:
(lista de dictados) (obligatorio) Consulte la sección a continuación sobre el aparato .
medidores de agua:
(dictado de dictados) Misma estructura que elec_meters.
medidores_gás:
(dictado de dictados) Misma estructura que elec_meters.
descripción:
(cuerda)
habitaciones:
(lista de dictados):nombre:(cadena) (obligatorio) uno de {‘salón’, ‘cocina’, ‘dormitorio’, ‘lavadero’, ‘garaje’, ‘sótano’, ‘baño’, ‘estudio’, ‘guardería’, ‘pasillo’, ‘ comedor ‘,’ al aire libre ‘}ejemplo:(int) (opcional. Empieza desde 1. Si está ausente, se supone que es 1.)descripción:(cuerda)suelo:(int) La planta baja es el piso 0.
n_ocupantes:
(int) Modo número de ocupantes.
description_of_occupants:
(cadena) texto libre que describe a los ocupantes. ¿Número de niños, adolescentes, adultos, jubilados? ¿Demografía? ¿Estuvieron todos los ocupantes fuera de la casa durante todos los días de la semana?
(lista de objetos TimeFrame , ver más abajo) Períodos en los que este edificio estuvo vacío durante más de un día (por ejemplo, días festivos)
año de construcción:
(int) Año calendario de construcción de cuatro dígitos.
mejoras_energéticas:
(lista de cadenas) ¿Alguna modificación posterior a la construcción? Alguna combinación de {‘fotovoltaica’, ‘solar térmica’, ‘aislamiento de paredes huecas’, ‘aislamiento de loft’, ‘aislamiento de paredes sólidas’, ‘doble acristalamiento’, ‘acristalamiento secundario’, ‘triple acristalamiento’}
calefacción:
(lista ordenada de cadenas, con el combustible más dominante primero) Alguna combinación de {‘gas natural’, ‘electricidad’, ‘carbón’, ‘madera’, ‘biomasa’, ‘petróleo’, ‘GLP’}
caldera_comunal:
booleano (establecido en verdadero si la calefacción es proporcionada por una caldera compartida para los apartamentos)
propiedad:
(cadena) uno de {‘alquilado’, ‘comprado’}
tipo de construcción:
(cadena) uno de {‘bungalow’, ‘casa de campo’, ‘independiente’, ‘final de la terraza’, ‘plano’, ‘adosado’, ‘terraza intermedia’, ‘residencias de estudiantes’, ‘fábrica’, ‘ oficina ‘,’ universidad ‘}
Construyendo metadatos que se heredan de Dataset pero que pueden ser anulados por Building:
geo_location
zona horaria
periodo de tiempo
ElecMeter
Los ElecMeters son los valores del elec_metersdictado de cada edificio (consulte la sección sobre metadatos del edificio más arriba).
(int) (requerido) la instancia de medidor del medidor aguas arriba. O configúrelo para 0que signifique » uno de los site_meters «. En la práctica, 0se interpretará como “aguas abajo de un ‘Grupo de medidores’ que representa todos los medidores del sitio sumados”.
submeter_of_is_uncertain:
(booleano) Se establece en verdadero si el valor de submeter_of es incierto.
upstream_meter_in_building:
(int) Si el medidor de aguas arriba está en un edificio diferente, especifique aquí esa instancia de edificio. Si se deja en blanco, asumimos que el medidor de aguas arriba está en el mismo edificio que este medidor.
site_meter:
(booleano): requerido y establecido en Verdadero si se trata de un medidor de sitio (es decir, el medidor más alejado aguas arriba) de lo contrario no es necesario. Si hay varias fases de red (por ejemplo, red trifásica) o múltiples ‘divisiones’ de red (por ejemplo, en América del Norte, donde hay dos divisiones de 120 voltios), configure site_meter=trueen cada medidor del sitio. Se deben configurar todos los medidores que no sean del sitio directamente aguas abajo de los medidores del sitio submeter_of=0. Opcionalmente, utilice también phasepara describir qué fase mide este medidor. ¿Qué sucede si hay varios medidores de sitio en paralelo?(es decir, hay contadores redundantes)? Por ejemplo, tal vez haya un medidor de sitio instalado por la empresa de servicios públicos que proporciona lecturas poco frecuentes; y también hay un elegante medidor de sitio digital que mide en el mismo punto en el árbol de cableado y, por lo tanto, en cierto sentido, el medidor de servicios públicos puede considerarse ‘redundante’ pero se incluye en el conjunto de datos para la comparación). En esta situación, configure site_meter=trueen cada medidor de sitio. A continuación, configure disabled=truetodos menos el medidor de sitio «favorecido» (que normalmente sería el medidor de sitio que proporciona las «mejores» lecturas). Es importante configurarlo de disabled=truemanera que NILMTK no sume los medidores de sitios paralelos. Los medidores de sitio deshabilitados también deben configurarse submeter_ofcon el ID del medidor de sitio habilitado. Se deben configurar todos los medidores que no sean del sitio directamente aguas abajo de los medidores del sitio submeter_of=0.
medidor_de_servicio:
(booleano) requerido y establecido en Verdadero si este medidor fue instalado por la empresa de servicios públicos. De lo contrario, no es necesario.
(cadena) (opcional) p. ej., ‘total del primer piso’.
fase:
(int o string) (opcional) Se usa en configuraciones de múltiples fases.
habitación:
(cuerda) . por ejemplo, «cocina» o «dormitorio, 2». Si no se especifica (p. Ej., ‘Habitación: cocina’, se asume que es ‘cocina, 1’ (es decir, instancia de cocina 1). Si los metadatos del edificio especifican un conjunto de , la habitación especificada aquí se introducirá en la del edificio (pero no en todos). Los conjuntos de datos enumeran todas las habitaciones de cada edificio).<room name>[,<instance>]instanceroomsrooms
suelo:
(int) No es necesario si roomse especifica. Planta baja es 0.
ubicación_de_datos:
(cadena) (obligatorio) Ruta relativa al directorio raíz del conjunto de datos. ej house1/channel_2.dat. Tablas de referencia y columnas dentro de un archivo jerárquico, por ejemplo data.h5?table=/building1/elec/meter1, o, si estos metadatos se almacenan en el mismo archivo HDF que los datos del sensor, simplemente use la clave, por ejemplo /building1/elec/meter1.
discapacitado:
(bool): se establece en verdadero si NILMTK debe ignorar este canal. Esto es útil si, por ejemplo, este canal es un site_meter redundante.
preprocessing_applied:
(dict): cada tecla es opcional y solo está presente si se ha ejecutado esa función de preprocesamiento.acortar:(dictar)límite inferior:limite superior:
Estadísticas:
(lista de dictados): cada dictado describe estadísticas para un conjunto de períodos de tiempo. Cada dictado tiene:marcos de tiempo:(lista de objetos TimeFrame ) (obligatorio) Los plazos sobre los que se calcularon estas estadísticas. Si las estadísticas se refieren a la serie temporal completa, ingrese el inicio y el final de la serie temporal como el único TimeFrame.buenas_secciones:(lista de objetos TimeFrame )contiguous_sections: (lista de objetos TimeFrame )energía_total:(dic) kWhactivo:(número)reactivo:(número)aparente:(número)Tenga en cuenta que algunas de estas estadísticas se almacenan en caché por NILMTK en building<I>/elec/cache/meter<K>/<statistic_name>. Para obtener más detalles, consulte la cadena de documentación de nilmtk.ElecMeter._get_stat_from_cache_or_compute().
WaterMeter y GasMeter
Mismos atributos que ElecMeter .
Aparato
Cada dictado de aparato tiene:
escribe:
(cadena) (obligatorio) tipo de aparato (p. ej., «hervidor»). Utilice vocabulario controlado por metadatos NILM. Consulte nilm_metadata / central_metadata / appliance_types / *. Yaml . Cada *.yamlarchivo nilm_metadata/central_metadata/appliance_typeses un diccionario grande. Cada clave de estos diccionarios es un dispositivo legal type.
ejemplo:
(int a partir de 1) (obligatorio) instancia de este electrodoméstico dentro del edificio.
metros:
(lista de ints) (requerido) instancias de medidor directamente aguas arriba de este aparato. Esta es una lista para manejar el caso en el que algunos electrodomésticos obtienen energía de ambas patas de 120 voltios en una casa de América del Norte. O electrodomésticos trifásicos.
dispositivo_dominante:
(booleano) (obligatorio si hay varios aparatos conectados a un medidor). ¿Este aparato es responsable de la mayor parte de la demanda de energía en este medidor?
on_power_threshold:
(número) vatios. No requerido. El valor predeterminado se toma del tipo de dispositivo . El umbral (en vatios) que se utiliza para decidir si el dispositivo está encendido o apagado .
(booleano) Verdadero si hay más de uno de estos dispositivos representados por este único applianceobjeto. Si hay exactamente un dispositivo, no lo especifique multiple.
contar:
(int) Si hay más de uno de estos dispositivos representados por este applianceobjeto y si se conoce el número exacto de dispositivos, especifique ese número aquí.
control:
(lista de cadenas) Proporcione una lista de todos los métodos de control que se aplican. Por ejemplo, una grabadora de video sería tanto «manual» como «temporizador». El vocabulario es: {‘temporizador’, ‘manual’, ‘movimiento’, ‘luz del sol’, ‘termostato’, ‘siempre encendido’}
clasificación_eficiencia:
(dic):Nombre de certificacion: (cadena) por ejemplo, ‘SEDBUK’ o ‘Energy Star 5.0’clasificación:(cadena) por ejemplo, ‘A +’
consumo_nominal:
(dict): Especificaciones informadas por el fabricante.en el poder:(número) potencia activa en vatios cuando está encendido.energía de reserva:(número) potencia activa en vatios cuando está en espera.energía_por_año: (número) kWh por añoenergía_por_ciclo: (número) kWh por ciclo
componentes:
(lista de dictados): componentes de este aparato. Cada dict es un dict de Appliance.
modelo:
(cuerda)
fabricante:
(cuerda)
marca:
(cuerda)
nombre original:
(cuerda)
model_url:
(cadena) URL para este modelo de dispositivo
fabricante_url:
(cadena) URL del fabricante
fechas_activas:
(lista de objetos TimeFrame , ver más abajo) Puede usarse para especificar un cambio en el dispositivo a lo largo del tiempo (por ejemplo, si un dispositivo se reemplaza por otro).
Se especifican propiedades adicionales para algunos tipos de dispositivos. Busque objetos en nilm_metadata/central_metadata/appliances/*.yamlpara obtener más detalles.
Cuando un objeto Appliance se usa como componente de un ApplianceType, entonces el objeto Appliance puede tener un distributionsdict (ver ApplianceType:distributionsen Metadatos del dispositivo central ) especificado y también puede usar una propiedad que evita que el sistema fusione categorías del componente en el dispositivo contenedor.do_not_merge_categories: true
Periodo de tiempo
Representa un marco de tiempo arbitrario. Si el inicio o el final están ausentes, suponga que es igual al inicio o al final del conjunto de datos, respectivamente. Utilice el formato ISO 8601 para fechas o fechas (por ejemplo, 2014-03-17 o 2014-03-17T21: 00: 52 + 00: 00)
comienzo:
(cuerda)
fin:
(cuerda)
Metadatos del dispositivo central
Herencia
herencia protípica; como JavaScript
los dictados se actualizan; las listas se amplían; otras propiedades se sobrescriben
profundidad de herencia arbitraria
Componentes
recursivo
Las categorías de dispositivo contenedor se actualizan con categorías de cada componente (a menos que se establezca en el componente)do_not_merge_categories: true
Subtipos frente a un nuevo objeto secundario
Los objetos de especificación de dispositivo pueden tomar una propiedad de ‘subtipo’. ¿Por qué no utilizar la herencia para todos los subtipos? La regla general es que si un subtipo es funcionalmente diferente a su padre, entonces debe especificarse como un objeto independiente o secundario (por ejemplo, una encimera de gas y una encimera eléctrica claramente tienen perfiles de consumo de electricidad radicalmente diferentes) pero si las diferencias son menor (por ejemplo, una radio digital frente a una radio analógica), los aparatos deben especificarse como subtipos del mismo objeto.
Convenciones de nombres
las propiedades están en minúsculas con guiones bajos, por ejemplo, subtipo
los nombres de los objetos (no marcas y modelos específicos) están en minúsculas con espacios, a menos que sean acrónimos, en cuyo caso están en mayúsculas (por ejemplo, ‘LED’)
los nombres de las categorías están en minúsculas con espacios
Ejemplo
Para demostrar el sistema de herencia, veamos cómo especificar una caldera.
Primero, NILM Metadata especifica un objeto de ‘aparato de calefacción’, que se puede considerar la ‘clase base’:
aparato de calefacción :
padre : categorías de aparato
: tradicional : tamaño de calefacción : grande
A continuación, especificamos un objeto ‘caldera’, que hereda de ‘aparato de calefacción’:
# ------------- CALDERAS ------------------------
caldera : # todas las calderas excepto las calderas eléctricas
padre : aparato de calefacción
sinónimos : [ horno ]
# Las categorías del objeto hijo se agregan
# a las categorías existentes en el padre.
categorías :
google_shopping :
- climatización
- hornos y calderas
# Aquí especificamos que las calderas tienen un componente
# que es en sí mismo un objeto cuyo padre
# es "bomba de agua".
componentes :
- tipo : bomba de agua
# Las calderas tienen una propiedad que la mayoría de los demás aparatos
# no tienen: una fuente de combustible. Especificamos
propiedades #
adicionales usando la sintaxis de esquema JSON. additional_properties :
fuel :
enum : [ gas natural , carbón , madera , petróleo , GLP ]
subtipos :
- combi
- regular
# Podemos especificar los diferentes mecanismos que
# controlan la caldera. Esto es útil, por ejemplo,
# si queremos encontrar todos los aparatos que
# deben controlarse manualmente (por ejemplo, tostadoras)
control : [ manual , temporizador , termostato ]
# También podemos declarar conocimientos previos sobre calderas.
# Por ejemplo, sabemos que las calderas tienden a estar en
# baños, lavaderos o cocinas
distribuciones :
habitación :
distribución_de_datos :
categorías : [ baño , servicios públicos , cocina ]
valores : [ 0.3 , 0.2 , 0.2 ]
# Si los valores no suman a 1 entonces el supuesto
# es que la masa de probabilidad restante se distribuye igualmente a
# todas las demás habitaciones.
fuente : subjetivo # ¡Estos valores son básicamente conjeturas!
Finalmente, en los metadatos del conjunto de datos en sí, podemos hacer:
tipo : caldera
fabricante : Worcester
modelo : Greenstar 30CDi convencional de gas natural
habitación : baño
year_of_purchase : 2011
combustible : gas natural
subtipo : regulares
part_number : 41-311-71
efficiency_rating :
certification_name : SEDBUK
calificación : Un
nominal_consumption :
on_power : 70
Detalles del esquema
A continuación se muestra un diagrama de clases UML que muestra todas las clases y las relaciones entre clases:
A continuación describimos todas las clases y sus atributos y posibles valores.
ApplianceType
Tiene muchos de los atributos que tiene Appliance , además de:
on_power_threshold
min_off_duration
min_on_duration
control
componentes
padre:
(cadena) Nombre del objeto ApplianceType principal del que hereda este objeto.
categorías:
(dictar)tradicional:(enumeración) uno de {húmedo, frío, electrónica de consumo, TIC, cocina, calefacción}Talla:(enumeración) uno de {small, large}eléctrico:(lista de cadenas) Cualquier combinación de:iluminación, incandescente, fluorescente, compacta, lineal, LEDresistadorelectrónica de potenciaSMPS, sin PFC, PFC pasivo, PFC activomotor de inducción monofásico, arranque-marcha del condensador, par constantemisceláneo:(enumeración) uno de {misc, sockets}google_shopping: (lista de cadenas) cualquier cosa del esquema de Google Shopping. por ejemplo: control de clima ‘,’ hornos y calderas ‘,’ energía renovable ‘,’ energía solar ‘,’ paneles solares ‘,’ computadoras ‘,’ electrónica ‘,’ computadoras portátiles ‘,’ impresoras y fotocopiadoras ‘,’ impresión, copia, escanear y enviar por fax ‘,’ impresoras ‘,’ aparatos de lavandería ‘,’ cocina y comedor ‘,’ aparatos de cocina ‘,’ panificadoras ‘
subtipos:
(lista de cadenas) Una lista de todos los subtipos válidos.
propiedades_adicionales:
(dict) Se utiliza para especificar propiedades adicionales que se pueden especificar para dispositivos de este tipo de dispositivo. Cada llave es una propiedad. Cada valor es una definición de esquema JSON de la propiedad.
do_not_inherit:
(lista de cadenas) propiedades que no deben heredarse del padre.
sinónimos:
(lista de cadenas)
componentes_usuales:
(lista de cadenas) Solo una lista de sugerencias para lectores humanos.
n_ancestros:
(int) Completado por _concatenate_complete_object.
distribuciones:
(dict) Distribución de variables aleatorias.en el poder:(lista de objetos anteriores ) bin_edges en unidades de vatioson_duration:(lista de objetos anteriores ) bin_edges en unidades de segundosoff_duration:(lista de objetos anteriores ) bin_edges en unidades de segundosuso_hora_por_día: (lista de objetos anteriores ) bin_edges = [0,1,2,…, 24]uso_día_por_semana: (lista de objetos anteriores ) categorías = [‘mon’, ‘tue’,…, ‘sun’]use_month_per_year: (lista de objetos anteriores ) bin_edges están en unidades de días (necesitamos los bordes de bin porque los meses no tienen la misma longitud). El primer contenedor representa enero.habitaciones:(lista de objetos anteriores ) Distribución categórica en las habitaciones donde es probable que se utilice este aparato. Por ejemplo, para un frigorífico, podría ser «cocina: 0,9, garaje: 0,1». Utilice los nombres de habitación estándar definidos en room.json (los nombres de categoría en las distribuciones no se validan automáticamente).subtipos:(lista de objetos anteriores ) Distribución categórica sobre los subtipos.correlaciones_de_dispositivo: (lista de objetos anteriores ) lista de otros aparatos. Probabilidad de que este aparato esté encendido dado que el otro aparato está encendido. Por ejemplo, ‘ tv: 0.1 , amp: 0.4,…’ significa que hay un 10% de probabilidad de que este aparato esté encendido si el televisor está encendido. El nombre de cada categoría puede ser solo un nombre de dispositivo (p. Ej., ‘Nevera’) o <nombre de dispositivo>, <instancia de dispositivo> p. Ej., ‘Nevera, 1’propiedad_por_país: (lista de objetos anteriores ) Probabilidad de que este electrodoméstico sea propiedad de un hogar en cada país (es decir, una distribución categórica donde las categorías son el código de país estándar de dos letras definido por ISO 3166-1 alfa-2. Por ejemplo, ‘GB’ o ‘EE. UU.’ . http://en.wikipedia.org/wiki/ISO_3166-1_alpha-2 ). Si la probabilidad se refiere a todo el mundo, utilice «GLOBAL» como código de país.propiedad_por_continente: (lista de objetos anteriores ) Probabilidad de que este electrodoméstico sea propiedad de un hogar en cada país (es decir, una distribución categórica donde las categorías son el código de continente estándar de dos letras definido en http://en.wikipedia.org/wiki/List_of_sovereign_states_and_dependent_territories_by_continent_%28data_file% 29
País
Un gran dict que especifica información específica del país. Especificado ennilm_metadata/central_metadata/country.yaml
Cada clave es un ‘país’ (cadena). Utilice un código de país estándar de dos letras definido por ISO 3166-1 alpha-2 . por ejemplo, «GB» o «EE. UU.».
Cada valor es un dict con los siguientes atributos:
Representar conocimientos previos. Para las variables continuas, especifique la distribución de los datos (es decir, los datos representados en un histograma) o una estimación de densidad (un modelo ajustado a los datos), o ambos. Para las variables categóricas, especifique la distribución categórica.
distribución_de_datos:
(dict) Distribución de los datos expresados comofrecuencias normalizadas por intervalo discreto (para variables continuas) o por categoría (para variables categóricas). Se puede usar ‘categorías’ en lugar de ‘bin_edges’ para variables continuas donde tenga sentido; por ejemplo, donde cada contenedor representa un día de la semanabin_edges:(lista de números de lista de cadenas) (obligatorio) | bin_edges | == | valores | + 1categorías:(lista de cadenas) (obligatorio) | bin_edges | == | valores |valores:(lista de números) (obligatorio) Las frecuencias normalizadas. Para variables continuas, en integral sobre el rango debe ser 1. Para variables categóricas, la suma de frecuencias puede ser <= 1. Si <1, el sistema asumirá que la masa restante se distribuye equitativamente en todas las demás categorías. Por ejemplo, para la probabilidad de que un frigorífico esté en una habitación específica, basta con indicar que la probabilidad de que un frigorífico esté en la cocina es 0,9.
modelo:
(dict) Un modelo ajustado para describir la densidad de probabilidadfunción (para variables continuas) o la función de masa de probabilidad (para variables discretas). Use propiedades adicionales para los parámetros relevantes, escritas como letras griegas en inglés en minúsculas, por ejemplo, ‘mu’ y ‘lambda’, excepto para las estadísticas de resumen donde usamos alguna combinación de ‘min’, ‘max’, ‘mean’, ‘mode’ .nombre_distribucion: (enumeración) uno de {‘normal’, ‘gaussiano inverso’, ‘resumen de estadísticas’}sum_of_squared_error: (número)
n_datapoints:
(En t)
Fecha Preparada:
(cadena) Formato de fecha ISO 8601
fuente:
(enumeración) uno de {‘subjetivo’, ‘empírico a partir de datos’, ‘empírico a partir de publicación’}. ¿Cuál es la fuente de este previo? Si es de publicación, utilice related_documentspara proporcionar referencias. Si procede de datos, proporcione detalles mediante las propiedades softwarey training_data.
documentos relacionados:
(lista de cadenas) Si ‘fuente == empírica de la publicación’ entonces ingrese la (s) referencia (s) aquí.
software:
(cadena) el software utilizado para generar el anterior a partir de los datos.
(int) esto se completa con la concatenate_complete_objectfunción e informa la distancia (en número de generaciones) entre este objeto anterior y el más derivado. En otras palabras, cuanto mayor sea este número, menos específico del objeto es este anterior. Si no se establece, el anterior se aplica al objeto actual.
from_appliance_type:
(cadena) esto lo completa la concatenate_complete_objectfunción e informa el nombre del tipo de dispositivo de la jerarquía del ancestro de donde proviene esta distribución.
descripción:
(cuerda)
datos de entrenamiento:
(conjunto de dictados). Cada elemento es un dictado con estas propiedades:conjunto de datos:(cadena) Nombre corto del conjunto de datosedificios:(lista de dictados):building_id:(En t)fechas:(lista de objetos de esquema de intervalo )país:(cadena) código de país estándar de dos letras definido por ISO 3166-1 alpha-2, por ejemplo, ‘GB’ o ‘US’.
DesgloseModelo
Esto aún no está especialmente bien definido. Solo un boceto inicial. La idea básica es que podríamos especificar modelos para cada tipo de aparato.
tipo_de_dispositivo:
(cadena) Referencia al ApplianceType específico que estamos modelando.
tipo de modelo:
(enumeración) uno de {‘HMM’, ‘FHMM’, ‘optimización para gobernador’}
parámetros:
(dict) Parámetros específicos de cada tipo de modelo.
DisaggregationModel reutiliza varias propiedades de Prior :
Mientras trabaja en proyectos de ciencia de datos, generalmente obtiene una gran cantidad de datos. Pero es posible que deba trabajar solo con un subconjunto de columnas de los datos. Esta selección de datos necesarios se realiza para simplificar las tareas. Además, las velocidades de cálculo también se mejoran al trabajar con un conjunto de datos más pequeño. Hay varias maneras de seleccionar columnas de trama de datos, incluyendo loc, iloc, filter, etc. Este post cubre todos los métodos con ejemplos.
Crear un conjunto de datos de muestra
Comience creando un marco de datos de pandas simple como se muestra a continuación. Tiene 6 columnas.
Una de las formas más básicas en pandas para seleccionar columnas del marco de datos es pasando la lista de columnas al operador de indexación del objeto del marco de datos.
# Selecting columns by passing a list of desired columns
df[['Color', 'Score']]
2. Selección de columnas mediante la lista de columnas
El dataframe_name.columnsdevuelve la lista de todas las columnas de la trama de datos. Puede usar esto como una de las formas de acceder a múltiples columnas en pandas. Debe pasar la lista modificada de columnas en el operador de indexación del marco de datos. Este método se puede realizar de dos formas:
A. Pasando la lista de columnas divididas
Puede dividir los nombres de columna deseados de la lista de todas las columnas devueltas dataframe_name.columnspor indexación.
# slicing df.columns to access the last two columns of the dataframe
df[df.columns[-2:]]
B. Búsqueda de columnas deseadas usando isin()
La función se usa para verificar si un elemento está presente en la lista. Aquí, la función se puede usar para verificar si el nombre de una columna está presente en la lista, así como la lista de columnas deseadas. Esto ayuda a seleccionar varias columnas de la lista de todas las columnas. La función devuelve una matriz booleana, donde valor denota que el nombre de la columna estaba presente en ambas listas.isin(), the isin()df.columnsTrue
# Creating the boolean mask
booleanMask = df.columns.isin(['State', 'Food'])
# saving the selected columns
selectedCols = df.columns[booleanMask]
# selecting the desired columns
df[selectedCols]
3. Usar .loc y .iloc para seleccionar columnas por nombre o posición
Los pandas y los indexadores se pueden usar con el marco de datos de pandas para reducir un marco de datos grande en un marco de datos pequeño. Estos indexadores se pueden utilizar para la selección de filas y columnas..loc.iloc
A. Usando indexador.loc
The loctoma nombres de columnas o listas de columnas y devuelve una fila o un marco de datos. El indexador toma tanto filas como columnas. Por lo tanto, para seleccionar solo columnas del marco de datos, puede dejar la división de filas como :, lo que seleccionará todas las filas del marco de datos.
Para la división de columnas, puede pasar el nombre de la columna que se seleccionará.
The ilocindexador es similar al indexador. La única diferencia es que toma índices de columnas o índices de listas de columnas y devuelve una fila o marco de datos..lociloc
Aquí también, puede dejar la división de filas :para seleccionar todas las filas y para la división de columnas, puede pasar los índices de la columna o una lista de índices de las columnas que se seleccionarán.
# .iloc single column selection
df.iloc[:, [0, 2, 3] ]
4. Usar métodos de filtro para seleccionar columnas que contienen ciertas palabras.
Puede usar la función de filtro del marco de datos de pandas para seleccionar columnas que contengan una cadena específica en los nombres de las columnas.
El parámetro likede la función define esta cadena específica. Si el nombre de una columna contiene la cadena especificada, esa columna se seleccionará y se devolverá el marco de datos..filter
# selecting columns where column name contains 'Average' string
df.filter(like='Average')
5. Pandas Selecciona columnas según su tipo de datos.
El marco de datos de Pandas tiene la función select_dtypes, que tiene un includeparámetro. Especifique el tipo de datos de las columnas que desea seleccionar usando este parámetro. Esto puede resultarle útil si desea seleccionar solo columnas de tipos de datos específicos del marco de datos.
También puede seleccionar columnas basadas en reglas de expresiones regulares. Utilice el regexparámetro en la función de filtro para obtener columnas donde los nombres de columna se evalúan como Verdadero en una expresión dada.
La selección de columnas según los tipos de datos puede resultar útil al realizar un análisis exploratorio de datos. Tendrá diferentes tipos de datos separados, lo que eliminará el proceso de crear manualmente la lista de columnas para diferentes tipos de datos.
El aprendizaje profundo es uno de los principales subcampos del marco de aprendizaje automático. El aprendizaje automático es el estudio del diseño de algoritmos, inspirado en el modelo del cerebro humano. El aprendizaje profundo se está volviendo más popular en los campos de la ciencia de datos como la robótica, la inteligencia artificial (IA), el reconocimiento de audio y video y el reconocimiento de imágenes. La red neuronal artificial es el núcleo de las metodologías de aprendizaje profundo. El aprendizaje profundo es compatible con varias bibliotecas como Theano, TensorFlow, Caffe, Mxnet, etc., Keras es una de las bibliotecas de Python más potentes y fáciles de usar, que se basa en bibliotecas populares de aprendizaje profundo como TensorFlow, Theano, etc. , para crear modelos de aprendizaje profundo.
Descripción general de Keras
Keras se ejecuta sobre bibliotecas de máquinas de código abierto como TensorFlow, Theano o Cognitive Toolkit (CNTK). Theano es una biblioteca de Python que se utiliza para tareas de cálculo numérico rápido. TensorFlow es la biblioteca matemática simbólica más famosa que se utiliza para crear redes neuronales y modelos de aprendizaje profundo. TensorFlow es muy flexible y el beneficio principal es la computación distribuida. CNTK es un marco de aprendizaje profundo desarrollado por Microsoft. Utiliza bibliotecas como Python, C #, C ++ o kits de herramientas de aprendizaje automático independientes. Theano y TensorFlow son bibliotecas muy poderosas pero difíciles de entender para crear redes neuronales.
Keras se basa en una estructura mínima que proporciona una forma limpia y sencilla de crear modelos de aprendizaje profundo basados en TensorFlow o Theano. Keras está diseñado para definir rápidamente modelos de aprendizaje profundo. Bueno, Keras es una opción óptima para aplicaciones de aprendizaje profundo.
Características
Keras aprovecha varias técnicas de optimización para hacer que la API de red neuronal de alto nivel sea más fácil y más eficiente. Es compatible con las siguientes funciones:
API consistente, simple y extensible.
Estructura mínima: fácil de lograr el resultado sin lujos.
Es compatible con múltiples plataformas y backends.
Es un marco fácil de usar que se ejecuta tanto en CPU como en GPU.
Gran escalabilidad de la computación.
Beneficios
Keras es un marco muy potente y dinámico y ofrece las siguientes ventajas:
Mayor apoyo de la comunidad.
Fácil de probar.
Las redes neuronales de Keras están escritas en Python, lo que simplifica las cosas.
Keras admite redes convolucionales y recurrentes.
Los modelos de aprendizaje profundo son componentes discretos, por lo que puede combinarlos de muchas formas.
mo instalar Keras en su máquina. Antes de pasar a la instalación, repasemos los requisitos básicos de Keras.
Prerrequisitos
Debe cumplir los siguientes requisitos:
Cualquier tipo de sistema operativo (Windows, Linux o Mac)
Python versión 3.5 o superior.
Python
Keras es una biblioteca de redes neuronales basada en Python, por lo que Python debe estar instalado en su máquina. Si python está instalado correctamente en su máquina, abra su terminal y escriba python, podría ver la respuesta similar a la que se especifica a continuación,
Python 3.6.5 (v3.6.5:f59c0932b4, Mar 28 2018, 17:00:18)
[MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>>
A partir de ahora, la última versión es ‘3.7.2’. Si Python no está instalado, visite el enlace oficial de Python – www.python.org y descargue la última versión basada en su sistema operativo e instálela inmediatamente en su sistema.
Pasos de instalación de Keras
La instalación de Keras es bastante sencilla. Siga los pasos a continuación para instalar correctamente Keras en su sistema.
Paso 1: Crear un entorno virtual
Virtualenv se utiliza para administrar paquetes de Python para diferentes proyectos. Esto será útil para evitar romper los paquetes instalados en los otros entornos. Por lo tanto, siempre se recomienda utilizar un entorno virtual al desarrollar aplicaciones Python.
Linux / Mac OS
Usuarios de Linux o Mac OS, vaya al directorio raíz de su proyecto y escriba el siguiente comando para crear un entorno virtual,
python3 -m venv kerasenv
Después de ejecutar el comando anterior, se crea el directorio «kerasenv» con bin, lib e incluye carpetas en su ubicación de instalación.
Ventanas
El usuario de Windows puede usar el siguiente comando,
py -m venv keras
Paso 2: Activa el medio
Este paso configurará los ejecutables de python y pip en su ruta de shell.
Linux / Mac OS
Ahora hemos creado un entorno virtual llamado «kerasvenv». Vaya a la carpeta y escriba el siguiente comando,
$ cd kerasvenv kerasvenv $ source bin/activate
Ventanas
Los usuarios de Windows se mueven dentro de la carpeta «kerasenv» y escriben el siguiente comando,
.\env\Scripts\activate
Paso 3: Bibliotecas de Python
Keras depende de las siguientes bibliotecas de Python.
Numpy
Pandas
Scikit-aprender
Matplotlib
Scipy
Seaborn
Con suerte, ha instalado todas las bibliotecas anteriores en su sistema. Si estas bibliotecas no están instaladas, utilice el siguiente comando para instalarlas una por una.
Es una biblioteca de aprendizaje automático de código abierto. Se utiliza para algoritmos de clasificación, regresión y agrupamiento. Antes de pasar a la instalación, se requiere lo siguiente:
Python versión 3.5 o superior
NumPy versión 1.11.0 o superior
SciPy versión 0.17.0 o superior
joblib 0.11 o superior.
Ahora, instalamos scikit-learn usando el siguiente comando:
pip install -U scikit-learn
Seaborn
Seaborn es una biblioteca increíble que le permite visualizar fácilmente sus datos. Utilice el siguiente comando para instalar:
pip install seaborn
Puede ver un mensaje similar al que se especifica a continuación:
A partir de ahora, hemos completado los requisitos básicos para la instalación de Kera. Ahora, instale Keras usando el mismo procedimiento que se especifica a continuación:
pip install keras
Salir del entorno virtual
Después de finalizar todos los cambios en su proyecto, simplemente ejecute el siguiente comando para salir del entorno:
deactivate
Nube Anaconda
Creemos que ha instalado anaconda cloud en su máquina. Si anaconda no está instalado, visite el enlace oficial, www.anaconda.com/distribution y elija descargar según su sistema operativo.
Crear un nuevo entorno de conda
Inicie el indicador de anaconda, esto abrirá el entorno base de Anaconda. Creemos un nuevo entorno de conda. Este proceso es similar al virtualenv. Escriba el siguiente comando en su terminal conda –
conda create --name PythonCPU
Si lo desea, también puede crear e instalar módulos utilizando GPU. En este tutorial, seguimos las instrucciones de la CPU.
Activar entorno conda
Para activar el entorno, use el siguiente comando:
activate PythonCPU
Instalar spyder
Spyder es un IDE para ejecutar aplicaciones de Python. Instalemos este IDE en nuestro entorno conda usando el siguiente comando:
conda install spyder
Instalar bibliotecas de Python
Ya conocemos las bibliotecas de python numpy, pandas, etc., necesarias para keras. Puede instalar todos los módulos utilizando la siguiente sintaxis:
Sintaxis
conda install -c anaconda <module-name>
Por ejemplo, desea instalar pandas:
conda install -c anaconda pandas
Como el mismo método, pruébelo usted mismo para instalar los módulos restantes.
Instalar Keras
Ahora, todo se ve bien, por lo que puede iniciar la instalación de keras usando el siguiente comando:
conda install -c anaconda keras
Lanzar spyder
Finalmente, inicie spyder en su terminal conda usando el siguiente comando:
spyder
Para asegurarse de que todo se instaló correctamente, importe todos los módulos, agregará todo y, si algo salió mal, obtendrá un mensaje de error de módulo no encontrado .
TensorFlow
TensorFlow es una biblioteca de aprendizaje automático de código abierto que se utiliza para tareas computacionales numéricas desarrolladas por Google. Keras es una API de alto nivel construida sobre TensorFlow o Theano. Ya sabemos cómo instalar TensorFlow usando pip.
Si no está instalado, puede instalar usando el siguiente comando:
pip install TensorFlow
Una vez que ejecutamos keras, podríamos ver que el archivo de configuración está ubicado en su directorio de inicio dentro y vamos a .keras / keras.json.
image_data_format representan el formato de datos.
épsilon representa una constante numérica. Se utiliza para evitar el error DivideByZero .
float x representa el tipo de datos predeterminado float32 . También puede cambiarlo a float16 o float64 usando el método set_floatx () .
image_data_format representan el formato de datos.
Supongamos que, si el archivo no se crea, muévase a la ubicación y cree siguiendo los pasos a continuación:
> cd home
> mkdir .keras
> vi keras.json
Recuerde, debe especificar .keras como su nombre de carpeta y agregar la configuración anterior dentro del archivo keras.json. Podemos realizar algunas operaciones predefinidas para conocer las funciones de backend.
Theano
Theano es una biblioteca de aprendizaje profundo de código abierto que le permite evaluar matrices multidimensionales de manera efectiva. Podemos instalar fácilmente usando el siguiente comando:
pip install theano
De forma predeterminada, keras usa el backend de TensorFlow. Si desea cambiar la configuración de backend de TensorFlow a Theano, simplemente cambie backend = theano en el archivo keras.json. Se describe a continuación:
Ahora guarde su archivo, reinicie su terminal e inicie keras, se cambiará su backend.
>>> import keras as k
using theano backend.
El aprendizaje profundo es un subcampo en evolución del aprendizaje automático. El aprendizaje profundo implica analizar la entrada capa por capa, donde cada capa extrae progresivamente información de nivel superior sobre la entrada.
Tomemos un escenario simple de analizar una imagen. Supongamos que su imagen de entrada está dividida en una cuadrícula rectangular de píxeles. Ahora, la primera capa abstrae los píxeles. La segunda capa comprende los bordes de la imagen. La siguiente capa construye nodos a partir de los bordes. Luego, el siguiente encontraría ramas de los nodos. Finalmente, la capa de salida detectará el objeto completo. Aquí, el proceso de extracción de características va desde la salida de una capa hasta la entrada de la siguiente capa subsiguiente.
Al utilizar este enfoque, podemos procesar una gran cantidad de funciones, lo que hace que el aprendizaje profundo sea una herramienta muy poderosa. Los algoritmos de aprendizaje profundo también son útiles para el análisis de datos no estructurados. Repasemos los conceptos básicos del aprendizaje profundo en este capítulo.
Redes neuronales artificiales
El enfoque más popular y principal del aprendizaje profundo es el uso de una «red neuronal artificial» (ANN). Están inspirados en el modelo del cerebro humano, que es el órgano más complejo de nuestro cuerpo. El cerebro humano está formado por más de 90 mil millones de células diminutas llamadas «neuronas». Las neuronas están interconectadas a través de fibras nerviosas llamadas «axones» y «dendritas». La función principal del axón es transmitir información de una neurona a otra a la que está conectada.
Del mismo modo, la función principal de las dendritas es recibir la información que transmiten los axones de otra neurona a la que están conectadas. Cada neurona procesa una pequeña información y luego pasa el resultado a otra neurona y este proceso continúa. Este es el método básico utilizado por nuestro cerebro humano para procesar una gran cantidad de información como el habla, visual, etc., y extraer información útil de ella.
Basado en este modelo, la primera Red Neural Artificial (ANN) fue inventada por el psicólogo Frank Rosenblatt , en el año de 1958. Las ANN están formadas por múltiples nodos que son similares a las neuronas. Los nodos están estrechamente interconectados y organizados en diferentes capas ocultas. La capa de entrada recibe los datos de entrada y los datos pasan por una o más capas ocultas secuencialmente y finalmente la capa de salida predice algo útil sobre los datos de entrada. Por ejemplo, la entrada puede ser una imagen y la salida puede ser la cosa identificada en la imagen, digamos un «gato».
Una sola neurona (llamada perceptrón en ANN) se puede representar como se muestra a continuación:
Aquí,
La entrada múltiple junto con el peso representan dendritas.
La suma de la entrada junto con la función de activación representa las neuronas. En realidad, la suma significa que el valor calculado de todas las entradas y la función de activación representan una función, que modifica el valor de la suma en 0, 1 o 0 a 1.
La salida real representa el axón y la salida será recibida por la neurona en la siguiente capa.
Entendamos los diferentes tipos de redes neuronales artificiales en esta sección.
Perceptrón multicapa
El perceptrón multicapa es la forma más simple de ANN. Consiste en una sola capa de entrada, una o más capas ocultas y finalmente una capa de salida. Una capa consta de una colección de perceptrón. La capa de entrada es básicamente una o más características de los datos de entrada. Cada capa oculta consta de una o más neuronas y procesa cierto aspecto de la característica y envía la información procesada a la siguiente capa oculta. El proceso de la capa de salida recibe los datos de la última capa oculta y finalmente genera el resultado.
Red neuronal convolucional (CNN)
La red neuronal convolucional es una de las ANN más populares. Es ampliamente utilizado en los campos del reconocimiento de imágenes y video. Se basa en el concepto de convolución, un concepto matemático. Es casi similar al perceptrón multicapa, excepto que contiene una serie de capas de convolución y una capa de agrupación antes de la capa de neuronas ocultas completamente conectadas. Tiene tres capas importantes:
Capa de convolución : es el bloque de construcción principal y realiza tareas computacionales basadas en la función de convolución.
Capa de agrupación : se organiza junto a la capa de convolución y se utiliza para reducir el tamaño de las entradas eliminando información innecesaria para que el cálculo se pueda realizar más rápido.
Capa completamente conectada : se organiza junto a una serie de capas de convolución y agrupación y clasifica la entrada en varias categorías.
Una CNN simple se puede representar de la siguiente manera:
Aquí,
Se utilizan 2 series de capas de convolución y agrupación, que reciben y procesan la entrada (por ejemplo, la imagen).
Se utiliza una única capa completamente conectada y se utiliza para generar los datos (por ejemplo, clasificación de la imagen)
Red neuronal recurrente (RNN)
Las redes neuronales recurrentes (RNN) son útiles para abordar la falla en otros modelos de ANN. Bueno, la mayoría de la RNA no recuerda los pasos de situaciones anteriores y aprendió a tomar decisiones basadas en el contexto en el entrenamiento. Mientras tanto, RNN almacena la información pasada y todas sus decisiones se toman de lo que ha aprendido del pasado.
Este enfoque es principalmente útil en la clasificación de imágenes. A veces, es posible que necesitemos mirar hacia el futuro para arreglar el pasado. En este caso, la RNN bidireccional es útil para aprender del pasado y predecir el futuro. Por ejemplo, tenemos muestras escritas a mano en múltiples entradas. Supongamos que tenemos confusión en una entrada y luego tenemos que volver a comprobar otras entradas para reconocer el contexto correcto que toma la decisión del pasado.
Flujo de trabajo de ANN
Primero entendamos las diferentes fases del aprendizaje profundo y luego, aprendamos cómo Keras ayuda en el proceso de aprendizaje profundo.
Recopile los datos requeridos
El aprendizaje profundo requiere una gran cantidad de datos de entrada para aprender y predecir con éxito el resultado. Por lo tanto, primero recopile la mayor cantidad de datos posible.
Analizar datos
Analice los datos y adquiera una buena comprensión de los datos. Se requiere una mejor comprensión de los datos para seleccionar el algoritmo ANN correcto.
Elija un algoritmo (modelo)
Elija un algoritmo que se adapte mejor al tipo de proceso de aprendizaje (por ejemplo, clasificación de imágenes, procesamiento de texto, etc.) y los datos de entrada disponibles. El algoritmo está representado por Model en Keras. El algoritmo incluye una o más capas. Cada capa en ANN puede ser representada por Keras Layer en Keras.
Preparar datos : procese, filtre y seleccione solo la información requerida de los datos.
Dividir datos : divida los datos en conjuntos de datos de entrenamiento y de prueba. Los datos de prueba se utilizarán para evaluar la predicción del algoritmo / modelo (una vez que la máquina aprenda) y para verificar la eficiencia del proceso de aprendizaje.
Compile el modelo : compile el algoritmo / modelo, de modo que se pueda usar más para aprender mediante el entrenamiento y finalmente hacer la predicción. Este paso nos obliga a elegir la función de pérdida y el Optimizador. La función de pérdida y el Optimizador se utilizan en la fase de aprendizaje para encontrar el error (desviación de la salida real) y realizar la optimización para minimizar el error.
Ajustar el modelo : el proceso de aprendizaje real se realizará en esta fase utilizando el conjunto de datos de entrenamiento.
Predecir el resultado para el valor desconocido : predice la salida para los datos de entrada desconocidos (que no sean los datos de prueba y entrenamiento existentes)
Evaluar modelo : evalúe el modelo mediante la predicción de la salida de los datos de prueba y la comparación cruzada de la predicción con el resultado real de los datos de prueba.
Congelar, modificar o elegir un nuevo algoritmo : compruebe si la evaluación del modelo es correcta. En caso afirmativo, guarde el algoritmo para fines de predicción futura. Si no es así, modifique o elija un nuevo algoritmo / modelo y, finalmente, entrene, prediga y evalúe nuevamente el modelo. Repita el proceso hasta encontrar el mejor algoritmo (modelo).
Los pasos anteriores se pueden representar utilizando el siguiente diagrama de flujo:
Arquitectura de Keras
La API de Keras se puede dividir en tres categorías principales:
Modelo
Capa
Módulos centrales
En Keras, cada RNA está representada por Keras Models . A su vez, cada modelo de Keras es una composición de capas de Keras y representa capas de ANN como entrada, capa oculta, capas de salida, capa de convolución, capa de agrupación, etc., el modelo de Keras y la capa de acceso a los módulos de Keras para función de activación, función de pérdida, función de regularización, etc., utilizando el modelo de Keras, la capa de Keras y los módulos de Keras, cualquier algoritmo ANN (CNN, RNN, etc.) se puede representar de una manera simple y eficiente.
El siguiente diagrama muestra la relación entre el modelo, la capa y los módulos centrales:
Veamos la descripción general de los modelos de Keras, las capas de Keras y los módulos de Keras.
Modelo
Los modelos Keras son de dos tipos, como se menciona a continuación:
Modelo secuencial: el modelo secuencial es básicamente una composición lineal de capas de Keras. El modelo secuencial es sencillo, mínimo y tiene la capacidad de representar casi todas las redes neuronales disponibles.
Un modelo secuencial simple es el siguiente:
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential()
model.add(Dense(512, activation = 'relu', input_shape = (784,)))
Dónde,
La línea 1 importa el modelo secuencial de los modelos de Keras
La línea 2 importa la capa densa y el módulo de activación
Line 4 crea un nuevo modelo secuencial usando API secuencial
La línea 5 agrega una capa densa (API densa) con la función de activación relu (usando el módulo de activación).
El modelo secuencial expone la clase Model para crear modelos personalizados también. Podemos utilizar el concepto de subclasificación para crear nuestro propio modelo complejo.
API funcional: la API funcional se utiliza básicamente para crear modelos complejos.
Capa
Cada capa de Keras en el modelo de Keras representa la capa correspondiente (capa de entrada, capa oculta y capa de salida) en el modelo de red neuronal propuesto. Keras proporciona muchas capas preconstruidas para que cualquier red neuronal compleja se pueda crear fácilmente. Algunas de las capas importantes de Keras se especifican a continuación,
Capas centrales
Capas de convolución
Capas de agrupación
Capas recurrentes
Un código Python simple para representar un modelo de red neuronal usando un modelo secuencial es el siguiente:
from keras.models import Sequential
from keras.layers import Dense, Activation, Dropout model = Sequential()
model.add(Dense(512, activation = 'relu', input_shape = (784,)))
model.add(Dropout(0.2))
model.add(Dense(512, activation = 'relu')) model.add(Dropout(0.2))
model.add(Dense(num_classes, activation = 'softmax'))
Dónde,
La línea 1 importa el modelo secuencial de los modelos de Keras
La línea 2 importa la capa densa y el módulo de activación
Line 4 crea un nuevo modelo secuencial usando API secuencial
La línea 5 agrega una capa densa (API densa) con la función de activación relu (usando el módulo de activación).
La línea 6 agrega una capa de abandono (API de abandono) para manejar el sobreajuste.
La línea 7 agrega otra capa densa (API densa) con la función de activación relu (usando el módulo de activación).
La línea 8 agrega otra capa de abandono (API de abandono) para manejar el sobreajuste.
La línea 9 agrega una capa densa final (API densa) con la función de activación softmax (usando el módulo de activación).
Keras también ofrece opciones para crear nuestras propias capas personalizadas. La capa personalizada se puede crear subclasificando la clase Keras.Layer y es similar a la subclasificación de modelos Keras.
Módulos centrales
Keras también proporciona muchas funciones integradas relacionadas con la red neuronal para crear correctamente el modelo de Keras y las capas de Keras. Algunas de las funciones son las siguientes:
Módulo de activaciones: la función de activación es un concepto importante en ANN y los módulos de activación proporcionan muchas funciones de activación como softmax, relu, etc.
Módulo de pérdida: el módulo de pérdida proporciona funciones de pérdida como mean_squared_error, mean_absolute_error, poisson, etc.
Módulo optimizador: el módulo optimizador proporciona una función de optimización como adam, sgd, etc.
Regularizadores : el módulo Regularizador proporciona funciones como regularizador L1, regularizador L2, etc.
En muchas ocasiones, mientras trabaja con la biblioteca scikit-learn , deberá guardar sus modelos de predicción en un archivo y luego restaurarlos para reutilizar su trabajo anterior para: probar su modelo con datos nuevos, comparar varios modelos o Algo más. Este procedimiento de guardado también se conoce como serialización de objetos: representa un objeto con un flujo de bytes para almacenarlo en el disco, enviarlo a través de una red o guardarlo en una base de datos, mientras que el procedimiento de restauración se conoce como deserialización. En este artículo, analizamos tres formas posibles de hacer esto en Python y scikit-learn, cada una presentada con sus pros y sus contras.
Herramientas para guardar y restaurar modelos
La primera herramienta que describimos es Pickle , la herramienta estándar de Python para la (des) serialización de objetos. Luego, miramos la biblioteca Joblib que ofrece (des) serialización fácil de objetos que contienen matrices de datos grandes, y finalmente presentamos un enfoque manual para guardar y restaurar objetos hacia / desde JSON (JavaScript Object Notation). Ninguno de estos enfoques representa una solución óptima, pero se debe elegir el ajuste correcto de acuerdo con las necesidades de su proyecto.
Inicialización del modelo
Inicialmente, creemos un modelo de scikit-learn. En nuestro ejemplo usaremos un modelo de regresión logística y el conjunto de datos Iris .
Vamos a importar las bibliotecas necesarias, cargar los datos y dividirlos en conjuntos de prueba y entrenamiento.
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# Load and split data
data = load_iris()
Xtrain, Xtest, Ytrain, Ytest = train_test_split(data.data, data.target, test_size=0.3, random_state=4)
Ahora creemos el modelo con algunos parámetros no predeterminados y ajustémoslo a los datos de entrenamiento. Suponemos que ha encontrado previamente los parámetros óptimos del modelo, es decir, los que producen la mayor precisión estimada.
# Create a model
model = LogisticRegression(C=0.1,
max_iter=20,
fit_intercept=True,
n_jobs=3,
solver='liblinear')
model.fit(Xtrain, Ytrain)
Usando el fitmétodo, el modelo ha aprendido sus coeficientes que están almacenados en model.coef_. El objetivo es guardar los parámetros y los coeficientes del modelo en un archivo, por lo que no es necesario repetir el entrenamiento del modelo y los pasos de optimización de los parámetros nuevamente con datos nuevos.
Módulo pickle
En las siguientes líneas de código, el modelo que creamos en el paso anterior se guarda en un archivo y luego se carga como un nuevo objeto llamado pickled_model. A continuación, el modelo cargado se utiliza para calcular la puntuación de precisión y predecir los resultados sobre nuevos datos no vistos (de prueba).
import pickle
#
# Create your model here (same as above)
#
# Save to file in the current working directory
pkl_filename = "pickle_model.pkl"
with open(pkl_filename, 'wb') as file:
pickle.dump(model, file)
# Load from file
with open(pkl_filename, 'rb') as file:
pickle_model = pickle.load(file)
# Calculate the accuracy score and predict target values
score = pickle_model.score(Xtest, Ytest)
print("Test score: {0:.2f} %".format(100 * score))
Ypredict = pickle_model.predict(Xtest)
La ejecución de este código debería generar su puntuación y guardar el modelo a través de Pickle:
$ python save_model_pickle.py
Test score: 91.11 %
Lo mejor de usar Pickle para guardar y restaurar nuestros modelos de aprendizaje es que es rápido: puede hacerlo en dos líneas de código. Es útil si ha optimizado los parámetros del modelo en los datos de entrenamiento, por lo que no necesita repetir este paso nuevamente. De todos modos, no guarda los resultados de la prueba ni ningún dato. Aún así, puede hacer esto guardando una tupla, o una lista, de varios objetos (y recuerde qué objeto va a dónde), de la siguiente manera:
La biblioteca Joblib está destinada a ser un reemplazo de Pickle, para objetos que contienen datosgrandes. Repetiremos el procedimiento de guardar y restaurar como con Pickle.
from sklearn.externals import joblib
# Save to file in the current working directory
joblib_file = "joblib_model.pkl"
joblib.dump(model, joblib_file)
# Load from file
joblib_model = joblib.load(joblib_file)
# Calculate the accuracy and predictions
score = joblib_model.score(Xtest, Ytest)
print("Test score: {0:.2f} %".format(100 * score))
Ypredict = pickle_model.predict(Xtest)
$ python save_model_joblib.py
Test score: 91.11 %
Como se ve en el ejemplo, la biblioteca Joblib ofrece un flujo de trabajo un poco más simple en comparación con Pickle. Si bien Pickle requiere que se pase un objeto de archivo como argumento, Joblib funciona tanto con objetos de archivo como con nombres de archivo de cadena. En caso de que su modelo contenga grandes conjuntos de datos, cada conjunto se almacenará en un archivo separado, pero el procedimiento de guardar y restaurar seguirá siendo el mismo. Joblib también permite diferentes métodos de compresión, como ‘zlib’, ‘gzip’, ‘bz2’ y diferentes niveles de compresión.
Guardar y restaurar manualmente a JSON
Dependiendo de su proyecto, muchas veces encontrará Pickle y Joblib como soluciones inadecuadas. De todos modos, siempre que desee tener un control total sobre el proceso de guardar y restaurar, la mejor manera es crear sus propias funciones manualmente.
A continuación, se muestra un ejemplo de cómo guardar y restaurar objetos manualmente mediante JSON. Este enfoque nos permite seleccionar los datos que deben guardarse, como los parámetros del modelo, los coeficientes, los datos de entrenamiento y cualquier otra cosa que necesitemos.
Dado que queremos guardar todos estos datos en un solo objeto, una forma posible de hacerlo es crear una nueva clase que herede de la clase modelo, que en nuestro ejemplo es LogisticRegression. La nueva clase, llamada MyLogReg, implementa los métodos save_jsony load_json para guardar y restaurar a / desde un archivo JSON, respectivamente.
Para simplificar, guardaremos solo tres parámetros del modelo y los datos de entrenamiento. Algunos datos adicionales que podríamos almacenar con este enfoque son, por ejemplo, una puntuación de validación cruzada en el conjunto de entrenamiento, datos de prueba, puntuación de precisión en los datos de prueba, etc.
import json
import numpy as np
class MyLogReg(LogisticRegression):
# Override the class constructor
def __init__(self, C=1.0, solver='liblinear', max_iter=100, X_train=None, Y_train=None):
LogisticRegression.__init__(self, C=C, solver=solver, max_iter=max_iter)
self.X_train = X_train
self.Y_train = Y_train
# A method for saving object data to JSON file
def save_json(self, filepath):
dict_ = {}
dict_['C'] = self.C
dict_['max_iter'] = self.max_iter
dict_['solver'] = self.solver
dict_['X_train'] = self.X_train.tolist() if self.X_train is not None else 'None'
dict_['Y_train'] = self.Y_train.tolist() if self.Y_train is not None else 'None'
# Creat json and save to file
json_txt = json.dumps(dict_, indent=4)
with open(filepath, 'w') as file:
file.write(json_txt)
# A method for loading data from JSON file
def load_json(self, filepath):
with open(filepath, 'r') as file:
dict_ = json.load(file)
self.C = dict_['C']
self.max_iter = dict_['max_iter']
self.solver = dict_['solver']
self.X_train = np.asarray(dict_['X_train']) if dict_['X_train'] != 'None' else None
self.Y_train = np.asarray(dict_['Y_train']) if dict_['Y_train'] != 'None' else None
Ahora probemos la MyLogRegclase. Primero creamos un objeto mylogreg, le pasamos los datos de entrenamiento y lo guardamos en un archivo. Luego creamos un nuevo objeto json_mylogregy llamamos al métod load_json para cargar los datos del archivo.
filepath = "mylogreg.json"
# Create a model and train it
mylogreg = MyLogReg(X_train=Xtrain, Y_train=Ytrain)
mylogreg.save_json(filepath)
# Create a new object and load its data from JSON file
json_mylogreg = MyLogReg()
json_mylogreg.load_json(filepath)
json_mylogreg
Al imprimir el nuevo objeto, podemos ver nuestros parámetros y datos de entrenamiento según sea necesario.
Dado que la serialización de datos usando JSON realmente guarda el objeto en un formato de cadena, en lugar de un flujo de bytes, el archivo ‘mylogreg.json’ podría abrirse y modificarse con un editor de texto. Aunque este enfoque sería conveniente para el desarrollador, es menos seguro ya que un intruso puede ver y modificar el contenido del archivo JSON. Además, este enfoque es más adecuado para objetos con una pequeña cantidad de variables de instancia, como los modelos scikit-learn, porque cualquier adición de nuevas variables requiere cambios en los métodos de guardar y restaurar.
Problemas de compatibilidad
Si bien algunos de los pros y los contras de cada herramienta se cubrieron en el texto hasta ahora, probablemente el mayor inconveniente de las herramientas Pickle y Joblib es su compatibilidad con diferentes modelos y versiones de Python.
Compatibilidad con la versión de Python : la documentación de ambas herramientas indica que no se recomienda (des) serializar objetos en diferentes versiones de Python, aunque podría funcionar con cambios menores de versión.
Compatibilidad del modelo: uno de los errores más frecuentes es guardar su modelo con Pickle o Joblib y luego cambiar el modelo antes de intentar restaurar desde un archivo. La estructura interna del modelo debe permanecer sin cambios entre guardar y recargar.
Un último problema con Pickle y Joblib está relacionado con la seguridad. Ambas herramientas pueden contener código malicioso, por lo que no se recomienda restaurar datos de fuentes no confiables o no autenticadas.
Conclusiones
En esta publicación describimos tres herramientas para guardar y restaurar modelos de scikit-learn. Las bibliotecas Pickle y Joblib son rápidas y fáciles de usar, pero tienen problemas de compatibilidad en diferentes versiones de Python y cambios en el modelo de aprendizaje. Por otro lado, el enfoque manual es más difícil de implementar y debe modificarse con cualquier cambio en la estructura del modelo, pero en el lado positivo podría adaptarse fácilmente a varias necesidades y no tiene problemas de compatibilidad.
Anaconda es una distribución gratuita, de código abierto y una de las distribuciones más populares del lenguaje de programación Python y R. Generalmente, se usa para computación científica, análisis predictivo, aprendizaje automático y procesamiento de datos a gran escala. Es una distribución multiplataforma y se puede instalar en Linux, Windows y Mac OS.
En este post le mostraremos cómo instalar y usar Anaconda en un VPS Ubuntu 20.04.
Prerrequisitos
Acceso a la cuenta de usuario root (o acceso a una cuenta de administrador con privilegios de root)
Eliminar cualquier instalacion anterior
sudo rm -R /root/anaconda3
Inicie sesión en el servidor y actualice los paquetes del sistema operativo del servidor
Primero, inicie sesión en su servidor Ubuntu 20.04 a través de SSH como usuario root
Antes de comenzar, debe asegurarse de que todos los paquetes del sistema operativo Ubuntu instalados en el servidor estén actualizados. Puede hacer esto ejecutando los siguientes comandos:
apt-get update -y
apt-get upgrade -y
Descarga de Anaconda
Primero, visite la página de descarga de Anaconda y descargue la última versión del script de instalación de Anaconda con el siguiente comando:
A continuación, vaya a la página hash de Anaconda y haga coincidir el hash anterior como se muestra a continuación:
Una vez que haya terminado, puede proceder e instalar Anaconda.
Instalación de Anaconda
Ahora, ejecute el script de instalación de Anaconda para iniciar la instalación:
bash Anaconda3-2020.11-Linux-x86_64.sh
Debería ver el siguiente resultado:
Bienvenido a Anaconda3 2020.11
Para continuar con el proceso de instalación, revise la licencia
convenio.
Por favor presione ENTER para continuar
>>>
Presione Enter para iniciar la instalación. Se le pedirá que acepte la licencia y elija el directorio de instalación como se muestra a continuación:
¿Aceptas los términos de la licencia? [si | no] si
Anaconda3 ahora se instalará en esta ubicación:
/ root / anaconda3
- Presione ENTER para confirmar la ubicación
- Presione CTRL-C para cancelar la instalación
- O especifique una ubicación diferente a continuación
[/ root / anaconda3] >>>
Presione Entrar para confirmar la ubicación y continuar con el proceso de instalación. Una vez completada la instalación, debería obtener el siguiente resultado:
¿Desea que el instalador inicialice Anaconda3
ejecutando conda init? [si | no]
[no] >>> si
Escriba sí y presione Entrar para inicializar la Anaconda. Debería obtener el siguiente resultado:
==> Para que los cambios surtan efecto, cierre y vuelva a abrir su shell actual. <==
Si prefiere que el entorno base de conda no se active al inicio,
establezca el parámetro auto_activate_base en falso:
conda config --set auto_activate_base false
¡Gracias por instalar Anaconda3!
================================================ =========================
Trabajar con portátiles Python y Jupyter es muy sencillo con PyCharm Pro,
diseñado para ser utilizado con Anaconda. Descarga ahora y ten los mejores datos
herramientas a su alcance.
PyCharm Pro para Anaconda está disponible en: https://www.anaconda.com/pycharm
A continuación, active la variable de entorno Anaconda con el siguiente comando:
fuente ~ / .bashrc
Ahora puede verificar la instalación usando el siguiente comando:
conda info
Debería obtener el siguiente resultado:
ubicación de entorno activo: / root / anaconda3
nivel de cáscara: 1
archivo de configuración de usuario: /root/.condarc
archivos de configuración poblados:
versión conda: 4.9.2
versión conda-build: 3.20.5
versión de Python: 3.8.5.final.0
paquetes virtuales: __glibc = 2.31 = 0
__unix = 0 = 0
__archspec = 1 = x86_64
entorno base: / root / anaconda3 (escribible)
URL de canal: https://repo.anaconda.com/pkgs/main/linux-64
https://repo.anaconda.com/pkgs/main/noarch
https://repo.anaconda.com/pkgs/r/linux-64
https://repo.anaconda.com/pkgs/r/noarch
caché del paquete: / root / anaconda3 / pkgs
/root/.conda/pkgs
Directorios envs: / root / anaconda3 / envs
/root/.conda/envs
plataforma: linux-64
user-agent: conda / 4.9.2 solicitudes / 2.24.0 CPython / 3.8.5 Linux / 5.4.0-29-generic ubuntu / 20.04 glibc / 2.31
UID: GID: 0: 0
archivo netrc: Ninguno
modo fuera de línea: falso
Actualización Anaconda
Se recomienda actualizar Anaconda con regularidad. Para actualizar Anaconda, primero actualice la conda con el siguiente comando:
conda update conda
A continuación, actualice Anaconda con el siguiente comando:
conda update anaconda
Puede crear un entorno Python 3 para Anaconda usando el siguiente comando:
Crear un entorno Anaconda
conda create --name my_env
A continuación, active el entorno con el siguiente comando:
conda activate my_env
Debería obtener el siguiente resultado:
(mi_env) root @ ubuntu2004: ~ #
Abra una nueva ventana de Terminal yendo a «Mostrar aplicaciones» y seleccionando la Terminal .
Escriba el comando para verificar que se instaló Anaconda.(base) nombre de usuario @ ubuntu: ~ $ python –version Python 3.8.5
Escriba el comando para actualizar Anaconda.(base) username @ ubuntu: ~ $ conda update –all –yes
Iniciar Jupyter Notebook
Escriba el comando para iniciar Jupyter Notebook.nombre de usuario @ ubuntu: ~ $ jupyter notebook
Ejemplo de todos los comandos lanzados :
[email protected]:~/Descargas$ wget https://repo.anaconda.com/archive/Anaconda3-2020.11-Linux-x86_64.sh
--2021-09-06 10:21:36-- https://repo.anaconda.com/archive/Anaconda3-2020.11-Linux-x86_64.sh
Resolviendo repo.anaconda.com (repo.anaconda.com)... 104.16.130.3, 104.16.131.3, 2606:4700::6810:8303, ...
Conectando con repo.anaconda.com (repo.anaconda.com)[104.16.130.3]:443... conectado.
Petición HTTP enviada, esperando respuesta... 200 OK
Longitud: 554535580 (529M) [application/x-sh]
Guardando como: “Anaconda3-2020.11-Linux-x86_64.sh”
Anaconda3-2020.11-L 100%[===================>] 528,85M 3,04MB/s en 2m 56s
2021-09-06 10:24:32 (3,00 MB/s) - “Anaconda3-2020.11-Linux-x86_64.sh” guardado [554535580/554535580]
[email protected]:~/Descargas$ sha256sum Anaconda3-2020.11-Linux-x86_64.sh
cf2ff493f11eaad5d09ce2b4feaa5ea90db5174303d5b3fe030e16d29aeef7de Anaconda3-2020.11-Linux-x86_64.sh
[email protected]:~/Descargas$ bash Anaconda3-2020.11-Linux-x86_64.sh
Welcome to Anaconda3 2020.11
In order to continue the installation process, please review the license
agreement.
Please, press ENTER to continue
>>>
===================================
End User License Agreement - Anaconda Individual Edition
===================================
Copyright 2015-2020, Anaconda, Inc.
All rights reserved under the 3-clause BSD License:
This End User License Agreement (the "Agreement") is a legal agreement between y
ou and Anaconda, Inc. ("Anaconda") and governs your use of Anaconda Individual E
dition (which was formerly known as Anaconda Distribution).
Subject to the terms of this Agreement, Anaconda hereby grants you a non-exclusi
ve, non-transferable license to:
* Install and use the Anaconda Individual Edition (which was formerly known as
Anaconda Distribution),
* Modify and create derivative works of sample source code delivered in Anacon
da Individual Edition from Anaconda's repository; and
* Redistribute code files in source (if provided to you by Anaconda as source)
and binary forms, with or without modification subject to the requirements set
forth below.
Anaconda may, at its option, make available patches, workarounds or other update
s to Anaconda Individual Edition. Unless the updates are provided with their sep
arate governing terms, they are deemed part of Anaconda Individual Edition licen
sed to you as provided in this Agreement. This Agreement does not entitle you t
o any support for Anaconda Individual Edition.
Anaconda reserves all rights not expressly granted to you in this Agreement.
Redistribution and use in source and binary forms, with or without modification,
are permitted provided that the following conditions are met:
* Redistributions of source code must retain the above copyright notice, this
list of conditions and the following disclaimer.
* Redistributions in binary form must reproduce the above copyright notice, th
is list of conditions and the following disclaimer in the documentation and/or o
ther materials provided with the distribution.
* Neither the name of Anaconda nor the names of its contributors may be used t
o endorse or promote products derived from this software without specific prior
written permission.
You acknowledge that, as between you and Anaconda, Anaconda owns all right, titl
e, and interest, including all intellectual property rights, in and to Anaconda
Individual Edition and, with respect to third-party products distributed with or
through Anaconda Individual Edition, the applicable third-party licensors own a
ll right, title and interest, including all intellectual property rights, in and
to such products. If you send or transmit any communications or materials to A
naconda suggesting or recommending changes to the software or documentation, inc
luding without limitation, new features or functionality relating thereto, or an
y comments, questions, suggestions or the like ("Feedback"), Anaconda is free to
use such Feedback. You hereby assign to Anaconda all right, title, and interest
in, and Anaconda is free to use, without any attribution or compensation to any
party, any ideas, know-how, concepts, techniques or other intellectual property
rights contained in the Feedback, for any purpose whatsoever, although Anaconda
is not required to use any Feedback.
THIS SOFTWARE IS PROVIDED BY ANACONDA AND ITS CONTRIBUTORS "AS IS" AND ANY EXPRE
SS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE IMPLIED WARRANTIES
OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE ARE DISCLAIMED. IN NO EV
ENT SHALL ANACONDA BE LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEM
PLARY, OR CONSEQUENTIAL DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF S
UBSTITUTE GOODS OR SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUP
TION) HOWEVER CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT
LIABILITY, OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT O
F THE USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.
TO THE MAXIMUM EXTENT PERMITTED BY LAW, ANACONDA AND ITS AFFILIATES SHALL NOT BE
LIABLE FOR ANY SPECIAL, INCIDENTAL, PUNITIVE OR CONSEQUENTIAL DAMAGES, OR ANY L
OST PROFITS, LOSS OF USE, LOSS OF DATA OR LOSS OF GOODWILL, OR THE COSTS OF PROC
URING SUBSTITUTE PRODUCTS, ARISING OUT OF OR IN CONNECTION WITH THIS AGREEMENT O
R THE USE OR PERFORMANCE OF ANACONDA INDIVIDUAL EDITION, WHETHER SUCH LIABILITY
ARISES FROM ANY CLAIM BASED UPON BREACH OF CONTRACT, BREACH OF WARRANTY, TORT (I
NCLUDING NEGLIGENCE), PRODUCT LIABILITY OR ANY OTHER CAUSE OF ACTION OR THEORY O
F LIABILITY. IN NO EVENT WILL THE TOTAL CUMULATIVE LIABILITY OF ANACONDA AND ITS
AFFILIATES UNDER OR ARISING OUT OF THIS AGREEMENT EXCEED US0.00.
If you want to terminate this Agreement, you may do so by discontinuing use of A
naconda Individual Edition. Anaconda may, at any time, terminate this Agreement
and the license granted hereunder if you fail to comply with any term of this A
greement. Upon any termination of this Agreement, you agree to promptly discon
tinue use of the Anaconda Individual Edition and destroy all copies in your poss
ession or control. Upon any termination of this Agreement all provisions survive
except for the licenses granted to you.
This Agreement is governed by and construed in accordance with the internal laws
of the State of Texas without giving effect to any choice or conflict of law pr
ovision or rule that would require or permit the application of the laws of any
jurisdiction other than those of the State of Texas. Any legal suit, action, or
proceeding arising out of or related to this Agreement or the licenses granted h
ereunder by you must be instituted exclusively in the federal courts of the Unit
ed States or the courts of the State of Texas in each case located in Travis Cou
nty, Texas, and you irrevocably submit to the jurisdiction of such courts in any
such suit, action, or proceeding.
Notice of Third Party Software Licenses
=======================================
Anaconda Individual Edition provides access to a repository which contains softw
are packages or tools licensed on an open source basis from third parties and bi
nary packages of these third party tools. These third party software packages or
tools are provided on an "as is" basis and are subject to their respective lice
nse agreements as well as this Agreement and the Terms of Service for the Reposi
tory located at https://know.anaconda.com/TOS.html; provided, however, no restri
ction contained in the Terms of Service shall be construed so as to limit your a
bility to download the packages contained in Anaconda Individual Edition provide
d you comply with the license for each such package. These licenses may be acce
ssed from within the Anaconda Individual Edition software or at https://docs.ana
conda.com/anaconda/pkg-docs. Information regarding which license is applicable i
s available from within many of the third party software packages and tools and
at https://repo.anaconda.com/pkgs/main/ and https://repo.anaconda.com/pkgs/r/. A
naconda reserves the right, in its sole discretion, to change which third party
tools are included in the repository accessible through Anaconda Individual Edit
ion.
Intel Math Kernel Library
-------------------------
Anaconda Individual Edition provides access to re-distributable, run-time, share
d-library files from the Intel Math Kernel Library ("MKL binaries").
Copyright 2018 Intel Corporation. License available at https://software.intel.c
om/en-us/license/intel-simplified-software-license (the "MKL License").
You may use and redistribute the MKL binaries, without modification, provided th
e following conditions are met:
* Redistributions must reproduce the above copyright notice and the following
terms of use in the MKL binaries and in the documentation and/or other materials
provided with the distribution.
* Neither the name of Intel nor the names of its suppliers may be used to endo
rse or promote products derived from the MKL binaries without specific prior wri
tten permission.
* No reverse engineering, decompilation, or disassembly of the MKL binaries is
permitted.
You are specifically authorized to use and redistribute the MKL binaries with yo
ur installation of Anaconda Individual Edition subject to the terms set forth in
the MKL License. You are also authorized to redistribute the MKL binaries with
Anaconda Individual Edition or in the Anaconda package that contains the MKL bin
aries. If needed, instructions for removing the MKL binaries after installation
of Anaconda Individual Edition are available at https://docs.anaconda.com.
cuDNN Software
--------------
Anaconda Individual Edition also provides access to cuDNN software binaries ("cu
DNN binaries") from NVIDIA Corporation. You are specifically authorized to use t
he cuDNN binaries with your installation of Anaconda Individual Edition subject
to your compliance with the license agreement located at https://docs.nvidia.com
/deeplearning/sdk/cudnn-sla/index.html. You are also authorized to redistribute
the cuDNN binaries with an Anaconda Individual Edition package that contains the
cuDNN binaries. You can add or remove the cuDNN binaries utilizing the install
and uninstall features in Anaconda Individual Edition.
cuDNN binaries contain source code provided by NVIDIA Corporation.
Export; Cryptography Notice
===========================
You must comply with all domestic and international export laws and regulations
that apply to the software, which include restrictions on destinations, end user
s, and end use. Anaconda Individual Edition includes cryptographic software. Th
e country in which you currently reside may have restrictions on the import, pos
session, use, and/or re-export to another country, of encryption software. BEFOR
E using any encryption software, please check your country's laws, regulations a
nd policies concerning the import, possession, or use, and re-export of encrypti
on software, to see if this is permitted. See the Wassenaar Arrangement http://w
ww.wassenaar.org/ for more information.
Anaconda has self-classified this software as Export Commodity Control Number (E
CCN) 5D992.c, which includes mass market information security software using or
performing cryptographic functions with asymmetric algorithms. No license is req
uired for export of this software to non-embargoed countries.
The Intel Math Kernel Library contained in Anaconda Individual Edition is classi
fied by Intel as ECCN 5D992.c with no license required for export to non-embargo
ed countries.
The following packages are included in the repository accessible through Anacond
a Individual Edition that relate to cryptography:
openssl
The OpenSSL Project is a collaborative effort to develop a robust, commercia
l-grade, full-featured, and Open Source toolkit implementing the Transport Layer
Security (TLS) and Secure Sockets Layer (SSL) protocols as well as a full-stren
gth general purpose cryptography library.
pycrypto
A collection of both secure hash functions (such as SHA256 and RIPEMD160), a
nd various encryption algorithms (AES, DES, RSA, ElGamal, etc.).
pyopenssl
A thin Python wrapper around (a subset of) the OpenSSL library.
kerberos (krb5, non-Windows platforms)
A network authentication protocol designed to provide strong authentication
for client/server applications by using secret-key cryptography.
cryptography
A Python library which exposes cryptographic recipes and primitives.
pycryptodome
A fork of PyCrypto. It is a self-contained Python package of low-level crypt
ographic primitives.
pycryptodomex
A stand-alone version of pycryptodome.
libsodium
A software library for encryption, decryption, signatures, password hashing
and more.
pynacl
A Python binding to the Networking and Cryptography library, a crypto librar
y with the stated goal of improving usability, security and speed.
Last updated September 28, 2020
Do you accept the license terms? [yes|no]
[no] >>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>> yes
Anaconda3 will now be installed into this location:
/home/soloelectronicos/anaconda3
- Press ENTER to confirm the location
- Press CTRL-C to abort the installation
- Or specify a different location below
[/home/soloelectronicos/anaconda3] >>>
PREFIX=/home/soloelectronicos/anaconda3
Unpacking payload ...
Collecting package metadata (current_repodata.json): done
Solving environment: done
## Package Plan ##
environment location: /home/soloelectronicos/anaconda3
added / updated specs:
- _ipyw_jlab_nb_ext_conf==0.1.0=py38_0
- _libgcc_mutex==0.1=main
- alabaster==0.7.12=py_0
- anaconda-client==1.7.2=py38_0
- anaconda-navigator==1.10.0=py38_0
- anaconda-project==0.8.4=py_0
- anaconda==2020.11=py38_0
- argh==0.26.2=py38_0
- argon2-cffi==20.1.0=py38h7b6447c_1
- asn1crypto==1.4.0=py_0
- astroid==2.4.2=py38_0
- astropy==4.0.2=py38h7b6447c_0
- async_generator==1.10=py_0
- atomicwrites==1.4.0=py_0
- attrs==20.3.0=pyhd3eb1b0_0
- autopep8==1.5.4=py_0
- babel==2.8.1=pyhd3eb1b0_0
- backcall==0.2.0=py_0
- backports.functools_lru_cache==1.6.1=py_0
- backports.shutil_get_terminal_size==1.0.0=py38_2
- backports.tempfile==1.0=py_1
- backports.weakref==1.0.post1=py_1
- backports==1.0=py_2
- beautifulsoup4==4.9.3=pyhb0f4dca_0
- bitarray==1.6.1=py38h27cfd23_0
- bkcharts==0.2=py38_0
- blas==1.0=mkl
- bleach==3.2.1=py_0
- blosc==1.20.1=hd408876_0
- bokeh==2.2.3=py38_0
- boto==2.49.0=py38_0
- bottleneck==1.3.2=py38heb32a55_1
- brotlipy==0.7.0=py38h7b6447c_1000
- bzip2==1.0.8=h7b6447c_0
- ca-certificates==2020.10.14=0
- cairo==1.14.12=h8948797_3
- certifi==2020.6.20=pyhd3eb1b0_3
- cffi==1.14.3=py38he30daa8_0
- chardet==3.0.4=py38_1003
- click==7.1.2=py_0
- cloudpickle==1.6.0=py_0
- clyent==1.2.2=py38_1
- colorama==0.4.4=py_0
- conda-build==3.20.5=py38_1
- conda-env==2.6.0=1
- conda-package-handling==1.7.2=py38h03888b9_0
- conda-verify==3.4.2=py_1
- conda==4.9.2=py38h06a4308_0
- contextlib2==0.6.0.post1=py_0
- cryptography==3.1.1=py38h1ba5d50_0
- curl==7.71.1=hbc83047_1
- cycler==0.10.0=py38_0
- cython==0.29.21=py38he6710b0_0
- cytoolz==0.11.0=py38h7b6447c_0
- dask-core==2.30.0=py_0
- dask==2.30.0=py_0
- dbus==1.13.18=hb2f20db_0
- decorator==4.4.2=py_0
- defusedxml==0.6.0=py_0
- diff-match-patch==20200713=py_0
- distributed==2.30.1=py38h06a4308_0
- docutils==0.16=py38_1
- entrypoints==0.3=py38_0
- et_xmlfile==1.0.1=py_1001
- expat==2.2.10=he6710b0_2
- fastcache==1.1.0=py38h7b6447c_0
- filelock==3.0.12=py_0
- flake8==3.8.4=py_0
- flask==1.1.2=py_0
- fontconfig==2.13.0=h9420a91_0
- freetype==2.10.4=h5ab3b9f_0
- fribidi==1.0.10=h7b6447c_0
- fsspec==0.8.3=py_0
- future==0.18.2=py38_1
- get_terminal_size==1.0.0=haa9412d_0
- gevent==20.9.0=py38h7b6447c_0
- glib==2.66.1=h92f7085_0
- glob2==0.7=py_0
- gmp==6.1.2=h6c8ec71_1
- gmpy2==2.0.8=py38hd5f6e3b_3
- graphite2==1.3.14=h23475e2_0
- greenlet==0.4.17=py38h7b6447c_0
- gst-plugins-base==1.14.0=hbbd80ab_1
- gstreamer==1.14.0=hb31296c_0
- h5py==2.10.0=py38h7918eee_0
- harfbuzz==2.4.0=hca77d97_1
- hdf5==1.10.4=hb1b8bf9_0
- heapdict==1.0.1=py_0
- html5lib==1.1=py_0
- icu==58.2=he6710b0_3
- idna==2.10=py_0
- imageio==2.9.0=py_0
- imagesize==1.2.0=py_0
- importlib-metadata==2.0.0=py_1
- importlib_metadata==2.0.0=1
- iniconfig==1.1.1=py_0
- intel-openmp==2020.2=254
- intervaltree==3.1.0=py_0
- ipykernel==5.3.4=py38h5ca1d4c_0
- ipython==7.19.0=py38hb070fc8_0
- ipython_genutils==0.2.0=py38_0
- ipywidgets==7.5.1=py_1
- isort==5.6.4=py_0
- itsdangerous==1.1.0=py_0
- jbig==2.1=hdba287a_0
- jdcal==1.4.1=py_0
- jedi==0.17.1=py38_0
- jeepney==0.5.0=pyhd3eb1b0_0
- jinja2==2.11.2=py_0
- joblib==0.17.0=py_0
- jpeg==9b=h024ee3a_2
- json5==0.9.5=py_0
- jsonschema==3.2.0=py_2
- jupyter==1.0.0=py38_7
- jupyter_client==6.1.7=py_0
- jupyter_console==6.2.0=py_0
- jupyter_core==4.6.3=py38_0
- jupyterlab==2.2.6=py_0
- jupyterlab_pygments==0.1.2=py_0
- jupyterlab_server==1.2.0=py_0
- keyring==21.4.0=py38_1
- kiwisolver==1.3.0=py38h2531618_0
- krb5==1.18.2=h173b8e3_0
- lazy-object-proxy==1.4.3=py38h7b6447c_0
- lcms2==2.11=h396b838_0
- ld_impl_linux-64==2.33.1=h53a641e_7
- libarchive==3.4.2=h62408e4_0
- libcurl==7.71.1=h20c2e04_1
- libedit==3.1.20191231=h14c3975_1
- libffi==3.3=he6710b0_2
- libgcc-ng==9.1.0=hdf63c60_0
- libgfortran-ng==7.3.0=hdf63c60_0
- liblief==0.10.1=he6710b0_0
- libllvm10==10.0.1=hbcb73fb_5
- libpng==1.6.37=hbc83047_0
- libsodium==1.0.18=h7b6447c_0
- libspatialindex==1.9.3=he6710b0_0
- libssh2==1.9.0=h1ba5d50_1
- libstdcxx-ng==9.1.0=hdf63c60_0
- libtiff==4.1.0=h2733197_1
- libtool==2.4.6=h7b6447c_1005
- libuuid==1.0.3=h1bed415_2
- libxcb==1.14=h7b6447c_0
- libxml2==2.9.10=hb55368b_3
- libxslt==1.1.34=hc22bd24_0
- llvmlite==0.34.0=py38h269e1b5_4
- locket==0.2.0=py38_1
- lxml==4.6.1=py38hefd8a0e_0
- lz4-c==1.9.2=heb0550a_3
- lzo==2.10=h7b6447c_2
- markupsafe==1.1.1=py38h7b6447c_0
- matplotlib-base==3.3.2=py38h817c723_0
- matplotlib==3.3.2=0
- mccabe==0.6.1=py38_1
- mistune==0.8.4=py38h7b6447c_1000
- mkl-service==2.3.0=py38he904b0f_0
- mkl==2020.2=256
- mkl_fft==1.2.0=py38h23d657b_0
- mkl_random==1.1.1=py38h0573a6f_0
- mock==4.0.2=py_0
- more-itertools==8.6.0=pyhd3eb1b0_0
- mpc==1.1.0=h10f8cd9_1
- mpfr==4.0.2=hb69a4c5_1
- mpmath==1.1.0=py38_0
- msgpack-python==1.0.0=py38hfd86e86_1
- multipledispatch==0.6.0=py38_0
- navigator-updater==0.2.1=py38_0
- nbclient==0.5.1=py_0
- nbconvert==6.0.7=py38_0
- nbformat==5.0.8=py_0
- ncurses==6.2=he6710b0_1
- nest-asyncio==1.4.2=pyhd3eb1b0_0
- networkx==2.5=py_0
- nltk==3.5=py_0
- nose==1.3.7=py38_2
- notebook==6.1.4=py38_0
- numba==0.51.2=py38h0573a6f_1
- numexpr==2.7.1=py38h423224d_0
- numpy-base==1.19.2=py38hfa32c7d_0
- numpy==1.19.2=py38h54aff64_0
- numpydoc==1.1.0=pyhd3eb1b0_1
- olefile==0.46=py_0
- openpyxl==3.0.5=py_0
- openssl==1.1.1h=h7b6447c_0
- packaging==20.4=py_0
- pandas==1.1.3=py38he6710b0_0
- pandoc==2.11=hb0f4dca_0
- pandocfilters==1.4.3=py38h06a4308_1
- pango==1.45.3=hd140c19_0
- parso==0.7.0=py_0
- partd==1.1.0=py_0
- patchelf==0.12=he6710b0_0
- path.py==12.5.0=0
- path==15.0.0=py38_0
- pathlib2==2.3.5=py38_0
- pathtools==0.1.2=py_1
- patsy==0.5.1=py38_0
- pcre==8.44=he6710b0_0
- pep8==1.7.1=py38_0
- pexpect==4.8.0=py38_0
- pickleshare==0.7.5=py38_1000
- pillow==8.0.1=py38he98fc37_0
- pip==20.2.4=py38h06a4308_0
- pixman==0.40.0=h7b6447c_0
- pkginfo==1.6.1=py38h06a4308_0
- pluggy==0.13.1=py38_0
- ply==3.11=py38_0
- prometheus_client==0.8.0=py_0
- prompt-toolkit==3.0.8=py_0
- prompt_toolkit==3.0.8=0
- psutil==5.7.2=py38h7b6447c_0
- ptyprocess==0.6.0=py38_0
- py-lief==0.10.1=py38h403a769_0
- py==1.9.0=py_0
- pycodestyle==2.6.0=py_0
- pycosat==0.6.3=py38h7b6447c_1
- pycparser==2.20=py_2
- pycurl==7.43.0.6=py38h1ba5d50_0
- pydocstyle==5.1.1=py_0
- pyflakes==2.2.0=py_0
- pygments==2.7.2=pyhd3eb1b0_0
- pylint==2.6.0=py38_0
- pyodbc==4.0.30=py38he6710b0_0
- pyopenssl==19.1.0=py_1
- pyparsing==2.4.7=py_0
- pyqt==5.9.2=py38h05f1152_4
- pyrsistent==0.17.3=py38h7b6447c_0
- pysocks==1.7.1=py38_0
- pytables==3.6.1=py38h9fd0a39_0
- pytest==6.1.1=py38_0
- python-dateutil==2.8.1=py_0
- python-jsonrpc-server==0.4.0=py_0
- python-language-server==0.35.1=py_0
- python-libarchive-c==2.9=py_0
- python==3.8.5=h7579374_1
- pytz==2020.1=py_0
- pywavelets==1.1.1=py38h7b6447c_2
- pyxdg==0.27=pyhd3eb1b0_0
- pyyaml==5.3.1=py38h7b6447c_1
- pyzmq==19.0.2=py38he6710b0_1
- qdarkstyle==2.8.1=py_0
- qt==5.9.7=h5867ecd_1
- qtawesome==1.0.1=py_0
- qtconsole==4.7.7=py_0
- qtpy==1.9.0=py_0
- readline==8.0=h7b6447c_0
- regex==2020.10.15=py38h7b6447c_0
- requests==2.24.0=py_0
- ripgrep==12.1.1=0
- rope==0.18.0=py_0
- rtree==0.9.4=py38_1
- ruamel_yaml==0.15.87=py38h7b6447c_1
- scikit-image==0.17.2=py38hdf5156a_0
- scikit-learn==0.23.2=py38h0573a6f_0
- scipy==1.5.2=py38h0b6359f_0
- seaborn==0.11.0=py_0
- secretstorage==3.1.2=py38_0
- send2trash==1.5.0=py38_0
- setuptools==50.3.1=py38h06a4308_1
- simplegeneric==0.8.1=py38_2
- singledispatch==3.4.0.3=py_1001
- sip==4.19.13=py38he6710b0_0
- six==1.15.0=py38h06a4308_0
- snowballstemmer==2.0.0=py_0
- sortedcollections==1.2.1=py_0
- sortedcontainers==2.2.2=py_0
- soupsieve==2.0.1=py_0
- sphinx==3.2.1=py_0
- sphinxcontrib-applehelp==1.0.2=py_0
- sphinxcontrib-devhelp==1.0.2=py_0
- sphinxcontrib-htmlhelp==1.0.3=py_0
- sphinxcontrib-jsmath==1.0.1=py_0
- sphinxcontrib-qthelp==1.0.3=py_0
- sphinxcontrib-serializinghtml==1.1.4=py_0
- sphinxcontrib-websupport==1.2.4=py_0
- sphinxcontrib==1.0=py38_1
- spyder-kernels==1.9.4=py38_0
- spyder==4.1.5=py38_0
- sqlalchemy==1.3.20=py38h7b6447c_0
- sqlite==3.33.0=h62c20be_0
- statsmodels==0.12.0=py38h7b6447c_0
- sympy==1.6.2=py38h06a4308_1
- tbb==2020.3=hfd86e86_0
- tblib==1.7.0=py_0
- terminado==0.9.1=py38_0
- testpath==0.4.4=py_0
- threadpoolctl==2.1.0=pyh5ca1d4c_0
- tifffile==2020.10.1=py38hdd07704_2
- tk==8.6.10=hbc83047_0
- toml==0.10.1=py_0
- toolz==0.11.1=py_0
- tornado==6.0.4=py38h7b6447c_1
- tqdm==4.50.2=py_0
- traitlets==5.0.5=py_0
- typing_extensions==3.7.4.3=py_0
- ujson==4.0.1=py38he6710b0_0
- unicodecsv==0.14.1=py38_0
- unixodbc==2.3.9=h7b6447c_0
- urllib3==1.25.11=py_0
- watchdog==0.10.3=py38_0
- wcwidth==0.2.5=py_0
- webencodings==0.5.1=py38_1
- werkzeug==1.0.1=py_0
- wheel==0.35.1=py_0
- widgetsnbextension==3.5.1=py38_0
- wrapt==1.11.2=py38h7b6447c_0
- wurlitzer==2.0.1=py38_0
- xlrd==1.2.0=py_0
- xlsxwriter==1.3.7=py_0
- xlwt==1.3.0=py38_0
- xmltodict==0.12.0=py_0
- xz==5.2.5=h7b6447c_0
- yaml==0.2.5=h7b6447c_0
- yapf==0.30.0=py_0
- zeromq==4.3.3=he6710b0_3
- zict==2.0.0=py_0
- zipp==3.4.0=pyhd3eb1b0_0
- zlib==1.2.11=h7b6447c_3
- zope.event==4.5.0=py38_0
- zope.interface==5.1.2=py38h7b6447c_0
- zope==1.0=py38_1
- zstd==1.4.5=h9ceee32_0
The following NEW packages will be INSTALLED:
_ipyw_jlab_nb_ext~ pkgs/main/linux-64::_ipyw_jlab_nb_ext_conf-0.1.0-py38_0
_libgcc_mutex pkgs/main/linux-64::_libgcc_mutex-0.1-main
alabaster pkgs/main/noarch::alabaster-0.7.12-py_0
anaconda pkgs/main/linux-64::anaconda-2020.11-py38_0
anaconda-client pkgs/main/linux-64::anaconda-client-1.7.2-py38_0
anaconda-navigator pkgs/main/linux-64::anaconda-navigator-1.10.0-py38_0
anaconda-project pkgs/main/noarch::anaconda-project-0.8.4-py_0
argh pkgs/main/linux-64::argh-0.26.2-py38_0
argon2-cffi pkgs/main/linux-64::argon2-cffi-20.1.0-py38h7b6447c_1
asn1crypto pkgs/main/noarch::asn1crypto-1.4.0-py_0
astroid pkgs/main/linux-64::astroid-2.4.2-py38_0
astropy pkgs/main/linux-64::astropy-4.0.2-py38h7b6447c_0
async_generator pkgs/main/noarch::async_generator-1.10-py_0
atomicwrites pkgs/main/noarch::atomicwrites-1.4.0-py_0
attrs pkgs/main/noarch::attrs-20.3.0-pyhd3eb1b0_0
autopep8 pkgs/main/noarch::autopep8-1.5.4-py_0
babel pkgs/main/noarch::babel-2.8.1-pyhd3eb1b0_0
backcall pkgs/main/noarch::backcall-0.2.0-py_0
backports pkgs/main/noarch::backports-1.0-py_2
backports.functoo~ pkgs/main/noarch::backports.functools_lru_cache-1.6.1-py_0
backports.shutil_~ pkgs/main/linux-64::backports.shutil_get_terminal_size-1.0.0-py38_2
backports.tempfile pkgs/main/noarch::backports.tempfile-1.0-py_1
backports.weakref pkgs/main/noarch::backports.weakref-1.0.post1-py_1
beautifulsoup4 pkgs/main/noarch::beautifulsoup4-4.9.3-pyhb0f4dca_0
bitarray pkgs/main/linux-64::bitarray-1.6.1-py38h27cfd23_0
bkcharts pkgs/main/linux-64::bkcharts-0.2-py38_0
blas pkgs/main/linux-64::blas-1.0-mkl
bleach pkgs/main/noarch::bleach-3.2.1-py_0
blosc pkgs/main/linux-64::blosc-1.20.1-hd408876_0
bokeh pkgs/main/linux-64::bokeh-2.2.3-py38_0
boto pkgs/main/linux-64::boto-2.49.0-py38_0
bottleneck pkgs/main/linux-64::bottleneck-1.3.2-py38heb32a55_1
brotlipy pkgs/main/linux-64::brotlipy-0.7.0-py38h7b6447c_1000
bzip2 pkgs/main/linux-64::bzip2-1.0.8-h7b6447c_0
ca-certificates pkgs/main/linux-64::ca-certificates-2020.10.14-0
cairo pkgs/main/linux-64::cairo-1.14.12-h8948797_3
certifi pkgs/main/noarch::certifi-2020.6.20-pyhd3eb1b0_3
cffi pkgs/main/linux-64::cffi-1.14.3-py38he30daa8_0
chardet pkgs/main/linux-64::chardet-3.0.4-py38_1003
click pkgs/main/noarch::click-7.1.2-py_0
cloudpickle pkgs/main/noarch::cloudpickle-1.6.0-py_0
clyent pkgs/main/linux-64::clyent-1.2.2-py38_1
colorama pkgs/main/noarch::colorama-0.4.4-py_0
conda pkgs/main/linux-64::conda-4.9.2-py38h06a4308_0
conda-build pkgs/main/linux-64::conda-build-3.20.5-py38_1
conda-env pkgs/main/linux-64::conda-env-2.6.0-1
conda-package-han~ pkgs/main/linux-64::conda-package-handling-1.7.2-py38h03888b9_0
conda-verify pkgs/main/noarch::conda-verify-3.4.2-py_1
contextlib2 pkgs/main/noarch::contextlib2-0.6.0.post1-py_0
cryptography pkgs/main/linux-64::cryptography-3.1.1-py38h1ba5d50_0
curl pkgs/main/linux-64::curl-7.71.1-hbc83047_1
cycler pkgs/main/linux-64::cycler-0.10.0-py38_0
cython pkgs/main/linux-64::cython-0.29.21-py38he6710b0_0
cytoolz pkgs/main/linux-64::cytoolz-0.11.0-py38h7b6447c_0
dask pkgs/main/noarch::dask-2.30.0-py_0
dask-core pkgs/main/noarch::dask-core-2.30.0-py_0
dbus pkgs/main/linux-64::dbus-1.13.18-hb2f20db_0
decorator pkgs/main/noarch::decorator-4.4.2-py_0
defusedxml pkgs/main/noarch::defusedxml-0.6.0-py_0
diff-match-patch pkgs/main/noarch::diff-match-patch-20200713-py_0
distributed pkgs/main/linux-64::distributed-2.30.1-py38h06a4308_0
docutils pkgs/main/linux-64::docutils-0.16-py38_1
entrypoints pkgs/main/linux-64::entrypoints-0.3-py38_0
et_xmlfile pkgs/main/noarch::et_xmlfile-1.0.1-py_1001
expat pkgs/main/linux-64::expat-2.2.10-he6710b0_2
fastcache pkgs/main/linux-64::fastcache-1.1.0-py38h7b6447c_0
filelock pkgs/main/noarch::filelock-3.0.12-py_0
flake8 pkgs/main/noarch::flake8-3.8.4-py_0
flask pkgs/main/noarch::flask-1.1.2-py_0
fontconfig pkgs/main/linux-64::fontconfig-2.13.0-h9420a91_0
freetype pkgs/main/linux-64::freetype-2.10.4-h5ab3b9f_0
fribidi pkgs/main/linux-64::fribidi-1.0.10-h7b6447c_0
fsspec pkgs/main/noarch::fsspec-0.8.3-py_0
future pkgs/main/linux-64::future-0.18.2-py38_1
get_terminal_size pkgs/main/linux-64::get_terminal_size-1.0.0-haa9412d_0
gevent pkgs/main/linux-64::gevent-20.9.0-py38h7b6447c_0
glib pkgs/main/linux-64::glib-2.66.1-h92f7085_0
glob2 pkgs/main/noarch::glob2-0.7-py_0
gmp pkgs/main/linux-64::gmp-6.1.2-h6c8ec71_1
gmpy2 pkgs/main/linux-64::gmpy2-2.0.8-py38hd5f6e3b_3
graphite2 pkgs/main/linux-64::graphite2-1.3.14-h23475e2_0
greenlet pkgs/main/linux-64::greenlet-0.4.17-py38h7b6447c_0
gst-plugins-base pkgs/main/linux-64::gst-plugins-base-1.14.0-hbbd80ab_1
gstreamer pkgs/main/linux-64::gstreamer-1.14.0-hb31296c_0
h5py pkgs/main/linux-64::h5py-2.10.0-py38h7918eee_0
harfbuzz pkgs/main/linux-64::harfbuzz-2.4.0-hca77d97_1
hdf5 pkgs/main/linux-64::hdf5-1.10.4-hb1b8bf9_0
heapdict pkgs/main/noarch::heapdict-1.0.1-py_0
html5lib pkgs/main/noarch::html5lib-1.1-py_0
icu pkgs/main/linux-64::icu-58.2-he6710b0_3
idna pkgs/main/noarch::idna-2.10-py_0
imageio pkgs/main/noarch::imageio-2.9.0-py_0
imagesize pkgs/main/noarch::imagesize-1.2.0-py_0
importlib-metadata pkgs/main/noarch::importlib-metadata-2.0.0-py_1
importlib_metadata pkgs/main/noarch::importlib_metadata-2.0.0-1
iniconfig pkgs/main/noarch::iniconfig-1.1.1-py_0
intel-openmp pkgs/main/linux-64::intel-openmp-2020.2-254
intervaltree pkgs/main/noarch::intervaltree-3.1.0-py_0
ipykernel pkgs/main/linux-64::ipykernel-5.3.4-py38h5ca1d4c_0
ipython pkgs/main/linux-64::ipython-7.19.0-py38hb070fc8_0
ipython_genutils pkgs/main/linux-64::ipython_genutils-0.2.0-py38_0
ipywidgets pkgs/main/noarch::ipywidgets-7.5.1-py_1
isort pkgs/main/noarch::isort-5.6.4-py_0
itsdangerous pkgs/main/noarch::itsdangerous-1.1.0-py_0
jbig pkgs/main/linux-64::jbig-2.1-hdba287a_0
jdcal pkgs/main/noarch::jdcal-1.4.1-py_0
jedi pkgs/main/linux-64::jedi-0.17.1-py38_0
jeepney pkgs/main/noarch::jeepney-0.5.0-pyhd3eb1b0_0
jinja2 pkgs/main/noarch::jinja2-2.11.2-py_0
joblib pkgs/main/noarch::joblib-0.17.0-py_0
jpeg pkgs/main/linux-64::jpeg-9b-h024ee3a_2
json5 pkgs/main/noarch::json5-0.9.5-py_0
jsonschema pkgs/main/noarch::jsonschema-3.2.0-py_2
jupyter pkgs/main/linux-64::jupyter-1.0.0-py38_7
jupyter_client pkgs/main/noarch::jupyter_client-6.1.7-py_0
jupyter_console pkgs/main/noarch::jupyter_console-6.2.0-py_0
jupyter_core pkgs/main/linux-64::jupyter_core-4.6.3-py38_0
jupyterlab pkgs/main/noarch::jupyterlab-2.2.6-py_0
jupyterlab_pygmen~ pkgs/main/noarch::jupyterlab_pygments-0.1.2-py_0
jupyterlab_server pkgs/main/noarch::jupyterlab_server-1.2.0-py_0
keyring pkgs/main/linux-64::keyring-21.4.0-py38_1
kiwisolver pkgs/main/linux-64::kiwisolver-1.3.0-py38h2531618_0
krb5 pkgs/main/linux-64::krb5-1.18.2-h173b8e3_0
lazy-object-proxy pkgs/main/linux-64::lazy-object-proxy-1.4.3-py38h7b6447c_0
lcms2 pkgs/main/linux-64::lcms2-2.11-h396b838_0
ld_impl_linux-64 pkgs/main/linux-64::ld_impl_linux-64-2.33.1-h53a641e_7
libarchive pkgs/main/linux-64::libarchive-3.4.2-h62408e4_0
libcurl pkgs/main/linux-64::libcurl-7.71.1-h20c2e04_1
libedit pkgs/main/linux-64::libedit-3.1.20191231-h14c3975_1
libffi pkgs/main/linux-64::libffi-3.3-he6710b0_2
libgcc-ng pkgs/main/linux-64::libgcc-ng-9.1.0-hdf63c60_0
libgfortran-ng pkgs/main/linux-64::libgfortran-ng-7.3.0-hdf63c60_0
liblief pkgs/main/linux-64::liblief-0.10.1-he6710b0_0
libllvm10 pkgs/main/linux-64::libllvm10-10.0.1-hbcb73fb_5
libpng pkgs/main/linux-64::libpng-1.6.37-hbc83047_0
libsodium pkgs/main/linux-64::libsodium-1.0.18-h7b6447c_0
libspatialindex pkgs/main/linux-64::libspatialindex-1.9.3-he6710b0_0
libssh2 pkgs/main/linux-64::libssh2-1.9.0-h1ba5d50_1
libstdcxx-ng pkgs/main/linux-64::libstdcxx-ng-9.1.0-hdf63c60_0
libtiff pkgs/main/linux-64::libtiff-4.1.0-h2733197_1
libtool pkgs/main/linux-64::libtool-2.4.6-h7b6447c_1005
libuuid pkgs/main/linux-64::libuuid-1.0.3-h1bed415_2
libxcb pkgs/main/linux-64::libxcb-1.14-h7b6447c_0
libxml2 pkgs/main/linux-64::libxml2-2.9.10-hb55368b_3
libxslt pkgs/main/linux-64::libxslt-1.1.34-hc22bd24_0
llvmlite pkgs/main/linux-64::llvmlite-0.34.0-py38h269e1b5_4
locket pkgs/main/linux-64::locket-0.2.0-py38_1
lxml pkgs/main/linux-64::lxml-4.6.1-py38hefd8a0e_0
lz4-c pkgs/main/linux-64::lz4-c-1.9.2-heb0550a_3
lzo pkgs/main/linux-64::lzo-2.10-h7b6447c_2
markupsafe pkgs/main/linux-64::markupsafe-1.1.1-py38h7b6447c_0
matplotlib pkgs/main/linux-64::matplotlib-3.3.2-0
matplotlib-base pkgs/main/linux-64::matplotlib-base-3.3.2-py38h817c723_0
mccabe pkgs/main/linux-64::mccabe-0.6.1-py38_1
mistune pkgs/main/linux-64::mistune-0.8.4-py38h7b6447c_1000
mkl pkgs/main/linux-64::mkl-2020.2-256
mkl-service pkgs/main/linux-64::mkl-service-2.3.0-py38he904b0f_0
mkl_fft pkgs/main/linux-64::mkl_fft-1.2.0-py38h23d657b_0
mkl_random pkgs/main/linux-64::mkl_random-1.1.1-py38h0573a6f_0
mock pkgs/main/noarch::mock-4.0.2-py_0
more-itertools pkgs/main/noarch::more-itertools-8.6.0-pyhd3eb1b0_0
mpc pkgs/main/linux-64::mpc-1.1.0-h10f8cd9_1
mpfr pkgs/main/linux-64::mpfr-4.0.2-hb69a4c5_1
mpmath pkgs/main/linux-64::mpmath-1.1.0-py38_0
msgpack-python pkgs/main/linux-64::msgpack-python-1.0.0-py38hfd86e86_1
multipledispatch pkgs/main/linux-64::multipledispatch-0.6.0-py38_0
navigator-updater pkgs/main/linux-64::navigator-updater-0.2.1-py38_0
nbclient pkgs/main/noarch::nbclient-0.5.1-py_0
nbconvert pkgs/main/linux-64::nbconvert-6.0.7-py38_0
nbformat pkgs/main/noarch::nbformat-5.0.8-py_0
ncurses pkgs/main/linux-64::ncurses-6.2-he6710b0_1
nest-asyncio pkgs/main/noarch::nest-asyncio-1.4.2-pyhd3eb1b0_0
networkx pkgs/main/noarch::networkx-2.5-py_0
nltk pkgs/main/noarch::nltk-3.5-py_0
nose pkgs/main/linux-64::nose-1.3.7-py38_2
notebook pkgs/main/linux-64::notebook-6.1.4-py38_0
numba pkgs/main/linux-64::numba-0.51.2-py38h0573a6f_1
numexpr pkgs/main/linux-64::numexpr-2.7.1-py38h423224d_0
numpy pkgs/main/linux-64::numpy-1.19.2-py38h54aff64_0
numpy-base pkgs/main/linux-64::numpy-base-1.19.2-py38hfa32c7d_0
numpydoc pkgs/main/noarch::numpydoc-1.1.0-pyhd3eb1b0_1
olefile pkgs/main/noarch::olefile-0.46-py_0
openpyxl pkgs/main/noarch::openpyxl-3.0.5-py_0
openssl pkgs/main/linux-64::openssl-1.1.1h-h7b6447c_0
packaging pkgs/main/noarch::packaging-20.4-py_0
pandas pkgs/main/linux-64::pandas-1.1.3-py38he6710b0_0
pandoc pkgs/main/linux-64::pandoc-2.11-hb0f4dca_0
pandocfilters pkgs/main/linux-64::pandocfilters-1.4.3-py38h06a4308_1
pango pkgs/main/linux-64::pango-1.45.3-hd140c19_0
parso pkgs/main/noarch::parso-0.7.0-py_0
partd pkgs/main/noarch::partd-1.1.0-py_0
patchelf pkgs/main/linux-64::patchelf-0.12-he6710b0_0
path pkgs/main/linux-64::path-15.0.0-py38_0
path.py pkgs/main/noarch::path.py-12.5.0-0
pathlib2 pkgs/main/linux-64::pathlib2-2.3.5-py38_0
pathtools pkgs/main/noarch::pathtools-0.1.2-py_1
patsy pkgs/main/linux-64::patsy-0.5.1-py38_0
pcre pkgs/main/linux-64::pcre-8.44-he6710b0_0
pep8 pkgs/main/linux-64::pep8-1.7.1-py38_0
pexpect pkgs/main/linux-64::pexpect-4.8.0-py38_0
pickleshare pkgs/main/linux-64::pickleshare-0.7.5-py38_1000
pillow pkgs/main/linux-64::pillow-8.0.1-py38he98fc37_0
pip pkgs/main/linux-64::pip-20.2.4-py38h06a4308_0
pixman pkgs/main/linux-64::pixman-0.40.0-h7b6447c_0
pkginfo pkgs/main/linux-64::pkginfo-1.6.1-py38h06a4308_0
pluggy pkgs/main/linux-64::pluggy-0.13.1-py38_0
ply pkgs/main/linux-64::ply-3.11-py38_0
prometheus_client pkgs/main/noarch::prometheus_client-0.8.0-py_0
prompt-toolkit pkgs/main/noarch::prompt-toolkit-3.0.8-py_0
prompt_toolkit pkgs/main/noarch::prompt_toolkit-3.0.8-0
psutil pkgs/main/linux-64::psutil-5.7.2-py38h7b6447c_0
ptyprocess pkgs/main/linux-64::ptyprocess-0.6.0-py38_0
py pkgs/main/noarch::py-1.9.0-py_0
py-lief pkgs/main/linux-64::py-lief-0.10.1-py38h403a769_0
pycodestyle pkgs/main/noarch::pycodestyle-2.6.0-py_0
pycosat pkgs/main/linux-64::pycosat-0.6.3-py38h7b6447c_1
pycparser pkgs/main/noarch::pycparser-2.20-py_2
pycurl pkgs/main/linux-64::pycurl-7.43.0.6-py38h1ba5d50_0
pydocstyle pkgs/main/noarch::pydocstyle-5.1.1-py_0
pyflakes pkgs/main/noarch::pyflakes-2.2.0-py_0
pygments pkgs/main/noarch::pygments-2.7.2-pyhd3eb1b0_0
pylint pkgs/main/linux-64::pylint-2.6.0-py38_0
pyodbc pkgs/main/linux-64::pyodbc-4.0.30-py38he6710b0_0
pyopenssl pkgs/main/noarch::pyopenssl-19.1.0-py_1
pyparsing pkgs/main/noarch::pyparsing-2.4.7-py_0
pyqt pkgs/main/linux-64::pyqt-5.9.2-py38h05f1152_4
pyrsistent pkgs/main/linux-64::pyrsistent-0.17.3-py38h7b6447c_0
pysocks pkgs/main/linux-64::pysocks-1.7.1-py38_0
pytables pkgs/main/linux-64::pytables-3.6.1-py38h9fd0a39_0
pytest pkgs/main/linux-64::pytest-6.1.1-py38_0
python pkgs/main/linux-64::python-3.8.5-h7579374_1
python-dateutil pkgs/main/noarch::python-dateutil-2.8.1-py_0
python-jsonrpc-se~ pkgs/main/noarch::python-jsonrpc-server-0.4.0-py_0
python-language-s~ pkgs/main/noarch::python-language-server-0.35.1-py_0
python-libarchive~ pkgs/main/noarch::python-libarchive-c-2.9-py_0
pytz pkgs/main/noarch::pytz-2020.1-py_0
pywavelets pkgs/main/linux-64::pywavelets-1.1.1-py38h7b6447c_2
pyxdg pkgs/main/noarch::pyxdg-0.27-pyhd3eb1b0_0
pyyaml pkgs/main/linux-64::pyyaml-5.3.1-py38h7b6447c_1
pyzmq pkgs/main/linux-64::pyzmq-19.0.2-py38he6710b0_1
qdarkstyle pkgs/main/noarch::qdarkstyle-2.8.1-py_0
qt pkgs/main/linux-64::qt-5.9.7-h5867ecd_1
qtawesome pkgs/main/noarch::qtawesome-1.0.1-py_0
qtconsole pkgs/main/noarch::qtconsole-4.7.7-py_0
qtpy pkgs/main/noarch::qtpy-1.9.0-py_0
readline pkgs/main/linux-64::readline-8.0-h7b6447c_0
regex pkgs/main/linux-64::regex-2020.10.15-py38h7b6447c_0
requests pkgs/main/noarch::requests-2.24.0-py_0
ripgrep pkgs/main/linux-64::ripgrep-12.1.1-0
rope pkgs/main/noarch::rope-0.18.0-py_0
rtree pkgs/main/linux-64::rtree-0.9.4-py38_1
ruamel_yaml pkgs/main/linux-64::ruamel_yaml-0.15.87-py38h7b6447c_1
scikit-image pkgs/main/linux-64::scikit-image-0.17.2-py38hdf5156a_0
scikit-learn pkgs/main/linux-64::scikit-learn-0.23.2-py38h0573a6f_0
scipy pkgs/main/linux-64::scipy-1.5.2-py38h0b6359f_0
seaborn pkgs/main/noarch::seaborn-0.11.0-py_0
secretstorage pkgs/main/linux-64::secretstorage-3.1.2-py38_0
send2trash pkgs/main/linux-64::send2trash-1.5.0-py38_0
setuptools pkgs/main/linux-64::setuptools-50.3.1-py38h06a4308_1
simplegeneric pkgs/main/linux-64::simplegeneric-0.8.1-py38_2
singledispatch pkgs/main/noarch::singledispatch-3.4.0.3-py_1001
sip pkgs/main/linux-64::sip-4.19.13-py38he6710b0_0
six pkgs/main/linux-64::six-1.15.0-py38h06a4308_0
snowballstemmer pkgs/main/noarch::snowballstemmer-2.0.0-py_0
sortedcollections pkgs/main/noarch::sortedcollections-1.2.1-py_0
sortedcontainers pkgs/main/noarch::sortedcontainers-2.2.2-py_0
soupsieve pkgs/main/noarch::soupsieve-2.0.1-py_0
sphinx pkgs/main/noarch::sphinx-3.2.1-py_0
sphinxcontrib pkgs/main/linux-64::sphinxcontrib-1.0-py38_1
sphinxcontrib-app~ pkgs/main/noarch::sphinxcontrib-applehelp-1.0.2-py_0
sphinxcontrib-dev~ pkgs/main/noarch::sphinxcontrib-devhelp-1.0.2-py_0
sphinxcontrib-htm~ pkgs/main/noarch::sphinxcontrib-htmlhelp-1.0.3-py_0
sphinxcontrib-jsm~ pkgs/main/noarch::sphinxcontrib-jsmath-1.0.1-py_0
sphinxcontrib-qth~ pkgs/main/noarch::sphinxcontrib-qthelp-1.0.3-py_0
sphinxcontrib-ser~ pkgs/main/noarch::sphinxcontrib-serializinghtml-1.1.4-py_0
sphinxcontrib-web~ pkgs/main/noarch::sphinxcontrib-websupport-1.2.4-py_0
spyder pkgs/main/linux-64::spyder-4.1.5-py38_0
spyder-kernels pkgs/main/linux-64::spyder-kernels-1.9.4-py38_0
sqlalchemy pkgs/main/linux-64::sqlalchemy-1.3.20-py38h7b6447c_0
sqlite pkgs/main/linux-64::sqlite-3.33.0-h62c20be_0
statsmodels pkgs/main/linux-64::statsmodels-0.12.0-py38h7b6447c_0
sympy pkgs/main/linux-64::sympy-1.6.2-py38h06a4308_1
tbb pkgs/main/linux-64::tbb-2020.3-hfd86e86_0
tblib pkgs/main/noarch::tblib-1.7.0-py_0
terminado pkgs/main/linux-64::terminado-0.9.1-py38_0
testpath pkgs/main/noarch::testpath-0.4.4-py_0
threadpoolctl pkgs/main/noarch::threadpoolctl-2.1.0-pyh5ca1d4c_0
tifffile pkgs/main/linux-64::tifffile-2020.10.1-py38hdd07704_2
tk pkgs/main/linux-64::tk-8.6.10-hbc83047_0
toml pkgs/main/noarch::toml-0.10.1-py_0
toolz pkgs/main/noarch::toolz-0.11.1-py_0
tornado pkgs/main/linux-64::tornado-6.0.4-py38h7b6447c_1
tqdm pkgs/main/noarch::tqdm-4.50.2-py_0
traitlets pkgs/main/noarch::traitlets-5.0.5-py_0
typing_extensions pkgs/main/noarch::typing_extensions-3.7.4.3-py_0
ujson pkgs/main/linux-64::ujson-4.0.1-py38he6710b0_0
unicodecsv pkgs/main/linux-64::unicodecsv-0.14.1-py38_0
unixodbc pkgs/main/linux-64::unixodbc-2.3.9-h7b6447c_0
urllib3 pkgs/main/noarch::urllib3-1.25.11-py_0
watchdog pkgs/main/linux-64::watchdog-0.10.3-py38_0
wcwidth pkgs/main/noarch::wcwidth-0.2.5-py_0
webencodings pkgs/main/linux-64::webencodings-0.5.1-py38_1
werkzeug pkgs/main/noarch::werkzeug-1.0.1-py_0
wheel pkgs/main/noarch::wheel-0.35.1-py_0
widgetsnbextension pkgs/main/linux-64::widgetsnbextension-3.5.1-py38_0
wrapt pkgs/main/linux-64::wrapt-1.11.2-py38h7b6447c_0
wurlitzer pkgs/main/linux-64::wurlitzer-2.0.1-py38_0
xlrd pkgs/main/noarch::xlrd-1.2.0-py_0
xlsxwriter pkgs/main/noarch::xlsxwriter-1.3.7-py_0
xlwt pkgs/main/linux-64::xlwt-1.3.0-py38_0
xmltodict pkgs/main/noarch::xmltodict-0.12.0-py_0
xz pkgs/main/linux-64::xz-5.2.5-h7b6447c_0
yaml pkgs/main/linux-64::yaml-0.2.5-h7b6447c_0
yapf pkgs/main/noarch::yapf-0.30.0-py_0
zeromq pkgs/main/linux-64::zeromq-4.3.3-he6710b0_3
zict pkgs/main/noarch::zict-2.0.0-py_0
zipp pkgs/main/noarch::zipp-3.4.0-pyhd3eb1b0_0
zlib pkgs/main/linux-64::zlib-1.2.11-h7b6447c_3
zope pkgs/main/linux-64::zope-1.0-py38_1
zope.event pkgs/main/linux-64::zope.event-4.5.0-py38_0
zope.interface pkgs/main/linux-64::zope.interface-5.1.2-py38h7b6447c_0
zstd pkgs/main/linux-64::zstd-1.4.5-h9ceee32_0
Preparing transaction: done
Executing transaction: done
installation finished.
Do you wish the installer to initialize Anaconda3
by running conda init? [yes|no]
[no] >>> yes
no change /home/soloelectronicos/anaconda3/condabin/conda
no change /home/soloelectronicos/anaconda3/bin/conda
no change /home/soloelectronicos/anaconda3/bin/conda-env
no change /home/soloelectronicos/anaconda3/bin/activate
no change /home/soloelectronicos/anaconda3/bin/deactivate
no change /home/soloelectronicos/anaconda3/etc/profile.d/conda.sh
no change /home/soloelectronicos/anaconda3/etc/fish/conf.d/conda.fish
no change /home/soloelectronicos/anaconda3/shell/condabin/Conda.psm1
no change /home/soloelectronicos/anaconda3/shell/condabin/conda-hook.ps1
no change /home/soloelectronicos/anaconda3/lib/python3.8/site-packages/xontrib/conda.xsh
no change /home/soloelectronicos/anaconda3/etc/profile.d/conda.csh
modified /home/soloelectronicos/.bashrc
==> For changes to take effect, close and re-open your current shell. <==
If you'd prefer that conda's base environment not be activated on startup,
set the auto_activate_base parameter to false:
conda config --set auto_activate_base false
Thank you for installing Anaconda3!
===========================================================================
Working with Python and Jupyter notebooks is a breeze with PyCharm Pro,
designed to be used with Anaconda. Download now and have the best data
tools at your fingertips.
PyCharm Pro for Anaconda is available at: https://www.anaconda.com/pycharm
[email protected]:~/Descargas$ source ~/.bashrc
(base) [email protected]:~/Descargas$ conda info
active environment : base
active env location : /home/soloelectronicos/anaconda3
shell level : 1
user config file : /home/soloelectronicos/.condarc
populated config files :
conda version : 4.9.2
conda-build version : 3.20.5
python version : 3.8.5.final.0
virtual packages : __glibc=2.31=0
__unix=0=0
__archspec=1=x86_64
base environment : /home/soloelectronicos/anaconda3 (writable)
channel URLs : https://repo.anaconda.com/pkgs/main/linux-64
https://repo.anaconda.com/pkgs/main/noarch
https://repo.anaconda.com/pkgs/r/linux-64
https://repo.anaconda.com/pkgs/r/noarch
package cache : /home/soloelectronicos/anaconda3/pkgs
/home/soloelectronicos/.conda/pkgs
envs directories : /home/soloelectronicos/anaconda3/envs
/home/soloelectronicos/.conda/envs
platform : linux-64
user-agent : conda/4.9.2 requests/2.24.0 CPython/3.8.5 Linux/5.11.0-27-generic ubuntu/20.04.3 glibc/2.31
UID:GID : 1000:1000
netrc file : None
offline mode : False
(base) [email protected]:~/Descargas$ conda update conda
Collecting package metadata (current_repodata.json): done
Solving environment: done
## Package Plan ##
environment location: /home/soloelectronicos/anaconda3
added / updated specs:
- conda
The following packages will be downloaded:
package | build
---------------------------|-----------------
backports.functools_lru_cache-1.6.4| pyhd3eb1b0_0 9 KB
backports.tempfile-1.0 | pyhd3eb1b0_1 11 KB
conda-4.10.3 | py38h06a4308_0 2.9 MB
conda-package-handling-1.7.3| py38h27cfd23_1 884 KB
------------------------------------------------------------
Total: 3.8 MB
The following packages will be UPDATED:
backports.functoo~ 1.6.1-py_0 --> 1.6.4-pyhd3eb1b0_0
conda 4.9.2-py38h06a4308_0 --> 4.10.3-py38h06a4308_0
conda-package-han~ 1.7.2-py38h03888b9_0 --> 1.7.3-py38h27cfd23_1
The following packages will be DOWNGRADED:
backports.tempfile 1.0-py_1 --> 1.0-pyhd3eb1b0_1
Proceed ([y]/n)? y
Downloading and Extracting Packages
backports.tempfile-1 | 11 KB | ##################################### | 100%
backports.functools_ | 9 KB | ##################################### | 100%
conda-4.10.3 | 2.9 MB | ##################################### | 100%
conda-package-handli | 884 KB | ##################################### | 100%
Preparing transaction: done
Verifying transaction: done
Executing transaction: done
(base) [email protected]:~/Descargas$ conda update anaconda
Collecting package metadata (current_repodata.json): done
Solving environment: done
## Package Plan ##
environment location: /home/soloelectronicos/anaconda3
added / updated specs:
- anaconda
The following packages will be downloaded:
package | build
---------------------------|-----------------
_anaconda_depends-2020.07 | py38_0 6 KB
_openmp_mutex-4.5 | 1_gnu 22 KB
alabaster-0.7.12 | pyhd3eb1b0_0 16 KB
anaconda-custom | py38_1 35 KB
anaconda-client-1.8.0 | py38h06a4308_0 152 KB
anaconda-project-0.10.1 | pyhd3eb1b0_0 218 KB
anyio-2.2.0 | py38h06a4308_1 125 KB
appdirs-1.4.4 | py_0 13 KB
argon2-cffi-20.1.0 | py38h27cfd23_1 46 KB
astroid-2.6.6 | py38h06a4308_0 309 KB
astropy-4.3.1 | py38h09021b7_0 6.4 MB
async_generator-1.10 | pyhd3eb1b0_0 23 KB
attrs-21.2.0 | pyhd3eb1b0_0 46 KB
babel-2.9.1 | pyhd3eb1b0_0 5.5 MB
backcall-0.2.0 | pyhd3eb1b0_0 13 KB
backports-1.0 | pyhd3eb1b0_2 210 KB
backports.shutil_get_terminal_size-1.0.0| pyhd3eb1b0_3 10 KB
beautifulsoup4-4.9.3 | pyha847dfd_0 86 KB
bitarray-2.3.0 | py38h7f8727e_1 139 KB
black-19.10b0 | py_0 86 KB
bleach-4.0.0 | pyhd3eb1b0_0 113 KB
blosc-1.21.0 | h8c45485_0 64 KB
bokeh-2.3.3 | py38h06a4308_0 5.9 MB
brotli-1.0.9 | he6710b0_2 375 KB
brotlipy-0.7.0 |py38h27cfd23_1003 323 KB
c-ares-1.17.1 | h27cfd23_0 108 KB
ca-certificates-2021.7.5 | h06a4308_1 113 KB
cairo-1.16.0 | hf32fb01_1 1.0 MB
certifi-2021.5.30 | py38h06a4308_0 138 KB
cffi-1.14.6 | py38h400218f_0 224 KB
chardet-4.0.0 |py38h06a4308_1003 194 KB
charset-normalizer-2.0.4 | pyhd3eb1b0_0 35 KB
click-8.0.1 | pyhd3eb1b0_0 79 KB
colorama-0.4.4 | pyhd3eb1b0_0 21 KB
conda-pack-0.6.0 | pyhd3eb1b0_0 29 KB
cryptography-3.4.7 | py38hd23ed53_0 913 KB
curl-7.78.0 | h1ccaba5_0 94 KB
cython-0.29.24 | py38h295c915_0 2.0 MB
dask-2021.8.1 | pyhd3eb1b0_0 18 KB
dask-core-2021.8.1 | pyhd3eb1b0_0 715 KB
debugpy-1.4.1 | py38h295c915_0 1.7 MB
decorator-5.0.9 | pyhd3eb1b0_0 12 KB
defusedxml-0.7.1 | pyhd3eb1b0_0 23 KB
distributed-2021.8.1 | py38h06a4308_0 970 KB
docutils-0.17.1 | py38h06a4308_1 686 KB
et_xmlfile-1.1.0 | py38h06a4308_0 10 KB
expat-2.4.1 | h2531618_2 168 KB
filelock-3.0.12 | pyhd3eb1b0_1 10 KB
flask-1.1.2 | pyhd3eb1b0_0 70 KB
fontconfig-2.13.1 | h6c09931_0 250 KB
fonttools-4.25.0 | pyhd3eb1b0_0 632 KB
fsspec-2021.7.0 | pyhd3eb1b0_0 91 KB
gevent-21.8.0 | py38h7f8727e_1 1.5 MB
glib-2.69.1 | h5202010_0 1.7 MB
glob2-0.7 | pyhd3eb1b0_0 12 KB
gmp-6.2.1 | h2531618_2 539 KB
greenlet-1.1.1 | py38h295c915_0 82 KB
gst-plugins-base-1.14.0 | h8213a91_2 4.9 MB
gstreamer-1.14.0 | h28cd5cc_2 3.2 MB
harfbuzz-2.8.1 | h6f93f22_0 1.1 MB
idna-3.2 | pyhd3eb1b0_0 48 KB
imageio-2.9.0 | pyhd3eb1b0_0 3.0 MB
imagesize-1.2.0 | pyhd3eb1b0_0 9 KB
importlib-metadata-3.10.0 | py38h06a4308_0 33 KB
importlib_metadata-3.10.0 | hd3eb1b0_0 11 KB
iniconfig-1.1.1 | pyhd3eb1b0_0 8 KB
intel-openmp-2021.3.0 | h06a4308_3350 1.4 MB
ipykernel-6.2.0 | py38h06a4308_1 192 KB
ipython-7.26.0 | py38hb070fc8_0 994 KB
ipython_genutils-0.2.0 | pyhd3eb1b0_1 27 KB
ipywidgets-7.6.3 | pyhd3eb1b0_1 105 KB
isort-5.9.3 | pyhd3eb1b0_0 83 KB
itsdangerous-2.0.1 | pyhd3eb1b0_0 18 KB
jedi-0.17.2 | py38h06a4308_1 924 KB
jeepney-0.7.1 | pyhd3eb1b0_0 38 KB
jinja2-3.0.1 | pyhd3eb1b0_0 110 KB
joblib-1.0.1 | pyhd3eb1b0_0 208 KB
json5-0.9.6 | pyhd3eb1b0_0 21 KB
jupyter_client-6.1.12 | pyhd3eb1b0_0 88 KB
jupyter_console-6.4.0 | pyhd3eb1b0_0 23 KB
jupyter_core-4.7.1 | py38h06a4308_0 68 KB
jupyter_server-1.4.1 | py38h06a4308_0 317 KB
jupyterlab-3.1.7 | pyhd3eb1b0_0 3.6 MB
jupyterlab_server-2.7.1 | pyhd3eb1b0_0 44 KB
jupyterlab_widgets-1.0.0 | pyhd3eb1b0_1 109 KB
keyring-23.0.1 | py38h06a4308_0 54 KB
kiwisolver-1.3.1 | py38h2531618_0 80 KB
krb5-1.19.2 | hac12032_0 1.2 MB
lazy-object-proxy-1.6.0 | py38h27cfd23_0 30 KB
lcms2-2.12 | h3be6417_0 312 KB
ld_impl_linux-64-2.35.1 | h7274673_9 586 KB
libcurl-7.78.0 | h0b77cf5_0 338 KB
libedit-3.1.20210714 | h7f8727e_0 165 KB
libev-4.33 | h7b6447c_0 112 KB
libgcc-ng-9.3.0 | h5101ec6_17 4.8 MB
libgfortran-ng-7.5.0 | ha8ba4b0_17 22 KB
libgfortran4-7.5.0 | ha8ba4b0_17 995 KB
libgomp-9.3.0 | h5101ec6_17 311 KB
libllvm9-9.0.1 | h4a3c616_1 21.0 MB
libnghttp2-1.41.0 | hf8bcb03_2 667 KB
libspatialindex-1.9.3 | h2531618_0 2.1 MB
libstdcxx-ng-9.3.0 | hd4cf53a_17 3.1 MB
libtiff-4.2.0 | h85742a9_0 502 KB
libuv-1.40.0 | h7b6447c_0 736 KB
libwebp-base-1.2.0 | h27cfd23_0 437 KB
libxml2-2.9.12 | h03d6c58_0 1.2 MB
llvmlite-0.36.0 | py38h612dafd_4 396 KB
locket-0.2.1 | py38h06a4308_1 10 KB
lxml-4.6.3 | py38h9120a33_0 1.3 MB
lz4-c-1.9.3 | h295c915_1 185 KB
markupsafe-2.0.1 | py38h27cfd23_0 22 KB
matplotlib-3.4.2 | py38h06a4308_0 26 KB
matplotlib-base-3.4.2 | py38hab158f2_0 5.6 MB
matplotlib-inline-0.1.2 | pyhd3eb1b0_2 12 KB
mkl-2021.3.0 | h06a4308_520 141.2 MB
mkl-service-2.4.0 | py38h7f8727e_0 59 KB
mkl_fft-1.3.0 | py38h42c9631_2 180 KB
mkl_random-1.2.2 | py38h51133e4_0 308 KB
mock-4.0.3 | pyhd3eb1b0_0 29 KB
more-itertools-8.8.0 | pyhd3eb1b0_0 42 KB
mpmath-1.2.1 | py38h06a4308_0 766 KB
msgpack-python-1.0.2 | py38hff7bd54_1 83 KB
munkres-1.1.4 | py_0 13 KB
mypy_extensions-0.4.3 | py38_0 9 KB
nbclassic-0.2.6 | pyhd3eb1b0_0 19 KB
nbclient-0.5.3 | pyhd3eb1b0_0 62 KB
nbconvert-6.1.0 | py38h06a4308_0 481 KB
nbformat-5.1.3 | pyhd3eb1b0_0 44 KB
nest-asyncio-1.5.1 | pyhd3eb1b0_0 10 KB
networkx-2.6.2 | pyhd3eb1b0_0 1.3 MB
nltk-3.6.2 | pyhd3eb1b0_0 988 KB
nose-1.3.7 | pyhd3eb1b0_1006 128 KB
notebook-6.4.3 | py38h06a4308_0 4.2 MB
numba-0.53.1 | py38ha9443f7_0 3.3 MB
numexpr-2.7.3 | py38h22e1b3c_1 188 KB
numpy-1.20.3 | py38hf144106_0 23 KB
numpy-base-1.20.3 | py38h74d4b33_0 4.5 MB
openjpeg-2.4.0 | h3ad879b_0 331 KB
openpyxl-3.0.7 | pyhd3eb1b0_0 159 KB
openssl-1.1.1l | h7f8727e_0 2.5 MB
packaging-21.0 | pyhd3eb1b0_0 36 KB
pandas-1.3.2 | py38h8c16a72_0 9.6 MB
pandoc-2.12 | h06a4308_0 9.5 MB
partd-1.2.0 | pyhd3eb1b0_0 19 KB
patchelf-0.12 | h2531618_1 88 KB
path-16.0.0 | py38h06a4308_0 37 KB
pathlib2-2.3.6 | py38h06a4308_2 36 KB
pathspec-0.7.0 | py_0 26 KB
pcre-8.45 | h295c915_0 207 KB
pexpect-4.8.0 | pyhd3eb1b0_3 53 KB
pickleshare-0.7.5 | pyhd3eb1b0_1003 13 KB
pillow-8.3.1 | py38h2c7a002_0 638 KB
pip-21.0.1 | py38h06a4308_0 1.8 MB
pkginfo-1.7.1 | py38h06a4308_0 43 KB
pluggy-0.13.1 | py38h06a4308_0 33 KB
prometheus_client-0.11.0 | pyhd3eb1b0_0 47 KB
prompt-toolkit-3.0.17 | pyh06a4308_0 256 KB
prompt_toolkit-3.0.17 | hd3eb1b0_0 12 KB
psutil-5.8.0 | py38h27cfd23_1 327 KB
ptyprocess-0.7.0 | pyhd3eb1b0_2 17 KB
py-1.10.0 | pyhd3eb1b0_0 76 KB
pycodestyle-2.6.0 | pyhd3eb1b0_0 38 KB
pydocstyle-6.1.1 | pyhd3eb1b0_0 36 KB
pyerfa-2.0.0 | py38h27cfd23_0 345 KB
pyflakes-2.2.0 | pyhd3eb1b0_0 56 KB
pygments-2.10.0 | pyhd3eb1b0_0 725 KB
pylint-2.9.6 | py38h06a4308_1 488 KB
pyls-black-0.4.6 | hd3eb1b0_0 9 KB
pyls-spyder-0.3.2 | pyhd3eb1b0_0 10 KB
pyodbc-4.0.31 | py38h295c915_0 71 KB
pyopenssl-20.0.1 | pyhd3eb1b0_1 49 KB
pyparsing-2.4.7 | pyhd3eb1b0_0 59 KB
pysocks-1.7.1 | py38h06a4308_0 31 KB
pytest-6.2.4 | py38h06a4308_2 423 KB
python-dateutil-2.8.2 | pyhd3eb1b0_0 233 KB
python-language-server-0.36.2| pyhd3eb1b0_0 41 KB
python-libarchive-c-2.9 | pyhd3eb1b0_1 47 KB
pytz-2021.1 | pyhd3eb1b0_0 181 KB
pyyaml-5.4.1 | py38h27cfd23_1 174 KB
pyzmq-22.2.1 | py38h295c915_1 465 KB
qtawesome-1.0.2 | pyhd3eb1b0_0 760 KB
qtconsole-5.1.0 | pyhd3eb1b0_0 98 KB
qtpy-1.10.0 | pyhd3eb1b0_0 35 KB
readline-8.1 | h27cfd23_0 362 KB
regex-2021.8.3 | py38h7f8727e_0 319 KB
requests-2.26.0 | pyhd3eb1b0_0 59 KB
rope-0.19.0 | pyhd3eb1b0_0 126 KB
rtree-0.9.7 | py38h06a4308_1 48 KB
ruamel_yaml-0.15.100 | py38h27cfd23_0 258 KB
scikit-image-0.18.1 | py38ha9443f7_0 9.5 MB
scikit-learn-0.24.2 | py38ha9443f7_0 5.4 MB
scipy-1.6.2 | py38had2a1c9_1 15.6 MB
seaborn-0.11.2 | pyhd3eb1b0_0 218 KB
secretstorage-3.3.1 | py38h06a4308_0 24 KB
send2trash-1.5.0 | pyhd3eb1b0_1 14 KB
setuptools-52.0.0 | py38h06a4308_0 714 KB
singledispatch-3.7.0 | pyhd3eb1b0_1001 12 KB
six-1.16.0 | pyhd3eb1b0_0 18 KB
snappy-1.1.8 | he6710b0_0 40 KB
sniffio-1.2.0 | py38h06a4308_1 15 KB
snowballstemmer-2.1.0 | pyhd3eb1b0_0 62 KB
sortedcollections-2.1.0 | pyhd3eb1b0_0 12 KB
sortedcontainers-2.4.0 | pyhd3eb1b0_0 26 KB
soupsieve-2.2.1 | pyhd3eb1b0_0 32 KB
sphinx-4.0.2 | pyhd3eb1b0_0 1.2 MB
sphinxcontrib-applehelp-1.0.2| pyhd3eb1b0_0 29 KB
sphinxcontrib-devhelp-1.0.2| pyhd3eb1b0_0 23 KB
sphinxcontrib-htmlhelp-2.0.0| pyhd3eb1b0_0 32 KB
sphinxcontrib-jsmath-1.0.1 | pyhd3eb1b0_0 8 KB
sphinxcontrib-qthelp-1.0.3 | pyhd3eb1b0_0 26 KB
sphinxcontrib-serializinghtml-1.1.5| pyhd3eb1b0_0 25 KB
spyder-4.2.5 | py38h06a4308_0 5.4 MB
spyder-kernels-1.10.2 | py38h06a4308_0 102 KB
sqlalchemy-1.4.22 | py38h7f8727e_0 1.8 MB
sqlite-3.36.0 | hc218d9a_0 990 KB
statsmodels-0.12.2 | py38h27cfd23_0 8.5 MB
sympy-1.8 | py38h06a4308_0 9.1 MB
terminado-0.9.4 | py38h06a4308_0 25 KB
testpath-0.5.0 | pyhd3eb1b0_0 81 KB
textdistance-4.2.1 | pyhd3eb1b0_0 29 KB
threadpoolctl-2.2.0 | pyhbf3da8f_0 16 KB
three-merge-0.1.1 | pyhd3eb1b0_0 10 KB
toml-0.10.2 | pyhd3eb1b0_0 20 KB
toolz-0.11.1 | pyhd3eb1b0_0 46 KB
tornado-6.1 | py38h27cfd23_0 588 KB
tqdm-4.62.1 | pyhd3eb1b0_1 84 KB
traitlets-5.0.5 | pyhd3eb1b0_0 81 KB
typed-ast-1.4.3 | py38h7f8727e_1 185 KB
typing_extensions-3.10.0.0 | pyh06a4308_0 27 KB
ujson-4.0.2 | py38h2531618_0 45 KB
urllib3-1.26.6 | pyhd3eb1b0_1 112 KB
watchdog-1.0.2 | py38h06a4308_1 89 KB
werkzeug-1.0.1 | pyhd3eb1b0_0 239 KB
wheel-0.37.0 | pyhd3eb1b0_0 32 KB
wrapt-1.12.1 | py38h7b6447c_1 50 KB
wurlitzer-2.1.1 | py38h06a4308_0 13 KB
xlrd-2.0.1 | pyhd3eb1b0_0 90 KB
xlsxwriter-3.0.1 | pyhd3eb1b0_0 111 KB
yapf-0.31.0 | pyhd3eb1b0_0 126 KB
zeromq-4.3.4 | h2531618_0 331 KB
zict-2.0.0 | pyhd3eb1b0_0 10 KB
zipp-3.5.0 | pyhd3eb1b0_0 13 KB
zope.interface-5.4.0 | py38h7f8727e_0 301 KB
zstd-1.4.9 | haebb681_0 480 KB
------------------------------------------------------------
Total: 352.0 MB
The following NEW packages will be INSTALLED:
_anaconda_depends pkgs/main/linux-64::_anaconda_depends-2020.07-py38_0
_openmp_mutex pkgs/main/linux-64::_openmp_mutex-4.5-1_gnu
anyio pkgs/main/linux-64::anyio-2.2.0-py38h06a4308_1
appdirs pkgs/main/noarch::appdirs-1.4.4-py_0
black pkgs/main/noarch::black-19.10b0-py_0
brotli pkgs/main/linux-64::brotli-1.0.9-he6710b0_2
c-ares pkgs/main/linux-64::c-ares-1.17.1-h27cfd23_0
charset-normalizer pkgs/main/noarch::charset-normalizer-2.0.4-pyhd3eb1b0_0
conda-pack pkgs/main/noarch::conda-pack-0.6.0-pyhd3eb1b0_0
debugpy pkgs/main/linux-64::debugpy-1.4.1-py38h295c915_0
fonttools pkgs/main/noarch::fonttools-4.25.0-pyhd3eb1b0_0
jupyter_server pkgs/main/linux-64::jupyter_server-1.4.1-py38h06a4308_0
jupyterlab_widgets pkgs/main/noarch::jupyterlab_widgets-1.0.0-pyhd3eb1b0_1
libev pkgs/main/linux-64::libev-4.33-h7b6447c_0
libgfortran4 pkgs/main/linux-64::libgfortran4-7.5.0-ha8ba4b0_17
libgomp pkgs/main/linux-64::libgomp-9.3.0-h5101ec6_17
libllvm9 pkgs/main/linux-64::libllvm9-9.0.1-h4a3c616_1
libnghttp2 pkgs/main/linux-64::libnghttp2-1.41.0-hf8bcb03_2
libuv pkgs/main/linux-64::libuv-1.40.0-h7b6447c_0
libwebp-base pkgs/main/linux-64::libwebp-base-1.2.0-h27cfd23_0
matplotlib-inline pkgs/main/noarch::matplotlib-inline-0.1.2-pyhd3eb1b0_2
munkres pkgs/main/noarch::munkres-1.1.4-py_0
mypy_extensions pkgs/main/linux-64::mypy_extensions-0.4.3-py38_0
nbclassic pkgs/main/noarch::nbclassic-0.2.6-pyhd3eb1b0_0
openjpeg pkgs/main/linux-64::openjpeg-2.4.0-h3ad879b_0
pathspec pkgs/main/noarch::pathspec-0.7.0-py_0
pyerfa pkgs/main/linux-64::pyerfa-2.0.0-py38h27cfd23_0
pyls-black pkgs/main/noarch::pyls-black-0.4.6-hd3eb1b0_0
pyls-spyder pkgs/main/noarch::pyls-spyder-0.3.2-pyhd3eb1b0_0
snappy pkgs/main/linux-64::snappy-1.1.8-he6710b0_0
sniffio pkgs/main/linux-64::sniffio-1.2.0-py38h06a4308_1
textdistance pkgs/main/noarch::textdistance-4.2.1-pyhd3eb1b0_0
three-merge pkgs/main/noarch::three-merge-0.1.1-pyhd3eb1b0_0
typed-ast pkgs/main/linux-64::typed-ast-1.4.3-py38h7f8727e_1
The following packages will be UPDATED:
anaconda-client 1.7.2-py38_0 --> 1.8.0-py38h06a4308_0
anaconda-project 0.8.4-py_0 --> 0.10.1-pyhd3eb1b0_0
astroid 2.4.2-py38_0 --> 2.6.6-py38h06a4308_0
astropy 4.0.2-py38h7b6447c_0 --> 4.3.1-py38h09021b7_0
attrs 20.3.0-pyhd3eb1b0_0 --> 21.2.0-pyhd3eb1b0_0
babel 2.8.1-pyhd3eb1b0_0 --> 2.9.1-pyhd3eb1b0_0
backports.shutil_~ pkgs/main/linux-64::backports.shutil_~ --> pkgs/main/noarch::backports.shutil_get_terminal_size-1.0.0-pyhd3eb1b0_3
bitarray 1.6.1-py38h27cfd23_0 --> 2.3.0-py38h7f8727e_1
bleach 3.2.1-py_0 --> 4.0.0-pyhd3eb1b0_0
blosc 1.20.1-hd408876_0 --> 1.21.0-h8c45485_0
bokeh 2.2.3-py38_0 --> 2.3.3-py38h06a4308_0
brotlipy 0.7.0-py38h7b6447c_1000 --> 0.7.0-py38h27cfd23_1003
ca-certificates 2020.10.14-0 --> 2021.7.5-h06a4308_1
cairo 1.14.12-h8948797_3 --> 1.16.0-hf32fb01_1
certifi pkgs/main/noarch::certifi-2020.6.20-p~ --> pkgs/main/linux-64::certifi-2021.5.30-py38h06a4308_0
cffi 1.14.3-py38he30daa8_0 --> 1.14.6-py38h400218f_0
chardet 3.0.4-py38_1003 --> 4.0.0-py38h06a4308_1003
click 7.1.2-py_0 --> 8.0.1-pyhd3eb1b0_0
cryptography 3.1.1-py38h1ba5d50_0 --> 3.4.7-py38hd23ed53_0
curl 7.71.1-hbc83047_1 --> 7.78.0-h1ccaba5_0
cython 0.29.21-py38he6710b0_0 --> 0.29.24-py38h295c915_0
dask 2.30.0-py_0 --> 2021.8.1-pyhd3eb1b0_0
dask-core 2.30.0-py_0 --> 2021.8.1-pyhd3eb1b0_0
decorator 4.4.2-py_0 --> 5.0.9-pyhd3eb1b0_0
defusedxml 0.6.0-py_0 --> 0.7.1-pyhd3eb1b0_0
distributed 2.30.1-py38h06a4308_0 --> 2021.8.1-py38h06a4308_0
docutils 0.16-py38_1 --> 0.17.1-py38h06a4308_1
et_xmlfile pkgs/main/noarch::et_xmlfile-1.0.1-py~ --> pkgs/main/linux-64::et_xmlfile-1.1.0-py38h06a4308_0
expat 2.2.10-he6710b0_2 --> 2.4.1-h2531618_2
filelock 3.0.12-py_0 --> 3.0.12-pyhd3eb1b0_1
fontconfig 2.13.0-h9420a91_0 --> 2.13.1-h6c09931_0
fsspec 0.8.3-py_0 --> 2021.7.0-pyhd3eb1b0_0
gevent 20.9.0-py38h7b6447c_0 --> 21.8.0-py38h7f8727e_1
glib 2.66.1-h92f7085_0 --> 2.69.1-h5202010_0
gmp 6.1.2-h6c8ec71_1 --> 6.2.1-h2531618_2
greenlet 0.4.17-py38h7b6447c_0 --> 1.1.1-py38h295c915_0
gst-plugins-base 1.14.0-hbbd80ab_1 --> 1.14.0-h8213a91_2
gstreamer 1.14.0-hb31296c_0 --> 1.14.0-h28cd5cc_2
harfbuzz 2.4.0-hca77d97_1 --> 2.8.1-h6f93f22_0
idna 2.10-py_0 --> 3.2-pyhd3eb1b0_0
importlib-metadata pkgs/main/noarch::importlib-metadata-~ --> pkgs/main/linux-64::importlib-metadata-3.10.0-py38h06a4308_0
importlib_metadata 2.0.0-1 --> 3.10.0-hd3eb1b0_0
intel-openmp 2020.2-254 --> 2021.3.0-h06a4308_3350
ipykernel 5.3.4-py38h5ca1d4c_0 --> 6.2.0-py38h06a4308_1
ipython 7.19.0-py38hb070fc8_0 --> 7.26.0-py38hb070fc8_0
ipython_genutils pkgs/main/linux-64::ipython_genutils-~ --> pkgs/main/noarch::ipython_genutils-0.2.0-pyhd3eb1b0_1
ipywidgets 7.5.1-py_1 --> 7.6.3-pyhd3eb1b0_1
isort 5.6.4-py_0 --> 5.9.3-pyhd3eb1b0_0
itsdangerous 1.1.0-py_0 --> 2.0.1-pyhd3eb1b0_0
jedi 0.17.1-py38_0 --> 0.17.2-py38h06a4308_1
jeepney 0.5.0-pyhd3eb1b0_0 --> 0.7.1-pyhd3eb1b0_0
jinja2 2.11.2-py_0 --> 3.0.1-pyhd3eb1b0_0
joblib 0.17.0-py_0 --> 1.0.1-pyhd3eb1b0_0
json5 0.9.5-py_0 --> 0.9.6-pyhd3eb1b0_0
jupyter_client 6.1.7-py_0 --> 6.1.12-pyhd3eb1b0_0
jupyter_console 6.2.0-py_0 --> 6.4.0-pyhd3eb1b0_0
jupyter_core 4.6.3-py38_0 --> 4.7.1-py38h06a4308_0
jupyterlab 2.2.6-py_0 --> 3.1.7-pyhd3eb1b0_0
jupyterlab_server 1.2.0-py_0 --> 2.7.1-pyhd3eb1b0_0
keyring 21.4.0-py38_1 --> 23.0.1-py38h06a4308_0
kiwisolver 1.3.0-py38h2531618_0 --> 1.3.1-py38h2531618_0
krb5 1.18.2-h173b8e3_0 --> 1.19.2-hac12032_0
lazy-object-proxy 1.4.3-py38h7b6447c_0 --> 1.6.0-py38h27cfd23_0
lcms2 2.11-h396b838_0 --> 2.12-h3be6417_0
ld_impl_linux-64 2.33.1-h53a641e_7 --> 2.35.1-h7274673_9
libcurl 7.71.1-h20c2e04_1 --> 7.78.0-h0b77cf5_0
libedit 3.1.20191231-h14c3975_1 --> 3.1.20210714-h7f8727e_0
libgcc-ng 9.1.0-hdf63c60_0 --> 9.3.0-h5101ec6_17
libgfortran-ng 7.3.0-hdf63c60_0 --> 7.5.0-ha8ba4b0_17
libstdcxx-ng 9.1.0-hdf63c60_0 --> 9.3.0-hd4cf53a_17
libtiff 4.1.0-h2733197_1 --> 4.2.0-h85742a9_0
libxml2 2.9.10-hb55368b_3 --> 2.9.12-h03d6c58_0
llvmlite 0.34.0-py38h269e1b5_4 --> 0.36.0-py38h612dafd_4
locket 0.2.0-py38_1 --> 0.2.1-py38h06a4308_1
lxml 4.6.1-py38hefd8a0e_0 --> 4.6.3-py38h9120a33_0
lz4-c 1.9.2-heb0550a_3 --> 1.9.3-h295c915_1
markupsafe 1.1.1-py38h7b6447c_0 --> 2.0.1-py38h27cfd23_0
matplotlib 3.3.2-0 --> 3.4.2-py38h06a4308_0
matplotlib-base 3.3.2-py38h817c723_0 --> 3.4.2-py38hab158f2_0
mkl 2020.2-256 --> 2021.3.0-h06a4308_520
mkl-service 2.3.0-py38he904b0f_0 --> 2.4.0-py38h7f8727e_0
mkl_fft 1.2.0-py38h23d657b_0 --> 1.3.0-py38h42c9631_2
mkl_random 1.1.1-py38h0573a6f_0 --> 1.2.2-py38h51133e4_0
mock 4.0.2-py_0 --> 4.0.3-pyhd3eb1b0_0
more-itertools 8.6.0-pyhd3eb1b0_0 --> 8.8.0-pyhd3eb1b0_0
mpmath 1.1.0-py38_0 --> 1.2.1-py38h06a4308_0
msgpack-python 1.0.0-py38hfd86e86_1 --> 1.0.2-py38hff7bd54_1
nbclient 0.5.1-py_0 --> 0.5.3-pyhd3eb1b0_0
nbconvert 6.0.7-py38_0 --> 6.1.0-py38h06a4308_0
nbformat 5.0.8-py_0 --> 5.1.3-pyhd3eb1b0_0
nest-asyncio 1.4.2-pyhd3eb1b0_0 --> 1.5.1-pyhd3eb1b0_0
networkx 2.5-py_0 --> 2.6.2-pyhd3eb1b0_0
nltk 3.5-py_0 --> 3.6.2-pyhd3eb1b0_0
nose pkgs/main/linux-64::nose-1.3.7-py38_2 --> pkgs/main/noarch::nose-1.3.7-pyhd3eb1b0_1006
notebook 6.1.4-py38_0 --> 6.4.3-py38h06a4308_0
numba 0.51.2-py38h0573a6f_1 --> 0.53.1-py38ha9443f7_0
numexpr 2.7.1-py38h423224d_0 --> 2.7.3-py38h22e1b3c_1
numpy 1.19.2-py38h54aff64_0 --> 1.20.3-py38hf144106_0
numpy-base 1.19.2-py38hfa32c7d_0 --> 1.20.3-py38h74d4b33_0
openpyxl 3.0.5-py_0 --> 3.0.7-pyhd3eb1b0_0
openssl 1.1.1h-h7b6447c_0 --> 1.1.1l-h7f8727e_0
packaging 20.4-py_0 --> 21.0-pyhd3eb1b0_0
pandas 1.1.3-py38he6710b0_0 --> 1.3.2-py38h8c16a72_0
pandoc 2.11-hb0f4dca_0 --> 2.12-h06a4308_0
partd 1.1.0-py_0 --> 1.2.0-pyhd3eb1b0_0
patchelf 0.12-he6710b0_0 --> 0.12-h2531618_1
path 15.0.0-py38_0 --> 16.0.0-py38h06a4308_0
pathlib2 2.3.5-py38_0 --> 2.3.6-py38h06a4308_2
pcre 8.44-he6710b0_0 --> 8.45-h295c915_0
pexpect pkgs/main/linux-64::pexpect-4.8.0-py3~ --> pkgs/main/noarch::pexpect-4.8.0-pyhd3eb1b0_3
pickleshare pkgs/main/linux-64::pickleshare-0.7.5~ --> pkgs/main/noarch::pickleshare-0.7.5-pyhd3eb1b0_1003
pillow 8.0.1-py38he98fc37_0 --> 8.3.1-py38h2c7a002_0
pip 20.2.4-py38h06a4308_0 --> 21.0.1-py38h06a4308_0
pkginfo 1.6.1-py38h06a4308_0 --> 1.7.1-py38h06a4308_0
prometheus_client 0.8.0-py_0 --> 0.11.0-pyhd3eb1b0_0
prompt-toolkit 3.0.8-py_0 --> 3.0.17-pyh06a4308_0
prompt_toolkit 3.0.8-0 --> 3.0.17-hd3eb1b0_0
psutil 5.7.2-py38h7b6447c_0 --> 5.8.0-py38h27cfd23_1
ptyprocess pkgs/main/linux-64::ptyprocess-0.6.0-~ --> pkgs/main/noarch::ptyprocess-0.7.0-pyhd3eb1b0_2
py 1.9.0-py_0 --> 1.10.0-pyhd3eb1b0_0
pydocstyle 5.1.1-py_0 --> 6.1.1-pyhd3eb1b0_0
pygments 2.7.2-pyhd3eb1b0_0 --> 2.10.0-pyhd3eb1b0_0
pylint 2.6.0-py38_0 --> 2.9.6-py38h06a4308_1
pyodbc 4.0.30-py38he6710b0_0 --> 4.0.31-py38h295c915_0
pyopenssl 19.1.0-py_1 --> 20.0.1-pyhd3eb1b0_1
pytest 6.1.1-py38_0 --> 6.2.4-py38h06a4308_2
python-dateutil 2.8.1-py_0 --> 2.8.2-pyhd3eb1b0_0
python-language-s~ 0.35.1-py_0 --> 0.36.2-pyhd3eb1b0_0
python-libarchive~ 2.9-py_0 --> 2.9-pyhd3eb1b0_1
pytz 2020.1-py_0 --> 2021.1-pyhd3eb1b0_0
pyyaml 5.3.1-py38h7b6447c_1 --> 5.4.1-py38h27cfd23_1
pyzmq 19.0.2-py38he6710b0_1 --> 22.2.1-py38h295c915_1
qtawesome 1.0.1-py_0 --> 1.0.2-pyhd3eb1b0_0
qtconsole 4.7.7-py_0 --> 5.1.0-pyhd3eb1b0_0
qtpy 1.9.0-py_0 --> 1.10.0-pyhd3eb1b0_0
readline 8.0-h7b6447c_0 --> 8.1-h27cfd23_0
regex 2020.10.15-py38h7b6447c_0 --> 2021.8.3-py38h7f8727e_0
requests 2.24.0-py_0 --> 2.26.0-pyhd3eb1b0_0
rope 0.18.0-py_0 --> 0.19.0-pyhd3eb1b0_0
rtree 0.9.4-py38_1 --> 0.9.7-py38h06a4308_1
ruamel_yaml 0.15.87-py38h7b6447c_1 --> 0.15.100-py38h27cfd23_0
scikit-image 0.17.2-py38hdf5156a_0 --> 0.18.1-py38ha9443f7_0
scikit-learn 0.23.2-py38h0573a6f_0 --> 0.24.2-py38ha9443f7_0
scipy 1.5.2-py38h0b6359f_0 --> 1.6.2-py38had2a1c9_1
seaborn 0.11.0-py_0 --> 0.11.2-pyhd3eb1b0_0
secretstorage 3.1.2-py38_0 --> 3.3.1-py38h06a4308_0
send2trash pkgs/main/linux-64::send2trash-1.5.0-~ --> pkgs/main/noarch::send2trash-1.5.0-pyhd3eb1b0_1
setuptools 50.3.1-py38h06a4308_1 --> 52.0.0-py38h06a4308_0
singledispatch 3.4.0.3-py_1001 --> 3.7.0-pyhd3eb1b0_1001
six pkgs/main/linux-64::six-1.15.0-py38h0~ --> pkgs/main/noarch::six-1.16.0-pyhd3eb1b0_0
snowballstemmer 2.0.0-py_0 --> 2.1.0-pyhd3eb1b0_0
sortedcollections 1.2.1-py_0 --> 2.1.0-pyhd3eb1b0_0
sortedcontainers 2.2.2-py_0 --> 2.4.0-pyhd3eb1b0_0
soupsieve 2.0.1-py_0 --> 2.2.1-pyhd3eb1b0_0
sphinx 3.2.1-py_0 --> 4.0.2-pyhd3eb1b0_0
sphinxcontrib-htm~ 1.0.3-py_0 --> 2.0.0-pyhd3eb1b0_0
sphinxcontrib-ser~ 1.1.4-py_0 --> 1.1.5-pyhd3eb1b0_0
spyder 4.1.5-py38_0 --> 4.2.5-py38h06a4308_0
spyder-kernels 1.9.4-py38_0 --> 1.10.2-py38h06a4308_0
sqlalchemy 1.3.20-py38h7b6447c_0 --> 1.4.22-py38h7f8727e_0
sqlite 3.33.0-h62c20be_0 --> 3.36.0-hc218d9a_0
statsmodels 0.12.0-py38h7b6447c_0 --> 0.12.2-py38h27cfd23_0
sympy 1.6.2-py38h06a4308_1 --> 1.8-py38h06a4308_0
terminado 0.9.1-py38_0 --> 0.9.4-py38h06a4308_0
testpath 0.4.4-py_0 --> 0.5.0-pyhd3eb1b0_0
threadpoolctl 2.1.0-pyh5ca1d4c_0 --> 2.2.0-pyhbf3da8f_0
toml 0.10.1-py_0 --> 0.10.2-pyhd3eb1b0_0
tornado 6.0.4-py38h7b6447c_1 --> 6.1-py38h27cfd23_0
tqdm 4.50.2-py_0 --> 4.62.1-pyhd3eb1b0_1
typing_extensions 3.7.4.3-py_0 --> 3.10.0.0-pyh06a4308_0
ujson 4.0.1-py38he6710b0_0 --> 4.0.2-py38h2531618_0
urllib3 1.25.11-py_0 --> 1.26.6-pyhd3eb1b0_1
watchdog 0.10.3-py38_0 --> 1.0.2-py38h06a4308_1
wheel 0.35.1-py_0 --> 0.37.0-pyhd3eb1b0_0
wrapt 1.11.2-py38h7b6447c_0 --> 1.12.1-py38h7b6447c_1
wurlitzer 2.0.1-py38_0 --> 2.1.1-py38h06a4308_0
xlrd 1.2.0-py_0 --> 2.0.1-pyhd3eb1b0_0
xlsxwriter 1.3.7-py_0 --> 3.0.1-pyhd3eb1b0_0
yapf 0.30.0-py_0 --> 0.31.0-pyhd3eb1b0_0
zeromq 4.3.3-he6710b0_3 --> 4.3.4-h2531618_0
zipp 3.4.0-pyhd3eb1b0_0 --> 3.5.0-pyhd3eb1b0_0
zope.interface 5.1.2-py38h7b6447c_0 --> 5.4.0-py38h7f8727e_0
zstd 1.4.5-h9ceee32_0 --> 1.4.9-haebb681_0
The following packages will be DOWNGRADED:
alabaster 0.7.12-py_0 --> 0.7.12-pyhd3eb1b0_0
anaconda 2020.11-py38_0 --> custom-py38_1
argon2-cffi 20.1.0-py38h7b6447c_1 --> 20.1.0-py38h27cfd23_1
async_generator 1.10-py_0 --> 1.10-pyhd3eb1b0_0
backcall 0.2.0-py_0 --> 0.2.0-pyhd3eb1b0_0
backports 1.0-py_2 --> 1.0-pyhd3eb1b0_2
beautifulsoup4 4.9.3-pyhb0f4dca_0 --> 4.9.3-pyha847dfd_0
colorama 0.4.4-py_0 --> 0.4.4-pyhd3eb1b0_0
flask 1.1.2-py_0 --> 1.1.2-pyhd3eb1b0_0
glob2 0.7-py_0 --> 0.7-pyhd3eb1b0_0
imageio 2.9.0-py_0 --> 2.9.0-pyhd3eb1b0_0
imagesize 1.2.0-py_0 --> 1.2.0-pyhd3eb1b0_0
iniconfig 1.1.1-py_0 --> 1.1.1-pyhd3eb1b0_0
libspatialindex 1.9.3-he6710b0_0 --> 1.9.3-h2531618_0
pluggy 0.13.1-py38_0 --> 0.13.1-py38h06a4308_0
pycodestyle 2.6.0-py_0 --> 2.6.0-pyhd3eb1b0_0
pyflakes 2.2.0-py_0 --> 2.2.0-pyhd3eb1b0_0
pyparsing 2.4.7-py_0 --> 2.4.7-pyhd3eb1b0_0
pysocks 1.7.1-py38_0 --> 1.7.1-py38h06a4308_0
sphinxcontrib-app~ 1.0.2-py_0 --> 1.0.2-pyhd3eb1b0_0
sphinxcontrib-dev~ 1.0.2-py_0 --> 1.0.2-pyhd3eb1b0_0
sphinxcontrib-jsm~ 1.0.1-py_0 --> 1.0.1-pyhd3eb1b0_0
sphinxcontrib-qth~ 1.0.3-py_0 --> 1.0.3-pyhd3eb1b0_0
toolz 0.11.1-py_0 --> 0.11.1-pyhd3eb1b0_0
traitlets 5.0.5-py_0 --> 5.0.5-pyhd3eb1b0_0
werkzeug 1.0.1-py_0 --> 1.0.1-pyhd3eb1b0_0
zict 2.0.0-py_0 --> 2.0.0-pyhd3eb1b0_0
Proceed ([y]/n)? y
Downloading and Extracting Packages
anyio-2.2.0 | 125 KB | ##################################### | 100%
rtree-0.9.7 | 48 KB | ##################################### | 100%
libev-4.33 | 112 KB | ##################################### | 100%
libgomp-9.3.0 | 311 KB | ##################################### | 100%
iniconfig-1.1.1 | 8 KB | ##################################### | 100%
typing_extensions-3. | 27 KB | ##################################### | 100%
pathspec-0.7.0 | 26 KB | ##################################### | 100%
sphinxcontrib-devhel | 23 KB | ##################################### | 100%
soupsieve-2.2.1 | 32 KB | ##################################### | 100%
setuptools-52.0.0 | 714 KB | ##################################### | 100%
readline-8.1 | 362 KB | ##################################### | 100%
astropy-4.3.1 | 6.4 MB | ##################################### | 100%
jedi-0.17.2 | 924 KB | ##################################### | 100%
argon2-cffi-20.1.0 | 46 KB | ##################################### | 100%
brotli-1.0.9 | 375 KB | ##################################### | 100%
openpyxl-3.0.7 | 159 KB | ##################################### | 100%
python-language-serv | 41 KB | ##################################### | 100%
zstd-1.4.9 | 480 KB | ##################################### | 100%
pathlib2-2.3.6 | 36 KB | ##################################### | 100%
numba-0.53.1 | 3.3 MB | ##################################### | 100%
secretstorage-3.3.1 | 24 KB | ##################################### | 100%
sphinxcontrib-htmlhe | 32 KB | ##################################### | 100%
libgfortran-ng-7.5.0 | 22 KB | ##################################### | 100%
wurlitzer-2.1.1 | 13 KB | ##################################### | 100%
_openmp_mutex-4.5 | 22 KB | ##################################### | 100%
docutils-0.17.1 | 686 KB | ##################################### | 100%
pytz-2021.1 | 181 KB | ##################################### | 100%
pcre-8.45 | 207 KB | ##################################### | 100%
tornado-6.1 | 588 KB | ##################################### | 100%
networkx-2.6.2 | 1.3 MB | ##################################### | 100%
isort-5.9.3 | 83 KB | ##################################### | 100%
regex-2021.8.3 | 319 KB | ##################################### | 100%
six-1.16.0 | 18 KB | ##################################### | 100%
pyopenssl-20.0.1 | 49 KB | ##################################### | 100%
idna-3.2 | 48 KB | ##################################### | 100%
libspatialindex-1.9. | 2.1 MB | ##################################### | 100%
ujson-4.0.2 | 45 KB | ##################################### | 100%
pluggy-0.13.1 | 33 KB | ##################################### | 100%
yapf-0.31.0 | 126 KB | ##################################### | 100%
prompt-toolkit-3.0.1 | 256 KB | ##################################### | 100%
scikit-learn-0.24.2 | 5.4 MB | ##################################### | 100%
python-libarchive-c- | 47 KB | ##################################### | 100%
appdirs-1.4.4 | 13 KB | ##################################### | 100%
werkzeug-1.0.1 | 239 KB | ##################################### | 100%
gevent-21.8.0 | 1.5 MB | ##################################### | 100%
nbclassic-0.2.6 | 19 KB | ##################################### | 100%
terminado-0.9.4 | 25 KB | ##################################### | 100%
lxml-4.6.3 | 1.3 MB | ##################################### | 100%
pyls-spyder-0.3.2 | 10 KB | ##################################### | 100%
urllib3-1.26.6 | 112 KB | ##################################### | 100%
sphinxcontrib-qthelp | 26 KB | ##################################### | 100%
cffi-1.14.6 | 224 KB | ##################################### | 100%
keyring-23.0.1 | 54 KB | ##################################### | 100%
libedit-3.1.20210714 | 165 KB | ##################################### | 100%
colorama-0.4.4 | 21 KB | ##################################### | 100%
cryptography-3.4.7 | 913 KB | ##################################### | 100%
msgpack-python-1.0.2 | 83 KB | ##################################### | 100%
jupyterlab_widgets-1 | 109 KB | ##################################### | 100%
anaconda-project-0.1 | 218 KB | ##################################### | 100%
pyparsing-2.4.7 | 59 KB | ##################################### | 100%
watchdog-1.0.2 | 89 KB | ##################################### | 100%
importlib_metadata-3 | 11 KB | ##################################### | 100%
prompt_toolkit-3.0.1 | 12 KB | ##################################### | 100%
qtconsole-5.1.0 | 98 KB | ##################################### | 100%
ipykernel-6.2.0 | 192 KB | ##################################### | 100%
fontconfig-2.13.1 | 250 KB | ##################################### | 100%
path-16.0.0 | 37 KB | ##################################### | 100%
pydocstyle-6.1.1 | 36 KB | ##################################### | 100%
libllvm9-9.0.1 | 21.0 MB | ##################################### | 100%
mkl_fft-1.3.0 | 180 KB | ##################################### | 100%
expat-2.4.1 | 168 KB | ##################################### | 100%
bokeh-2.3.3 | 5.9 MB | ##################################### | 100%
mkl-service-2.4.0 | 59 KB | ##################################### | 100%
babel-2.9.1 | 5.5 MB | ##################################### | 100%
psutil-5.8.0 | 327 KB | ##################################### | 100%
markupsafe-2.0.1 | 22 KB | ##################################### | 100%
tqdm-4.62.1 | 84 KB | ##################################### | 100%
pexpect-4.8.0 | 53 KB | ##################################### | 100%
jupyter_server-1.4.1 | 317 KB | ##################################### | 100%
pkginfo-1.7.1 | 43 KB | ##################################### | 100%
krb5-1.19.2 | 1.2 MB | ##################################### | 100%
more-itertools-8.8.0 | 42 KB | ##################################### | 100%
spyder-kernels-1.10. | 102 KB | ##################################### | 100%
chardet-4.0.0 | 194 KB | ##################################### | 100%
curl-7.78.0 | 94 KB | ##################################### | 100%
kiwisolver-1.3.1 | 80 KB | ##################################### | 100%
pyerfa-2.0.0 | 345 KB | ##################################### | 100%
cairo-1.16.0 | 1.0 MB | ##################################### | 100%
greenlet-1.1.1 | 82 KB | ##################################### | 100%
patchelf-0.12 | 88 KB | ##################################### | 100%
munkres-1.1.4 | 13 KB | ##################################### | 100%
nltk-3.6.2 | 988 KB | ##################################### | 100%
glob2-0.7 | 12 KB | ##################################### | 100%
anaconda-custom | 35 KB | ##################################### | 100%
numexpr-2.7.3 | 188 KB | ##################################### | 100%
numpy-1.20.3 | 23 KB | ##################################### | 100%
libtiff-4.2.0 | 502 KB | ##################################### | 100%
imagesize-1.2.0 | 9 KB | ##################################### | 100%
_anaconda_depends-20 | 6 KB | ##################################### | 100%
typed-ast-1.4.3 | 185 KB | ##################################### | 100%
libnghttp2-1.41.0 | 667 KB | ##################################### | 100%
ruamel_yaml-0.15.100 | 258 KB | ##################################### | 100%
decorator-5.0.9 | 12 KB | ##################################### | 100%
backcall-0.2.0 | 13 KB | ##################################### | 100%
sniffio-1.2.0 | 15 KB | ##################################### | 100%
qtawesome-1.0.2 | 760 KB | ##################################### | 100%
sphinx-4.0.2 | 1.2 MB | ##################################### | 100%
libuv-1.40.0 | 736 KB | ##################################### | 100%
openssl-1.1.1l | 2.5 MB | ##################################### | 100%
ipython_genutils-0.2 | 27 KB | ##################################### | 100%
lcms2-2.12 | 312 KB | ##################################### | 100%
pyls-black-0.4.6 | 9 KB | ##################################### | 100%
bleach-4.0.0 | 113 KB | ##################################### | 100%
pandas-1.3.2 | 9.6 MB | ##################################### | 100%
jupyterlab_server-2. | 44 KB | ##################################### | 100%
imageio-2.9.0 | 3.0 MB | ##################################### | 100%
pyodbc-4.0.31 | 71 KB | ##################################### | 100%
charset-normalizer-2 | 35 KB | ##################################### | 100%
gmp-6.2.1 | 539 KB | ##################################### | 100%
requests-2.26.0 | 59 KB | ##################################### | 100%
wheel-0.37.0 | 32 KB | ##################################### | 100%
async_generator-1.10 | 23 KB | ##################################### | 100%
wrapt-1.12.1 | 50 KB | ##################################### | 100%
bitarray-2.3.0 | 139 KB | ##################################### | 100%
anaconda-client-1.8. | 152 KB | ##################################### | 100%
jupyterlab-3.1.7 | 3.6 MB | ##################################### | 100%
c-ares-1.17.1 | 108 KB | ##################################### | 100%
gst-plugins-base-1.1 | 4.9 MB | ##################################### | 100%
lazy-object-proxy-1. | 30 KB | ##################################### | 100%
packaging-21.0 | 36 KB | ##################################### | 100%
gstreamer-1.14.0 | 3.2 MB | ##################################### | 100%
scikit-image-0.18.1 | 9.5 MB | ##################################### | 100%
mypy_extensions-0.4. | 9 KB | ##################################### | 100%
itsdangerous-2.0.1 | 18 KB | ##################################### | 100%
xlsxwriter-3.0.1 | 111 KB | ##################################### | 100%
llvmlite-0.36.0 | 396 KB | ##################################### | 100%
astroid-2.6.6 | 309 KB | ##################################### | 100%
three-merge-0.1.1 | 10 KB | ##################################### | 100%
notebook-6.4.3 | 4.2 MB | ##################################### | 100%
mock-4.0.3 | 29 KB | ##################################### | 100%
fsspec-2021.7.0 | 91 KB | ##################################### | 100%
ipywidgets-7.6.3 | 105 KB | ##################################### | 100%
pip-21.0.1 | 1.8 MB | ##################################### | 100%
blosc-1.21.0 | 64 KB | ##################################### | 100%
qtpy-1.10.0 | 35 KB | ##################################### | 100%
beautifulsoup4-4.9.3 | 86 KB | ##################################### | 100%
openjpeg-2.4.0 | 331 KB | ##################################### | 100%
nbconvert-6.1.0 | 481 KB | ##################################### | 100%
json5-0.9.6 | 21 KB | ##################################### | 100%
jupyter_console-6.4. | 23 KB | ##################################### | 100%
scipy-1.6.2 | 15.6 MB | ##################################### | 100%
libwebp-base-1.2.0 | 437 KB | ##################################### | 100%
sphinxcontrib-jsmath | 8 KB | ##################################### | 100%
libgcc-ng-9.3.0 | 4.8 MB | ##################################### | 100%
defusedxml-0.7.1 | 23 KB | ##################################### | 100%
backports.shutil_get | 10 KB | ##################################### | 100%
dask-2021.8.1 | 18 KB | ##################################### | 100%
zipp-3.5.0 | 13 KB | ##################################### | 100%
ca-certificates-2021 | 113 KB | ##################################### | 100%
libstdcxx-ng-9.3.0 | 3.1 MB | ##################################### | 100%
toml-0.10.2 | 20 KB | ##################################### | 100%
harfbuzz-2.8.1 | 1.1 MB | ##################################### | 100%
backports-1.0 | 210 KB | ##################################### | 100%
sortedcontainers-2.4 | 26 KB | ##################################### | 100%
testpath-0.5.0 | 81 KB | ##################################### | 100%
pyflakes-2.2.0 | 56 KB | ##################################### | 100%
pyzmq-22.2.1 | 465 KB | ##################################### | 100%
singledispatch-3.7.0 | 12 KB | ##################################### | 100%
matplotlib-base-3.4. | 5.6 MB | ##################################### | 100%
pandoc-2.12 | 9.5 MB | ##################################### | 100%
xlrd-2.0.1 | 90 KB | ##################################### | 100%
nose-1.3.7 | 128 KB | ##################################### | 100%
statsmodels-0.12.2 | 8.5 MB | ##################################### | 100%
flask-1.1.2 | 70 KB | ##################################### | 100%
importlib-metadata-3 | 33 KB | ##################################### | 100%
alabaster-0.7.12 | 16 KB | ##################################### | 100%
sqlite-3.36.0 | 990 KB | ##################################### | 100%
rope-0.19.0 | 126 KB | ##################################### | 100%
send2trash-1.5.0 | 14 KB | ##################################### | 100%
cython-0.29.24 | 2.0 MB | ##################################### | 100%
nbformat-5.1.3 | 44 KB | ##################################### | 100%
libcurl-7.78.0 | 338 KB | ##################################### | 100%
threadpoolctl-2.2.0 | 16 KB | ##################################### | 100%
pytest-6.2.4 | 423 KB | ##################################### | 100%
pysocks-1.7.1 | 31 KB | ##################################### | 100%
distributed-2021.8.1 | 970 KB | ##################################### | 100%
pyyaml-5.4.1 | 174 KB | ##################################### | 100%
libgfortran4-7.5.0 | 995 KB | ##################################### | 100%
mkl_random-1.2.2 | 308 KB | ##################################### | 100%
seaborn-0.11.2 | 218 KB | ##################################### | 100%
prometheus_client-0. | 47 KB | ##################################### | 100%
debugpy-1.4.1 | 1.7 MB | ##################################### | 100%
pylint-2.9.6 | 488 KB | ##################################### | 100%
black-19.10b0 | 86 KB | ##################################### | 100%
glib-2.69.1 | 1.7 MB | ##################################### | 100%
fonttools-4.25.0 | 632 KB | ##################################### | 100%
partd-1.2.0 | 19 KB | ##################################### | 100%
jupyter_client-6.1.1 | 88 KB | ##################################### | 100%
matplotlib-3.4.2 | 26 KB | ##################################### | 100%
sortedcollections-2. | 12 KB | ##################################### | 100%
sphinxcontrib-serial | 25 KB | ##################################### | 100%
et_xmlfile-1.1.0 | 10 KB | ##################################### | 100%
dask-core-2021.8.1 | 715 KB | ##################################### | 100%
zeromq-4.3.4 | 331 KB | ##################################### | 100%
snappy-1.1.8 | 40 KB | ##################################### | 100%
sqlalchemy-1.4.22 | 1.8 MB | ##################################### | 100%
pygments-2.10.0 | 725 KB | ##################################### | 100%
nest-asyncio-1.5.1 | 10 KB | ##################################### | 100%
joblib-1.0.1 | 208 KB | ##################################### | 100%
traitlets-5.0.5 | 81 KB | ##################################### | 100%
mpmath-1.2.1 | 766 KB | ##################################### | 100%
lz4-c-1.9.3 | 185 KB | ##################################### | 100%
pillow-8.3.1 | 638 KB | ##################################### | 100%
ipython-7.26.0 | 994 KB | ##################################### | 100%
python-dateutil-2.8. | 233 KB | ##################################### | 100%
spyder-4.2.5 | 5.4 MB | ##################################### | 100%
pickleshare-0.7.5 | 13 KB | ##################################### | 100%
locket-0.2.1 | 10 KB | ##################################### | 100%
ld_impl_linux-64-2.3 | 586 KB | ##################################### | 100%
zope.interface-5.4.0 | 301 KB | ##################################### | 100%
textdistance-4.2.1 | 29 KB | ##################################### | 100%
numpy-base-1.20.3 | 4.5 MB | ##################################### | 100%
click-8.0.1 | 79 KB | ##################################### | 100%
sphinxcontrib-appleh | 29 KB | ##################################### | 100%
snowballstemmer-2.1. | 62 KB | ##################################### | 100%
zict-2.0.0 | 10 KB | ##################################### | 100%
py-1.10.0 | 76 KB | ##################################### | 100%
pycodestyle-2.6.0 | 38 KB | ##################################### | 100%
toolz-0.11.1 | 46 KB | ##################################### | 100%
brotlipy-0.7.0 | 323 KB | ##################################### | 100%
matplotlib-inline-0. | 12 KB | ##################################### | 100%
nbclient-0.5.3 | 62 KB | ##################################### | 100%
libxml2-2.9.12 | 1.2 MB | ##################################### | 100%
jeepney-0.7.1 | 38 KB | ##################################### | 100%
sympy-1.8 | 9.1 MB | ##################################### | 100%
certifi-2021.5.30 | 138 KB | ##################################### | 100%
conda-pack-0.6.0 | 29 KB | ##################################### | 100%
filelock-3.0.12 | 10 KB | ##################################### | 100%
mkl-2021.3.0 | 141.2 MB | ##################################### | 100%
ptyprocess-0.7.0 | 17 KB | ##################################### | 100%
jupyter_core-4.7.1 | 68 KB | ##################################### | 100%
jinja2-3.0.1 | 110 KB | ##################################### | 100%
attrs-21.2.0 | 46 KB | ##################################### | 100%
intel-openmp-2021.3. | 1.4 MB | ##################################### | 100%
Preparing transaction: done
Verifying transaction: done
Executing transaction: |
Installed package of scikit-learn can be accelerated using scikit-learn-intelex.
More details are available here: https://intel.github.io/scikit-learn-intelex
For example:
$ conda install scikit-learn-intelex
$ python -m sklearnex my_application.py
done
(base) [email protected]:~/Descargas$ conda create --name my_env
Collecting package metadata (current_repodata.json): done
Solving environment: done
## Package Plan ##
environment location: /home/soloelectronicos/anaconda3/envs/my_env
Proceed ([y]/n)? y
Preparing transaction: done
Verifying transaction: done
Executing transaction: done
#
# To activate this environment, use
#
# $ conda activate my_env
#
# To deactivate an active environment, use
#
# $ conda deactivate
(base) [email protected]:~/Descargas$ conda activate my_env
(my_env) [email protected]:~/Descargas$ ls
Anaconda3-2020.11-Linux-x86_64.sh Anaconda3-2021.05-Linux-x86_64.sh
(my_env) [email protected]:~/Descargas$ sudo conda activate my_env
[sudo] contraseña para soloelectronicos:
sudo: conda: orden no encontrada
(my_env) [email protected]:~/Descargas$ conda activate my_env
[email protected]:~/Descargas$ wget https://repo.anaconda.com/archive/Anaconda3-2020.11-Linux-x86_64.sh
--2021-09-06 10:21:36-- https://repo.anaconda.com/archive/Anaconda3-2020.11-Linux-x86_64.sh
Resolviendo repo.anaconda.com (repo.anaconda.com)... 104.16.130.3, 104.16.131.3, 2606:4700::6810:8303, ...
Conectando con repo.anaconda.com (repo.anaconda.com)[104.16.130.3]:443... conectado.
Petición HTTP enviada, esperando respuesta... 200 OK
Longitud: 554535580 (529M) [application/x-sh]
Guardando como: “Anaconda3-2020.11-Linux-x86_64.sh”
Anaconda3-2020.11-L 100%[===================>] 528,85M 3,04MB/s en 2m 56s
2021-09-06 10:24:32 (3,00 MB/s) - “Anaconda3-2020.11-Linux-x86_64.sh” guardado [554535580/554535580]
[email protected]:~/Descargas$ sha256sum Anaconda3-2020.11-Linux-x86_64.sh
cf2ff493f11eaad5d09ce2b4feaa5ea90db5174303d5b3fe030e16d29aeef7de Anaconda3-2020.11-Linux-x86_64.sh
[email protected]:~/Descargas$ bash Anaconda3-2020.11-Linux-x86_64.sh
Welcome to Anaconda3 2020.11
In order to continue the installation process, please review the license
agreement.
Please, press ENTER to continue
>>>
===================================
End User License Agreement - Anaconda Individual Edition
===================================
Copyright 2015-2020, Anaconda, Inc.
All rights reserved under the 3-clause BSD License:
This End User License Agreement (the "Agreement") is a legal agreement between y
ou and Anaconda, Inc. ("Anaconda") and governs your use of Anaconda Individual E
dition (which was formerly known as Anaconda Distribution).
Subject to the terms of this Agreement, Anaconda hereby grants you a non-exclusi
ve, non-transferable license to:
* Install and use the Anaconda Individual Edition (which was formerly known as
Anaconda Distribution),
* Modify and create derivative works of sample source code delivered in Anacon
da Individual Edition from Anaconda's repository; and
* Redistribute code files in source (if provided to you by Anaconda as source)
and binary forms, with or without modification subject to the requirements set
forth below.
Anaconda may, at its option, make available patches, workarounds or other update
s to Anaconda Individual Edition. Unless the updates are provided with their sep
arate governing terms, they are deemed part of Anaconda Individual Edition licen
sed to you as provided in this Agreement. This Agreement does not entitle you t
o any support for Anaconda Individual Edition.
Anaconda reserves all rights not expressly granted to you in this Agreement.
Redistribution and use in source and binary forms, with or without modification,
are permitted provided that the following conditions are met:
* Redistributions of source code must retain the above copyright notice, this
list of conditions and the following disclaimer.
* Redistributions in binary form must reproduce the above copyright notice, th
is list of conditions and the following disclaimer in the documentation and/or o
ther materials provided with the distribution.
* Neither the name of Anaconda nor the names of its contributors may be used t
o endorse or promote products derived from this software without specific prior
written permission.
You acknowledge that, as between you and Anaconda, Anaconda owns all right, titl
e, and interest, including all intellectual property rights, in and to Anaconda
Individual Edition and, with respect to third-party products distributed with or
through Anaconda Individual Edition, the applicable third-party licensors own a
ll right, title and interest, including all intellectual property rights, in and
to such products. If you send or transmit any communications or materials to A
naconda suggesting or recommending changes to the software or documentation, inc
luding without limitation, new features or functionality relating thereto, or an
y comments, questions, suggestions or the like ("Feedback"), Anaconda is free to
use such Feedback. You hereby assign to Anaconda all right, title, and interest
in, and Anaconda is free to use, without any attribution or compensation to any
party, any ideas, know-how, concepts, techniques or other intellectual property
rights contained in the Feedback, for any purpose whatsoever, although Anaconda
is not required to use any Feedback.
THIS SOFTWARE IS PROVIDED BY ANACONDA AND ITS CONTRIBUTORS "AS IS" AND ANY EXPRE
SS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE IMPLIED WARRANTIES
OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE ARE DISCLAIMED. IN NO EV
ENT SHALL ANACONDA BE LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEM
PLARY, OR CONSEQUENTIAL DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF S
UBSTITUTE GOODS OR SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUP
TION) HOWEVER CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT
LIABILITY, OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT O
F THE USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.
TO THE MAXIMUM EXTENT PERMITTED BY LAW, ANACONDA AND ITS AFFILIATES SHALL NOT BE
LIABLE FOR ANY SPECIAL, INCIDENTAL, PUNITIVE OR CONSEQUENTIAL DAMAGES, OR ANY L
OST PROFITS, LOSS OF USE, LOSS OF DATA OR LOSS OF GOODWILL, OR THE COSTS OF PROC
URING SUBSTITUTE PRODUCTS, ARISING OUT OF OR IN CONNECTION WITH THIS AGREEMENT O
R THE USE OR PERFORMANCE OF ANACONDA INDIVIDUAL EDITION, WHETHER SUCH LIABILITY
ARISES FROM ANY CLAIM BASED UPON BREACH OF CONTRACT, BREACH OF WARRANTY, TORT (I
NCLUDING NEGLIGENCE), PRODUCT LIABILITY OR ANY OTHER CAUSE OF ACTION OR THEORY O
F LIABILITY. IN NO EVENT WILL THE TOTAL CUMULATIVE LIABILITY OF ANACONDA AND ITS
AFFILIATES UNDER OR ARISING OUT OF THIS AGREEMENT EXCEED US0.00.
If you want to terminate this Agreement, you may do so by discontinuing use of A
naconda Individual Edition. Anaconda may, at any time, terminate this Agreement
and the license granted hereunder if you fail to comply with any term of this A
greement. Upon any termination of this Agreement, you agree to promptly discon
tinue use of the Anaconda Individual Edition and destroy all copies in your poss
ession or control. Upon any termination of this Agreement all provisions survive
except for the licenses granted to you.
This Agreement is governed by and construed in accordance with the internal laws
of the State of Texas without giving effect to any choice or conflict of law pr
ovision or rule that would require or permit the application of the laws of any
jurisdiction other than those of the State of Texas. Any legal suit, action, or
proceeding arising out of or related to this Agreement or the licenses granted h
ereunder by you must be instituted exclusively in the federal courts of the Unit
ed States or the courts of the State of Texas in each case located in Travis Cou
nty, Texas, and you irrevocably submit to the jurisdiction of such courts in any
such suit, action, or proceeding.
Notice of Third Party Software Licenses
=======================================
Anaconda Individual Edition provides access to a repository which contains softw
are packages or tools licensed on an open source basis from third parties and bi
nary packages of these third party tools. These third party software packages or
tools are provided on an "as is" basis and are subject to their respective lice
nse agreements as well as this Agreement and the Terms of Service for the Reposi
tory located at https://know.anaconda.com/TOS.html; provided, however, no restri
ction contained in the Terms of Service shall be construed so as to limit your a
bility to download the packages contained in Anaconda Individual Edition provide
d you comply with the license for each such package. These licenses may be acce
ssed from within the Anaconda Individual Edition software or at https://docs.ana
conda.com/anaconda/pkg-docs. Information regarding which license is applicable i
s available from within many of the third party software packages and tools and
at https://repo.anaconda.com/pkgs/main/ and https://repo.anaconda.com/pkgs/r/. A
naconda reserves the right, in its sole discretion, to change which third party
tools are included in the repository accessible through Anaconda Individual Edit
ion.
Intel Math Kernel Library
-------------------------
Anaconda Individual Edition provides access to re-distributable, run-time, share
d-library files from the Intel Math Kernel Library ("MKL binaries").
Copyright 2018 Intel Corporation. License available at https://software.intel.c
om/en-us/license/intel-simplified-software-license (the "MKL License").
You may use and redistribute the MKL binaries, without modification, provided th
e following conditions are met:
* Redistributions must reproduce the above copyright notice and the following
terms of use in the MKL binaries and in the documentation and/or other materials
provided with the distribution.
* Neither the name of Intel nor the names of its suppliers may be used to endo
rse or promote products derived from the MKL binaries without specific prior wri
tten permission.
* No reverse engineering, decompilation, or disassembly of the MKL binaries is
permitted.
You are specifically authorized to use and redistribute the MKL binaries with yo
ur installation of Anaconda Individual Edition subject to the terms set forth in
the MKL License. You are also authorized to redistribute the MKL binaries with
Anaconda Individual Edition or in the Anaconda package that contains the MKL bin
aries. If needed, instructions for removing the MKL binaries after installation
of Anaconda Individual Edition are available at https://docs.anaconda.com.
cuDNN Software
--------------
Anaconda Individual Edition also provides access to cuDNN software binaries ("cu
DNN binaries") from NVIDIA Corporation. You are specifically authorized to use t
he cuDNN binaries with your installation of Anaconda Individual Edition subject
to your compliance with the license agreement located at https://docs.nvidia.com
/deeplearning/sdk/cudnn-sla/index.html. You are also authorized to redistribute
the cuDNN binaries with an Anaconda Individual Edition package that contains the
cuDNN binaries. You can add or remove the cuDNN binaries utilizing the install
and uninstall features in Anaconda Individual Edition.
cuDNN binaries contain source code provided by NVIDIA Corporation.
Export; Cryptography Notice
===========================
You must comply with all domestic and international export laws and regulations
that apply to the software, which include restrictions on destinations, end user
s, and end use. Anaconda Individual Edition includes cryptographic software. Th
e country in which you currently reside may have restrictions on the import, pos
session, use, and/or re-export to another country, of encryption software. BEFOR
E using any encryption software, please check your country's laws, regulations a
nd policies concerning the import, possession, or use, and re-export of encrypti
on software, to see if this is permitted. See the Wassenaar Arrangement http://w
ww.wassenaar.org/ for more information.
Anaconda has self-classified this software as Export Commodity Control Number (E
CCN) 5D992.c, which includes mass market information security software using or
performing cryptographic functions with asymmetric algorithms. No license is req
uired for export of this software to non-embargoed countries.
The Intel Math Kernel Library contained in Anaconda Individual Edition is classi
fied by Intel as ECCN 5D992.c with no license required for export to non-embargo
ed countries.
The following packages are included in the repository accessible through Anacond
a Individual Edition that relate to cryptography:
openssl
The OpenSSL Project is a collaborative effort to develop a robust, commercia
l-grade, full-featured, and Open Source toolkit implementing the Transport Layer
Security (TLS) and Secure Sockets Layer (SSL) protocols as well as a full-stren
gth general purpose cryptography library.
pycrypto
A collection of both secure hash functions (such as SHA256 and RIPEMD160), a
nd various encryption algorithms (AES, DES, RSA, ElGamal, etc.).
pyopenssl
A thin Python wrapper around (a subset of) the OpenSSL library.
kerberos (krb5, non-Windows platforms)
A network authentication protocol designed to provide strong authentication
for client/server applications by using secret-key cryptography.
cryptography
A Python library which exposes cryptographic recipes and primitives.
pycryptodome
A fork of PyCrypto. It is a self-contained Python package of low-level crypt
ographic primitives.
pycryptodomex
A stand-alone version of pycryptodome.
libsodium
A software library for encryption, decryption, signatures, password hashing
and more.
pynacl
A Python binding to the Networking and Cryptography library, a crypto librar
y with the stated goal of improving usability, security and speed.
Last updated September 28, 2020
Do you accept the license terms? [yes|no]
[no] >>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>>
Please answer 'yes' or 'no':'
>>> yes
Anaconda3 will now be installed into this location:
/home/soloelectronicos/anaconda3
- Press ENTER to confirm the location
- Press CTRL-C to abort the installation
- Or specify a different location below
[/home/soloelectronicos/anaconda3] >>>
PREFIX=/home/soloelectronicos/anaconda3
Unpacking payload ...
Collecting package metadata (current_repodata.json): done
Solving environment: done
## Package Plan ##
environment location: /home/soloelectronicos/anaconda3
added / updated specs:
- _ipyw_jlab_nb_ext_conf==0.1.0=py38_0
- _libgcc_mutex==0.1=main
- alabaster==0.7.12=py_0
- anaconda-client==1.7.2=py38_0
- anaconda-navigator==1.10.0=py38_0
- anaconda-project==0.8.4=py_0
- anaconda==2020.11=py38_0
- argh==0.26.2=py38_0
- argon2-cffi==20.1.0=py38h7b6447c_1
- asn1crypto==1.4.0=py_0
- astroid==2.4.2=py38_0
- astropy==4.0.2=py38h7b6447c_0
- async_generator==1.10=py_0
- atomicwrites==1.4.0=py_0
- attrs==20.3.0=pyhd3eb1b0_0
- autopep8==1.5.4=py_0
- babel==2.8.1=pyhd3eb1b0_0
- backcall==0.2.0=py_0
- backports.functools_lru_cache==1.6.1=py_0
- backports.shutil_get_terminal_size==1.0.0=py38_2
- backports.tempfile==1.0=py_1
- backports.weakref==1.0.post1=py_1
- backports==1.0=py_2
- beautifulsoup4==4.9.3=pyhb0f4dca_0
- bitarray==1.6.1=py38h27cfd23_0
- bkcharts==0.2=py38_0
- blas==1.0=mkl
- bleach==3.2.1=py_0
- blosc==1.20.1=hd408876_0
- bokeh==2.2.3=py38_0
- boto==2.49.0=py38_0
- bottleneck==1.3.2=py38heb32a55_1
- brotlipy==0.7.0=py38h7b6447c_1000
- bzip2==1.0.8=h7b6447c_0
- ca-certificates==2020.10.14=0
- cairo==1.14.12=h8948797_3
- certifi==2020.6.20=pyhd3eb1b0_3
- cffi==1.14.3=py38he30daa8_0
- chardet==3.0.4=py38_1003
- click==7.1.2=py_0
- cloudpickle==1.6.0=py_0
- clyent==1.2.2=py38_1
- colorama==0.4.4=py_0
- conda-build==3.20.5=py38_1
- conda-env==2.6.0=1
- conda-package-handling==1.7.2=py38h03888b9_0
- conda-verify==3.4.2=py_1
- conda==4.9.2=py38h06a4308_0
- contextlib2==0.6.0.post1=py_0
- cryptography==3.1.1=py38h1ba5d50_0
- curl==7.71.1=hbc83047_1
- cycler==0.10.0=py38_0
- cython==0.29.21=py38he6710b0_0
- cytoolz==0.11.0=py38h7b6447c_0
- dask-core==2.30.0=py_0
- dask==2.30.0=py_0
- dbus==1.13.18=hb2f20db_0
- decorator==4.4.2=py_0
- defusedxml==0.6.0=py_0
- diff-match-patch==20200713=py_0
- distributed==2.30.1=py38h06a4308_0
- docutils==0.16=py38_1
- entrypoints==0.3=py38_0
- et_xmlfile==1.0.1=py_1001
- expat==2.2.10=he6710b0_2
- fastcache==1.1.0=py38h7b6447c_0
- filelock==3.0.12=py_0
- flake8==3.8.4=py_0
- flask==1.1.2=py_0
- fontconfig==2.13.0=h9420a91_0
- freetype==2.10.4=h5ab3b9f_0
- fribidi==1.0.10=h7b6447c_0
- fsspec==0.8.3=py_0
- future==0.18.2=py38_1
- get_terminal_size==1.0.0=haa9412d_0
- gevent==20.9.0=py38h7b6447c_0
- glib==2.66.1=h92f7085_0
- glob2==0.7=py_0
- gmp==6.1.2=h6c8ec71_1
- gmpy2==2.0.8=py38hd5f6e3b_3
- graphite2==1.3.14=h23475e2_0
- greenlet==0.4.17=py38h7b6447c_0
- gst-plugins-base==1.14.0=hbbd80ab_1
- gstreamer==1.14.0=hb31296c_0
- h5py==2.10.0=py38h7918eee_0
- harfbuzz==2.4.0=hca77d97_1
- hdf5==1.10.4=hb1b8bf9_0
- heapdict==1.0.1=py_0
- html5lib==1.1=py_0
- icu==58.2=he6710b0_3
- idna==2.10=py_0
- imageio==2.9.0=py_0
- imagesize==1.2.0=py_0
- importlib-metadata==2.0.0=py_1
- importlib_metadata==2.0.0=1
- iniconfig==1.1.1=py_0
- intel-openmp==2020.2=254
- intervaltree==3.1.0=py_0
- ipykernel==5.3.4=py38h5ca1d4c_0
- ipython==7.19.0=py38hb070fc8_0
- ipython_genutils==0.2.0=py38_0
- ipywidgets==7.5.1=py_1
- isort==5.6.4=py_0
- itsdangerous==1.1.0=py_0
- jbig==2.1=hdba287a_0
- jdcal==1.4.1=py_0
- jedi==0.17.1=py38_0
- jeepney==0.5.0=pyhd3eb1b0_0
- jinja2==2.11.2=py_0
- joblib==0.17.0=py_0
- jpeg==9b=h024ee3a_2
- json5==0.9.5=py_0
- jsonschema==3.2.0=py_2
- jupyter==1.0.0=py38_7
- jupyter_client==6.1.7=py_0
- jupyter_console==6.2.0=py_0
- jupyter_core==4.6.3=py38_0
- jupyterlab==2.2.6=py_0
- jupyterlab_pygments==0.1.2=py_0
- jupyterlab_server==1.2.0=py_0
- keyring==21.4.0=py38_1
- kiwisolver==1.3.0=py38h2531618_0
- krb5==1.18.2=h173b8e3_0
- lazy-object-proxy==1.4.3=py38h7b6447c_0
- lcms2==2.11=h396b838_0
- ld_impl_linux-64==2.33.1=h53a641e_7
- libarchive==3.4.2=h62408e4_0
- libcurl==7.71.1=h20c2e04_1
- libedit==3.1.20191231=h14c3975_1
- libffi==3.3=he6710b0_2
- libgcc-ng==9.1.0=hdf63c60_0
- libgfortran-ng==7.3.0=hdf63c60_0
- liblief==0.10.1=he6710b0_0
- libllvm10==10.0.1=hbcb73fb_5
- libpng==1.6.37=hbc83047_0
- libsodium==1.0.18=h7b6447c_0
- libspatialindex==1.9.3=he6710b0_0
- libssh2==1.9.0=h1ba5d50_1
- libstdcxx-ng==9.1.0=hdf63c60_0
- libtiff==4.1.0=h2733197_1
- libtool==2.4.6=h7b6447c_1005
- libuuid==1.0.3=h1bed415_2
- libxcb==1.14=h7b6447c_0
- libxml2==2.9.10=hb55368b_3
- libxslt==1.1.34=hc22bd24_0
- llvmlite==0.34.0=py38h269e1b5_4
- locket==0.2.0=py38_1
- lxml==4.6.1=py38hefd8a0e_0
- lz4-c==1.9.2=heb0550a_3
- lzo==2.10=h7b6447c_2
- markupsafe==1.1.1=py38h7b6447c_0
- matplotlib-base==3.3.2=py38h817c723_0
- matplotlib==3.3.2=0
- mccabe==0.6.1=py38_1
- mistune==0.8.4=py38h7b6447c_1000
- mkl-service==2.3.0=py38he904b0f_0
- mkl==2020.2=256
- mkl_fft==1.2.0=py38h23d657b_0
- mkl_random==1.1.1=py38h0573a6f_0
- mock==4.0.2=py_0
- more-itertools==8.6.0=pyhd3eb1b0_0
- mpc==1.1.0=h10f8cd9_1
- mpfr==4.0.2=hb69a4c5_1
- mpmath==1.1.0=py38_0
- msgpack-python==1.0.0=py38hfd86e86_1
- multipledispatch==0.6.0=py38_0
- navigator-updater==0.2.1=py38_0
- nbclient==0.5.1=py_0
- nbconvert==6.0.7=py38_0
- nbformat==5.0.8=py_0
- ncurses==6.2=he6710b0_1
- nest-asyncio==1.4.2=pyhd3eb1b0_0
- networkx==2.5=py_0
- nltk==3.5=py_0
- nose==1.3.7=py38_2
- notebook==6.1.4=py38_0
- numba==0.51.2=py38h0573a6f_1
- numexpr==2.7.1=py38h423224d_0
- numpy-base==1.19.2=py38hfa32c7d_0
- numpy==1.19.2=py38h54aff64_0
- numpydoc==1.1.0=pyhd3eb1b0_1
- olefile==0.46=py_0
- openpyxl==3.0.5=py_0
- openssl==1.1.1h=h7b6447c_0
- packaging==20.4=py_0
- pandas==1.1.3=py38he6710b0_0
- pandoc==2.11=hb0f4dca_0
- pandocfilters==1.4.3=py38h06a4308_1
- pango==1.45.3=hd140c19_0
- parso==0.7.0=py_0
- partd==1.1.0=py_0
- patchelf==0.12=he6710b0_0
- path.py==12.5.0=0
- path==15.0.0=py38_0
- pathlib2==2.3.5=py38_0
- pathtools==0.1.2=py_1
- patsy==0.5.1=py38_0
- pcre==8.44=he6710b0_0
- pep8==1.7.1=py38_0
- pexpect==4.8.0=py38_0
- pickleshare==0.7.5=py38_1000
- pillow==8.0.1=py38he98fc37_0
- pip==20.2.4=py38h06a4308_0
- pixman==0.40.0=h7b6447c_0
- pkginfo==1.6.1=py38h06a4308_0
- pluggy==0.13.1=py38_0
- ply==3.11=py38_0
- prometheus_client==0.8.0=py_0
- prompt-toolkit==3.0.8=py_0
- prompt_toolkit==3.0.8=0
- psutil==5.7.2=py38h7b6447c_0
- ptyprocess==0.6.0=py38_0
- py-lief==0.10.1=py38h403a769_0
- py==1.9.0=py_0
- pycodestyle==2.6.0=py_0
- pycosat==0.6.3=py38h7b6447c_1
- pycparser==2.20=py_2
- pycurl==7.43.0.6=py38h1ba5d50_0
- pydocstyle==5.1.1=py_0
- pyflakes==2.2.0=py_0
- pygments==2.7.2=pyhd3eb1b0_0
- pylint==2.6.0=py38_0
- pyodbc==4.0.30=py38he6710b0_0
- pyopenssl==19.1.0=py_1
- pyparsing==2.4.7=py_0
- pyqt==5.9.2=py38h05f1152_4
- pyrsistent==0.17.3=py38h7b6447c_0
- pysocks==1.7.1=py38_0
- pytables==3.6.1=py38h9fd0a39_0
- pytest==6.1.1=py38_0
- python-dateutil==2.8.1=py_0
- python-jsonrpc-server==0.4.0=py_0
- python-language-server==0.35.1=py_0
- python-libarchive-c==2.9=py_0
- python==3.8.5=h7579374_1
- pytz==2020.1=py_0
- pywavelets==1.1.1=py38h7b6447c_2
- pyxdg==0.27=pyhd3eb1b0_0
- pyyaml==5.3.1=py38h7b6447c_1
- pyzmq==19.0.2=py38he6710b0_1
- qdarkstyle==2.8.1=py_0
- qt==5.9.7=h5867ecd_1
- qtawesome==1.0.1=py_0
- qtconsole==4.7.7=py_0
- qtpy==1.9.0=py_0
- readline==8.0=h7b6447c_0
- regex==2020.10.15=py38h7b6447c_0
- requests==2.24.0=py_0
- ripgrep==12.1.1=0
- rope==0.18.0=py_0
- rtree==0.9.4=py38_1
- ruamel_yaml==0.15.87=py38h7b6447c_1
- scikit-image==0.17.2=py38hdf5156a_0
- scikit-learn==0.23.2=py38h0573a6f_0
- scipy==1.5.2=py38h0b6359f_0
- seaborn==0.11.0=py_0
- secretstorage==3.1.2=py38_0
- send2trash==1.5.0=py38_0
- setuptools==50.3.1=py38h06a4308_1
- simplegeneric==0.8.1=py38_2
- singledispatch==3.4.0.3=py_1001
- sip==4.19.13=py38he6710b0_0
- six==1.15.0=py38h06a4308_0
- snowballstemmer==2.0.0=py_0
- sortedcollections==1.2.1=py_0
- sortedcontainers==2.2.2=py_0
- soupsieve==2.0.1=py_0
- sphinx==3.2.1=py_0
- sphinxcontrib-applehelp==1.0.2=py_0
- sphinxcontrib-devhelp==1.0.2=py_0
- sphinxcontrib-htmlhelp==1.0.3=py_0
- sphinxcontrib-jsmath==1.0.1=py_0
- sphinxcontrib-qthelp==1.0.3=py_0
- sphinxcontrib-serializinghtml==1.1.4=py_0
- sphinxcontrib-websupport==1.2.4=py_0
- sphinxcontrib==1.0=py38_1
- spyder-kernels==1.9.4=py38_0
- spyder==4.1.5=py38_0
- sqlalchemy==1.3.20=py38h7b6447c_0
- sqlite==3.33.0=h62c20be_0
- statsmodels==0.12.0=py38h7b6447c_0
- sympy==1.6.2=py38h06a4308_1
- tbb==2020.3=hfd86e86_0
- tblib==1.7.0=py_0
- terminado==0.9.1=py38_0
- testpath==0.4.4=py_0
- threadpoolctl==2.1.0=pyh5ca1d4c_0
- tifffile==2020.10.1=py38hdd07704_2
- tk==8.6.10=hbc83047_0
- toml==0.10.1=py_0
- toolz==0.11.1=py_0
- tornado==6.0.4=py38h7b6447c_1
- tqdm==4.50.2=py_0
- traitlets==5.0.5=py_0
- typing_extensions==3.7.4.3=py_0
- ujson==4.0.1=py38he6710b0_0
- unicodecsv==0.14.1=py38_0
- unixodbc==2.3.9=h7b6447c_0
- urllib3==1.25.11=py_0
- watchdog==0.10.3=py38_0
- wcwidth==0.2.5=py_0
- webencodings==0.5.1=py38_1
- werkzeug==1.0.1=py_0
- wheel==0.35.1=py_0
- widgetsnbextension==3.5.1=py38_0
- wrapt==1.11.2=py38h7b6447c_0
- wurlitzer==2.0.1=py38_0
- xlrd==1.2.0=py_0
- xlsxwriter==1.3.7=py_0
- xlwt==1.3.0=py38_0
- xmltodict==0.12.0=py_0
- xz==5.2.5=h7b6447c_0
- yaml==0.2.5=h7b6447c_0
- yapf==0.30.0=py_0
- zeromq==4.3.3=he6710b0_3
- zict==2.0.0=py_0
- zipp==3.4.0=pyhd3eb1b0_0
- zlib==1.2.11=h7b6447c_3
- zope.event==4.5.0=py38_0
- zope.interface==5.1.2=py38h7b6447c_0
- zope==1.0=py38_1
- zstd==1.4.5=h9ceee32_0
The following NEW packages will be INSTALLED:
_ipyw_jlab_nb_ext~ pkgs/main/linux-64::_ipyw_jlab_nb_ext_conf-0.1.0-py38_0
_libgcc_mutex pkgs/main/linux-64::_libgcc_mutex-0.1-main
alabaster pkgs/main/noarch::alabaster-0.7.12-py_0
anaconda pkgs/main/linux-64::anaconda-2020.11-py38_0
anaconda-client pkgs/main/linux-64::anaconda-client-1.7.2-py38_0
anaconda-navigator pkgs/main/linux-64::anaconda-navigator-1.10.0-py38_0
anaconda-project pkgs/main/noarch::anaconda-project-0.8.4-py_0
argh pkgs/main/linux-64::argh-0.26.2-py38_0
argon2-cffi pkgs/main/linux-64::argon2-cffi-20.1.0-py38h7b6447c_1
asn1crypto pkgs/main/noarch::asn1crypto-1.4.0-py_0
astroid pkgs/main/linux-64::astroid-2.4.2-py38_0
astropy pkgs/main/linux-64::astropy-4.0.2-py38h7b6447c_0
async_generator pkgs/main/noarch::async_generator-1.10-py_0
atomicwrites pkgs/main/noarch::atomicwrites-1.4.0-py_0
attrs pkgs/main/noarch::attrs-20.3.0-pyhd3eb1b0_0
autopep8 pkgs/main/noarch::autopep8-1.5.4-py_0
babel pkgs/main/noarch::babel-2.8.1-pyhd3eb1b0_0
backcall pkgs/main/noarch::backcall-0.2.0-py_0
backports pkgs/main/noarch::backports-1.0-py_2
backports.functoo~ pkgs/main/noarch::backports.functools_lru_cache-1.6.1-py_0
backports.shutil_~ pkgs/main/linux-64::backports.shutil_get_terminal_size-1.0.0-py38_2
backports.tempfile pkgs/main/noarch::backports.tempfile-1.0-py_1
backports.weakref pkgs/main/noarch::backports.weakref-1.0.post1-py_1
beautifulsoup4 pkgs/main/noarch::beautifulsoup4-4.9.3-pyhb0f4dca_0
bitarray pkgs/main/linux-64::bitarray-1.6.1-py38h27cfd23_0
bkcharts pkgs/main/linux-64::bkcharts-0.2-py38_0
blas pkgs/main/linux-64::blas-1.0-mkl
bleach pkgs/main/noarch::bleach-3.2.1-py_0
blosc pkgs/main/linux-64::blosc-1.20.1-hd408876_0
bokeh pkgs/main/linux-64::bokeh-2.2.3-py38_0
boto pkgs/main/linux-64::boto-2.49.0-py38_0
bottleneck pkgs/main/linux-64::bottleneck-1.3.2-py38heb32a55_1
brotlipy pkgs/main/linux-64::brotlipy-0.7.0-py38h7b6447c_1000
bzip2 pkgs/main/linux-64::bzip2-1.0.8-h7b6447c_0
ca-certificates pkgs/main/linux-64::ca-certificates-2020.10.14-0
cairo pkgs/main/linux-64::cairo-1.14.12-h8948797_3
certifi pkgs/main/noarch::certifi-2020.6.20-pyhd3eb1b0_3
cffi pkgs/main/linux-64::cffi-1.14.3-py38he30daa8_0
chardet pkgs/main/linux-64::chardet-3.0.4-py38_1003
click pkgs/main/noarch::click-7.1.2-py_0
cloudpickle pkgs/main/noarch::cloudpickle-1.6.0-py_0
clyent pkgs/main/linux-64::clyent-1.2.2-py38_1
colorama pkgs/main/noarch::colorama-0.4.4-py_0
conda pkgs/main/linux-64::conda-4.9.2-py38h06a4308_0
conda-build pkgs/main/linux-64::conda-build-3.20.5-py38_1
conda-env pkgs/main/linux-64::conda-env-2.6.0-1
conda-package-han~ pkgs/main/linux-64::conda-package-handling-1.7.2-py38h03888b9_0
conda-verify pkgs/main/noarch::conda-verify-3.4.2-py_1
contextlib2 pkgs/main/noarch::contextlib2-0.6.0.post1-py_0
cryptography pkgs/main/linux-64::cryptography-3.1.1-py38h1ba5d50_0
curl pkgs/main/linux-64::curl-7.71.1-hbc83047_1
cycler pkgs/main/linux-64::cycler-0.10.0-py38_0
cython pkgs/main/linux-64::cython-0.29.21-py38he6710b0_0
cytoolz pkgs/main/linux-64::cytoolz-0.11.0-py38h7b6447c_0
dask pkgs/main/noarch::dask-2.30.0-py_0
dask-core pkgs/main/noarch::dask-core-2.30.0-py_0
dbus pkgs/main/linux-64::dbus-1.13.18-hb2f20db_0
decorator pkgs/main/noarch::decorator-4.4.2-py_0
defusedxml pkgs/main/noarch::defusedxml-0.6.0-py_0
diff-match-patch pkgs/main/noarch::diff-match-patch-20200713-py_0
distributed pkgs/main/linux-64::distributed-2.30.1-py38h06a4308_0
docutils pkgs/main/linux-64::docutils-0.16-py38_1
entrypoints pkgs/main/linux-64::entrypoints-0.3-py38_0
et_xmlfile pkgs/main/noarch::et_xmlfile-1.0.1-py_1001
expat pkgs/main/linux-64::expat-2.2.10-he6710b0_2
fastcache pkgs/main/linux-64::fastcache-1.1.0-py38h7b6447c_0
filelock pkgs/main/noarch::filelock-3.0.12-py_0
flake8 pkgs/main/noarch::flake8-3.8.4-py_0
flask pkgs/main/noarch::flask-1.1.2-py_0
fontconfig pkgs/main/linux-64::fontconfig-2.13.0-h9420a91_0
freetype pkgs/main/linux-64::freetype-2.10.4-h5ab3b9f_0
fribidi pkgs/main/linux-64::fribidi-1.0.10-h7b6447c_0
fsspec pkgs/main/noarch::fsspec-0.8.3-py_0
future pkgs/main/linux-64::future-0.18.2-py38_1
get_terminal_size pkgs/main/linux-64::get_terminal_size-1.0.0-haa9412d_0
gevent pkgs/main/linux-64::gevent-20.9.0-py38h7b6447c_0
glib pkgs/main/linux-64::glib-2.66.1-h92f7085_0
glob2 pkgs/main/noarch::glob2-0.7-py_0
gmp pkgs/main/linux-64::gmp-6.1.2-h6c8ec71_1
gmpy2 pkgs/main/linux-64::gmpy2-2.0.8-py38hd5f6e3b_3
graphite2 pkgs/main/linux-64::graphite2-1.3.14-h23475e2_0
greenlet pkgs/main/linux-64::greenlet-0.4.17-py38h7b6447c_0
gst-plugins-base pkgs/main/linux-64::gst-plugins-base-1.14.0-hbbd80ab_1
gstreamer pkgs/main/linux-64::gstreamer-1.14.0-hb31296c_0
h5py pkgs/main/linux-64::h5py-2.10.0-py38h7918eee_0
harfbuzz pkgs/main/linux-64::harfbuzz-2.4.0-hca77d97_1
hdf5 pkgs/main/linux-64::hdf5-1.10.4-hb1b8bf9_0
heapdict pkgs/main/noarch::heapdict-1.0.1-py_0
html5lib pkgs/main/noarch::html5lib-1.1-py_0
icu pkgs/main/linux-64::icu-58.2-he6710b0_3
idna pkgs/main/noarch::idna-2.10-py_0
imageio pkgs/main/noarch::imageio-2.9.0-py_0
imagesize pkgs/main/noarch::imagesize-1.2.0-py_0
importlib-metadata pkgs/main/noarch::importlib-metadata-2.0.0-py_1
importlib_metadata pkgs/main/noarch::importlib_metadata-2.0.0-1
iniconfig pkgs/main/noarch::iniconfig-1.1.1-py_0
intel-openmp pkgs/main/linux-64::intel-openmp-2020.2-254
intervaltree pkgs/main/noarch::intervaltree-3.1.0-py_0
ipykernel pkgs/main/linux-64::ipykernel-5.3.4-py38h5ca1d4c_0
ipython pkgs/main/linux-64::ipython-7.19.0-py38hb070fc8_0
ipython_genutils pkgs/main/linux-64::ipython_genutils-0.2.0-py38_0
ipywidgets pkgs/main/noarch::ipywidgets-7.5.1-py_1
isort pkgs/main/noarch::isort-5.6.4-py_0
itsdangerous pkgs/main/noarch::itsdangerous-1.1.0-py_0
jbig pkgs/main/linux-64::jbig-2.1-hdba287a_0
jdcal pkgs/main/noarch::jdcal-1.4.1-py_0
jedi pkgs/main/linux-64::jedi-0.17.1-py38_0
jeepney pkgs/main/noarch::jeepney-0.5.0-pyhd3eb1b0_0
jinja2 pkgs/main/noarch::jinja2-2.11.2-py_0
joblib pkgs/main/noarch::joblib-0.17.0-py_0
jpeg pkgs/main/linux-64::jpeg-9b-h024ee3a_2
json5 pkgs/main/noarch::json5-0.9.5-py_0
jsonschema pkgs/main/noarch::jsonschema-3.2.0-py_2
jupyter pkgs/main/linux-64::jupyter-1.0.0-py38_7
jupyter_client pkgs/main/noarch::jupyter_client-6.1.7-py_0
jupyter_console pkgs/main/noarch::jupyter_console-6.2.0-py_0
jupyter_core pkgs/main/linux-64::jupyter_core-4.6.3-py38_0
jupyterlab pkgs/main/noarch::jupyterlab-2.2.6-py_0
jupyterlab_pygmen~ pkgs/main/noarch::jupyterlab_pygments-0.1.2-py_0
jupyterlab_server pkgs/main/noarch::jupyterlab_server-1.2.0-py_0
keyring pkgs/main/linux-64::keyring-21.4.0-py38_1
kiwisolver pkgs/main/linux-64::kiwisolver-1.3.0-py38h2531618_0
krb5 pkgs/main/linux-64::krb5-1.18.2-h173b8e3_0
lazy-object-proxy pkgs/main/linux-64::lazy-object-proxy-1.4.3-py38h7b6447c_0
lcms2 pkgs/main/linux-64::lcms2-2.11-h396b838_0
ld_impl_linux-64 pkgs/main/linux-64::ld_impl_linux-64-2.33.1-h53a641e_7
libarchive pkgs/main/linux-64::libarchive-3.4.2-h62408e4_0
libcurl pkgs/main/linux-64::libcurl-7.71.1-h20c2e04_1
libedit pkgs/main/linux-64::libedit-3.1.20191231-h14c3975_1
libffi pkgs/main/linux-64::libffi-3.3-he6710b0_2
libgcc-ng pkgs/main/linux-64::libgcc-ng-9.1.0-hdf63c60_0
libgfortran-ng pkgs/main/linux-64::libgfortran-ng-7.3.0-hdf63c60_0
liblief pkgs/main/linux-64::liblief-0.10.1-he6710b0_0
libllvm10 pkgs/main/linux-64::libllvm10-10.0.1-hbcb73fb_5
libpng pkgs/main/linux-64::libpng-1.6.37-hbc83047_0
libsodium pkgs/main/linux-64::libsodium-1.0.18-h7b6447c_0
libspatialindex pkgs/main/linux-64::libspatialindex-1.9.3-he6710b0_0
libssh2 pkgs/main/linux-64::libssh2-1.9.0-h1ba5d50_1
libstdcxx-ng pkgs/main/linux-64::libstdcxx-ng-9.1.0-hdf63c60_0
libtiff pkgs/main/linux-64::libtiff-4.1.0-h2733197_1
libtool pkgs/main/linux-64::libtool-2.4.6-h7b6447c_1005
libuuid pkgs/main/linux-64::libuuid-1.0.3-h1bed415_2
libxcb pkgs/main/linux-64::libxcb-1.14-h7b6447c_0
libxml2 pkgs/main/linux-64::libxml2-2.9.10-hb55368b_3
libxslt pkgs/main/linux-64::libxslt-1.1.34-hc22bd24_0
llvmlite pkgs/main/linux-64::llvmlite-0.34.0-py38h269e1b5_4
locket pkgs/main/linux-64::locket-0.2.0-py38_1
lxml pkgs/main/linux-64::lxml-4.6.1-py38hefd8a0e_0
lz4-c pkgs/main/linux-64::lz4-c-1.9.2-heb0550a_3
lzo pkgs/main/linux-64::lzo-2.10-h7b6447c_2
markupsafe pkgs/main/linux-64::markupsafe-1.1.1-py38h7b6447c_0
matplotlib pkgs/main/linux-64::matplotlib-3.3.2-0
matplotlib-base pkgs/main/linux-64::matplotlib-base-3.3.2-py38h817c723_0
mccabe pkgs/main/linux-64::mccabe-0.6.1-py38_1
mistune pkgs/main/linux-64::mistune-0.8.4-py38h7b6447c_1000
mkl pkgs/main/linux-64::mkl-2020.2-256
mkl-service pkgs/main/linux-64::mkl-service-2.3.0-py38he904b0f_0
mkl_fft pkgs/main/linux-64::mkl_fft-1.2.0-py38h23d657b_0
mkl_random pkgs/main/linux-64::mkl_random-1.1.1-py38h0573a6f_0
mock pkgs/main/noarch::mock-4.0.2-py_0
more-itertools pkgs/main/noarch::more-itertools-8.6.0-pyhd3eb1b0_0
mpc pkgs/main/linux-64::mpc-1.1.0-h10f8cd9_1
mpfr pkgs/main/linux-64::mpfr-4.0.2-hb69a4c5_1
mpmath pkgs/main/linux-64::mpmath-1.1.0-py38_0
msgpack-python pkgs/main/linux-64::msgpack-python-1.0.0-py38hfd86e86_1
multipledispatch pkgs/main/linux-64::multipledispatch-0.6.0-py38_0
navigator-updater pkgs/main/linux-64::navigator-updater-0.2.1-py38_0
nbclient pkgs/main/noarch::nbclient-0.5.1-py_0
nbconvert pkgs/main/linux-64::nbconvert-6.0.7-py38_0
nbformat pkgs/main/noarch::nbformat-5.0.8-py_0
ncurses pkgs/main/linux-64::ncurses-6.2-he6710b0_1
nest-asyncio pkgs/main/noarch::nest-asyncio-1.4.2-pyhd3eb1b0_0
networkx pkgs/main/noarch::networkx-2.5-py_0
nltk pkgs/main/noarch::nltk-3.5-py_0
nose pkgs/main/linux-64::nose-1.3.7-py38_2
notebook pkgs/main/linux-64::notebook-6.1.4-py38_0
numba pkgs/main/linux-64::numba-0.51.2-py38h0573a6f_1
numexpr pkgs/main/linux-64::numexpr-2.7.1-py38h423224d_0
numpy pkgs/main/linux-64::numpy-1.19.2-py38h54aff64_0
numpy-base pkgs/main/linux-64::numpy-base-1.19.2-py38hfa32c7d_0
numpydoc pkgs/main/noarch::numpydoc-1.1.0-pyhd3eb1b0_1
olefile pkgs/main/noarch::olefile-0.46-py_0
openpyxl pkgs/main/noarch::openpyxl-3.0.5-py_0
openssl pkgs/main/linux-64::openssl-1.1.1h-h7b6447c_0
packaging pkgs/main/noarch::packaging-20.4-py_0
pandas pkgs/main/linux-64::pandas-1.1.3-py38he6710b0_0
pandoc pkgs/main/linux-64::pandoc-2.11-hb0f4dca_0
pandocfilters pkgs/main/linux-64::pandocfilters-1.4.3-py38h06a4308_1
pango pkgs/main/linux-64::pango-1.45.3-hd140c19_0
parso pkgs/main/noarch::parso-0.7.0-py_0
partd pkgs/main/noarch::partd-1.1.0-py_0
patchelf pkgs/main/linux-64::patchelf-0.12-he6710b0_0
path pkgs/main/linux-64::path-15.0.0-py38_0
path.py pkgs/main/noarch::path.py-12.5.0-0
pathlib2 pkgs/main/linux-64::pathlib2-2.3.5-py38_0
pathtools pkgs/main/noarch::pathtools-0.1.2-py_1
patsy pkgs/main/linux-64::patsy-0.5.1-py38_0
pcre pkgs/main/linux-64::pcre-8.44-he6710b0_0
pep8 pkgs/main/linux-64::pep8-1.7.1-py38_0
pexpect pkgs/main/linux-64::pexpect-4.8.0-py38_0
pickleshare pkgs/main/linux-64::pickleshare-0.7.5-py38_1000
pillow pkgs/main/linux-64::pillow-8.0.1-py38he98fc37_0
pip pkgs/main/linux-64::pip-20.2.4-py38h06a4308_0
pixman pkgs/main/linux-64::pixman-0.40.0-h7b6447c_0
pkginfo pkgs/main/linux-64::pkginfo-1.6.1-py38h06a4308_0
pluggy pkgs/main/linux-64::pluggy-0.13.1-py38_0
ply pkgs/main/linux-64::ply-3.11-py38_0
prometheus_client pkgs/main/noarch::prometheus_client-0.8.0-py_0
prompt-toolkit pkgs/main/noarch::prompt-toolkit-3.0.8-py_0
prompt_toolkit pkgs/main/noarch::prompt_toolkit-3.0.8-0
psutil pkgs/main/linux-64::psutil-5.7.2-py38h7b6447c_0
ptyprocess pkgs/main/linux-64::ptyprocess-0.6.0-py38_0
py pkgs/main/noarch::py-1.9.0-py_0
py-lief pkgs/main/linux-64::py-lief-0.10.1-py38h403a769_0
pycodestyle pkgs/main/noarch::pycodestyle-2.6.0-py_0
pycosat pkgs/main/linux-64::pycosat-0.6.3-py38h7b6447c_1
pycparser pkgs/main/noarch::pycparser-2.20-py_2
pycurl pkgs/main/linux-64::pycurl-7.43.0.6-py38h1ba5d50_0
pydocstyle pkgs/main/noarch::pydocstyle-5.1.1-py_0
pyflakes pkgs/main/noarch::pyflakes-2.2.0-py_0
pygments pkgs/main/noarch::pygments-2.7.2-pyhd3eb1b0_0
pylint pkgs/main/linux-64::pylint-2.6.0-py38_0
pyodbc pkgs/main/linux-64::pyodbc-4.0.30-py38he6710b0_0
pyopenssl pkgs/main/noarch::pyopenssl-19.1.0-py_1
pyparsing pkgs/main/noarch::pyparsing-2.4.7-py_0
pyqt pkgs/main/linux-64::pyqt-5.9.2-py38h05f1152_4
pyrsistent pkgs/main/linux-64::pyrsistent-0.17.3-py38h7b6447c_0
pysocks pkgs/main/linux-64::pysocks-1.7.1-py38_0
pytables pkgs/main/linux-64::pytables-3.6.1-py38h9fd0a39_0
pytest pkgs/main/linux-64::pytest-6.1.1-py38_0
python pkgs/main/linux-64::python-3.8.5-h7579374_1
python-dateutil pkgs/main/noarch::python-dateutil-2.8.1-py_0
python-jsonrpc-se~ pkgs/main/noarch::python-jsonrpc-server-0.4.0-py_0
python-language-s~ pkgs/main/noarch::python-language-server-0.35.1-py_0
python-libarchive~ pkgs/main/noarch::python-libarchive-c-2.9-py_0
pytz pkgs/main/noarch::pytz-2020.1-py_0
pywavelets pkgs/main/linux-64::pywavelets-1.1.1-py38h7b6447c_2
pyxdg pkgs/main/noarch::pyxdg-0.27-pyhd3eb1b0_0
pyyaml pkgs/main/linux-64::pyyaml-5.3.1-py38h7b6447c_1
pyzmq pkgs/main/linux-64::pyzmq-19.0.2-py38he6710b0_1
qdarkstyle pkgs/main/noarch::qdarkstyle-2.8.1-py_0
qt pkgs/main/linux-64::qt-5.9.7-h5867ecd_1
qtawesome pkgs/main/noarch::qtawesome-1.0.1-py_0
qtconsole pkgs/main/noarch::qtconsole-4.7.7-py_0
qtpy pkgs/main/noarch::qtpy-1.9.0-py_0
readline pkgs/main/linux-64::readline-8.0-h7b6447c_0
regex pkgs/main/linux-64::regex-2020.10.15-py38h7b6447c_0
requests pkgs/main/noarch::requests-2.24.0-py_0
ripgrep pkgs/main/linux-64::ripgrep-12.1.1-0
rope pkgs/main/noarch::rope-0.18.0-py_0
rtree pkgs/main/linux-64::rtree-0.9.4-py38_1
ruamel_yaml pkgs/main/linux-64::ruamel_yaml-0.15.87-py38h7b6447c_1
scikit-image pkgs/main/linux-64::scikit-image-0.17.2-py38hdf5156a_0
scikit-learn pkgs/main/linux-64::scikit-learn-0.23.2-py38h0573a6f_0
scipy pkgs/main/linux-64::scipy-1.5.2-py38h0b6359f_0
seaborn pkgs/main/noarch::seaborn-0.11.0-py_0
secretstorage pkgs/main/linux-64::secretstorage-3.1.2-py38_0
send2trash pkgs/main/linux-64::send2trash-1.5.0-py38_0
setuptools pkgs/main/linux-64::setuptools-50.3.1-py38h06a4308_1
simplegeneric pkgs/main/linux-64::simplegeneric-0.8.1-py38_2
singledispatch pkgs/main/noarch::singledispatch-3.4.0.3-py_1001
sip pkgs/main/linux-64::sip-4.19.13-py38he6710b0_0
six pkgs/main/linux-64::six-1.15.0-py38h06a4308_0
snowballstemmer pkgs/main/noarch::snowballstemmer-2.0.0-py_0
sortedcollections pkgs/main/noarch::sortedcollections-1.2.1-py_0
sortedcontainers pkgs/main/noarch::sortedcontainers-2.2.2-py_0
soupsieve pkgs/main/noarch::soupsieve-2.0.1-py_0
sphinx pkgs/main/noarch::sphinx-3.2.1-py_0
sphinxcontrib pkgs/main/linux-64::sphinxcontrib-1.0-py38_1
sphinxcontrib-app~ pkgs/main/noarch::sphinxcontrib-applehelp-1.0.2-py_0
sphinxcontrib-dev~ pkgs/main/noarch::sphinxcontrib-devhelp-1.0.2-py_0
sphinxcontrib-htm~ pkgs/main/noarch::sphinxcontrib-htmlhelp-1.0.3-py_0
sphinxcontrib-jsm~ pkgs/main/noarch::sphinxcontrib-jsmath-1.0.1-py_0
sphinxcontrib-qth~ pkgs/main/noarch::sphinxcontrib-qthelp-1.0.3-py_0
sphinxcontrib-ser~ pkgs/main/noarch::sphinxcontrib-serializinghtml-1.1.4-py_0
sphinxcontrib-web~ pkgs/main/noarch::sphinxcontrib-websupport-1.2.4-py_0
spyder pkgs/main/linux-64::spyder-4.1.5-py38_0
spyder-kernels pkgs/main/linux-64::spyder-kernels-1.9.4-py38_0
sqlalchemy pkgs/main/linux-64::sqlalchemy-1.3.20-py38h7b6447c_0
sqlite pkgs/main/linux-64::sqlite-3.33.0-h62c20be_0
statsmodels pkgs/main/linux-64::statsmodels-0.12.0-py38h7b6447c_0
sympy pkgs/main/linux-64::sympy-1.6.2-py38h06a4308_1
tbb pkgs/main/linux-64::tbb-2020.3-hfd86e86_0
tblib pkgs/main/noarch::tblib-1.7.0-py_0
terminado pkgs/main/linux-64::terminado-0.9.1-py38_0
testpath pkgs/main/noarch::testpath-0.4.4-py_0
threadpoolctl pkgs/main/noarch::threadpoolctl-2.1.0-pyh5ca1d4c_0
tifffile pkgs/main/linux-64::tifffile-2020.10.1-py38hdd07704_2
tk pkgs/main/linux-64::tk-8.6.10-hbc83047_0
toml pkgs/main/noarch::toml-0.10.1-py_0
toolz pkgs/main/noarch::toolz-0.11.1-py_0
tornado pkgs/main/linux-64::tornado-6.0.4-py38h7b6447c_1
tqdm pkgs/main/noarch::tqdm-4.50.2-py_0
traitlets pkgs/main/noarch::traitlets-5.0.5-py_0
typing_extensions pkgs/main/noarch::typing_extensions-3.7.4.3-py_0
ujson pkgs/main/linux-64::ujson-4.0.1-py38he6710b0_0
unicodecsv pkgs/main/linux-64::unicodecsv-0.14.1-py38_0
unixodbc pkgs/main/linux-64::unixodbc-2.3.9-h7b6447c_0
urllib3 pkgs/main/noarch::urllib3-1.25.11-py_0
watchdog pkgs/main/linux-64::watchdog-0.10.3-py38_0
wcwidth pkgs/main/noarch::wcwidth-0.2.5-py_0
webencodings pkgs/main/linux-64::webencodings-0.5.1-py38_1
werkzeug pkgs/main/noarch::werkzeug-1.0.1-py_0
wheel pkgs/main/noarch::wheel-0.35.1-py_0
widgetsnbextension pkgs/main/linux-64::widgetsnbextension-3.5.1-py38_0
wrapt pkgs/main/linux-64::wrapt-1.11.2-py38h7b6447c_0
wurlitzer pkgs/main/linux-64::wurlitzer-2.0.1-py38_0
xlrd pkgs/main/noarch::xlrd-1.2.0-py_0
xlsxwriter pkgs/main/noarch::xlsxwriter-1.3.7-py_0
xlwt pkgs/main/linux-64::xlwt-1.3.0-py38_0
xmltodict pkgs/main/noarch::xmltodict-0.12.0-py_0
xz pkgs/main/linux-64::xz-5.2.5-h7b6447c_0
yaml pkgs/main/linux-64::yaml-0.2.5-h7b6447c_0
yapf pkgs/main/noarch::yapf-0.30.0-py_0
zeromq pkgs/main/linux-64::zeromq-4.3.3-he6710b0_3
zict pkgs/main/noarch::zict-2.0.0-py_0
zipp pkgs/main/noarch::zipp-3.4.0-pyhd3eb1b0_0
zlib pkgs/main/linux-64::zlib-1.2.11-h7b6447c_3
zope pkgs/main/linux-64::zope-1.0-py38_1
zope.event pkgs/main/linux-64::zope.event-4.5.0-py38_0
zope.interface pkgs/main/linux-64::zope.interface-5.1.2-py38h7b6447c_0
zstd pkgs/main/linux-64::zstd-1.4.5-h9ceee32_0
Preparing transaction: done
Executing transaction: done
installation finished.
Do you wish the installer to initialize Anaconda3
by running conda init? [yes|no]
[no] >>> yes
no change /home/soloelectronicos/anaconda3/condabin/conda
no change /home/soloelectronicos/anaconda3/bin/conda
no change /home/soloelectronicos/anaconda3/bin/conda-env
no change /home/soloelectronicos/anaconda3/bin/activate
no change /home/soloelectronicos/anaconda3/bin/deactivate
no change /home/soloelectronicos/anaconda3/etc/profile.d/conda.sh
no change /home/soloelectronicos/anaconda3/etc/fish/conf.d/conda.fish
no change /home/soloelectronicos/anaconda3/shell/condabin/Conda.psm1
no change /home/soloelectronicos/anaconda3/shell/condabin/conda-hook.ps1
no change /home/soloelectronicos/anaconda3/lib/python3.8/site-packages/xontrib/conda.xsh
no change /home/soloelectronicos/anaconda3/etc/profile.d/conda.csh
modified /home/soloelectronicos/.bashrc
==> For changes to take effect, close and re-open your current shell. <==
If you'd prefer that conda's base environment not be activated on startup,
set the auto_activate_base parameter to false:
conda config --set auto_activate_base false
Thank you for installing Anaconda3!
===========================================================================
Working with Python and Jupyter notebooks is a breeze with PyCharm Pro,
designed to be used with Anaconda. Download now and have the best data
tools at your fingertips.
PyCharm Pro for Anaconda is available at: https://www.anaconda.com/pycharm
[email protected]:~/Descargas$ source ~/.bashrc
(base) [email protected]:~/Descargas$ conda info
active environment : base
active env location : /home/soloelectronicos/anaconda3
shell level : 1
user config file : /home/soloelectronicos/.condarc
populated config files :
conda version : 4.9.2
conda-build version : 3.20.5
python version : 3.8.5.final.0
virtual packages : __glibc=2.31=0
__unix=0=0
__archspec=1=x86_64
base environment : /home/soloelectronicos/anaconda3 (writable)
channel URLs : https://repo.anaconda.com/pkgs/main/linux-64
https://repo.anaconda.com/pkgs/main/noarch
https://repo.anaconda.com/pkgs/r/linux-64
https://repo.anaconda.com/pkgs/r/noarch
package cache : /home/soloelectronicos/anaconda3/pkgs
/home/soloelectronicos/.conda/pkgs
envs directories : /home/soloelectronicos/anaconda3/envs
/home/soloelectronicos/.conda/envs
platform : linux-64
user-agent : conda/4.9.2 requests/2.24.0 CPython/3.8.5 Linux/5.11.0-27-generic ubuntu/20.04.3 glibc/2.31
UID:GID : 1000:1000
netrc file : None
offline mode : False
(base) [email protected]:~/Descargas$ conda update conda
Collecting package metadata (current_repodata.json): done
Solving environment: done
## Package Plan ##
environment location: /home/soloelectronicos/anaconda3
added / updated specs:
- conda
The following packages will be downloaded:
package | build
---------------------------|-----------------
backports.functools_lru_cache-1.6.4| pyhd3eb1b0_0 9 KB
backports.tempfile-1.0 | pyhd3eb1b0_1 11 KB
conda-4.10.3 | py38h06a4308_0 2.9 MB
conda-package-handling-1.7.3| py38h27cfd23_1 884 KB
------------------------------------------------------------
Total: 3.8 MB
The following packages will be UPDATED:
backports.functoo~ 1.6.1-py_0 --> 1.6.4-pyhd3eb1b0_0
conda 4.9.2-py38h06a4308_0 --> 4.10.3-py38h06a4308_0
conda-package-han~ 1.7.2-py38h03888b9_0 --> 1.7.3-py38h27cfd23_1
The following packages will be DOWNGRADED:
backports.tempfile 1.0-py_1 --> 1.0-pyhd3eb1b0_1
Proceed ([y]/n)? y
Downloading and Extracting Packages
backports.tempfile-1 | 11 KB | ##################################### | 100%
backports.functools_ | 9 KB | ##################################### | 100%
conda-4.10.3 | 2.9 MB | ##################################### | 100%
conda-package-handli | 884 KB | ##################################### | 100%
Preparing transaction: done
Verifying transaction: done
Executing transaction: done
(base) [email protected]:~/Descargas$ conda update anaconda
Collecting package metadata (current_repodata.json): done
Solving environment: done
## Package Plan ##
environment location: /home/soloelectronicos/anaconda3
added / updated specs:
- anaconda
The following packages will be downloaded:
package | build
---------------------------|-----------------
_anaconda_depends-2020.07 | py38_0 6 KB
_openmp_mutex-4.5 | 1_gnu 22 KB
alabaster-0.7.12 | pyhd3eb1b0_0 16 KB
anaconda-custom | py38_1 35 KB
anaconda-client-1.8.0 | py38h06a4308_0 152 KB
anaconda-project-0.10.1 | pyhd3eb1b0_0 218 KB
anyio-2.2.0 | py38h06a4308_1 125 KB
appdirs-1.4.4 | py_0 13 KB
argon2-cffi-20.1.0 | py38h27cfd23_1 46 KB
astroid-2.6.6 | py38h06a4308_0 309 KB
astropy-4.3.1 | py38h09021b7_0 6.4 MB
async_generator-1.10 | pyhd3eb1b0_0 23 KB
attrs-21.2.0 | pyhd3eb1b0_0 46 KB
babel-2.9.1 | pyhd3eb1b0_0 5.5 MB
backcall-0.2.0 | pyhd3eb1b0_0 13 KB
backports-1.0 | pyhd3eb1b0_2 210 KB
backports.shutil_get_terminal_size-1.0.0| pyhd3eb1b0_3 10 KB
beautifulsoup4-4.9.3 | pyha847dfd_0 86 KB
bitarray-2.3.0 | py38h7f8727e_1 139 KB
black-19.10b0 | py_0 86 KB
bleach-4.0.0 | pyhd3eb1b0_0 113 KB
blosc-1.21.0 | h8c45485_0 64 KB
bokeh-2.3.3 | py38h06a4308_0 5.9 MB
brotli-1.0.9 | he6710b0_2 375 KB
brotlipy-0.7.0 |py38h27cfd23_1003 323 KB
c-ares-1.17.1 | h27cfd23_0 108 KB
ca-certificates-2021.7.5 | h06a4308_1 113 KB
cairo-1.16.0 | hf32fb01_1 1.0 MB
certifi-2021.5.30 | py38h06a4308_0 138 KB
cffi-1.14.6 | py38h400218f_0 224 KB
chardet-4.0.0 |py38h06a4308_1003 194 KB
charset-normalizer-2.0.4 | pyhd3eb1b0_0 35 KB
click-8.0.1 | pyhd3eb1b0_0 79 KB
colorama-0.4.4 | pyhd3eb1b0_0 21 KB
conda-pack-0.6.0 | pyhd3eb1b0_0 29 KB
cryptography-3.4.7 | py38hd23ed53_0 913 KB
curl-7.78.0 | h1ccaba5_0 94 KB
cython-0.29.24 | py38h295c915_0 2.0 MB
dask-2021.8.1 | pyhd3eb1b0_0 18 KB
dask-core-2021.8.1 | pyhd3eb1b0_0 715 KB
debugpy-1.4.1 | py38h295c915_0 1.7 MB
decorator-5.0.9 | pyhd3eb1b0_0 12 KB
defusedxml-0.7.1 | pyhd3eb1b0_0 23 KB
distributed-2021.8.1 | py38h06a4308_0 970 KB
docutils-0.17.1 | py38h06a4308_1 686 KB
et_xmlfile-1.1.0 | py38h06a4308_0 10 KB
expat-2.4.1 | h2531618_2 168 KB
filelock-3.0.12 | pyhd3eb1b0_1 10 KB
flask-1.1.2 | pyhd3eb1b0_0 70 KB
fontconfig-2.13.1 | h6c09931_0 250 KB
fonttools-4.25.0 | pyhd3eb1b0_0 632 KB
fsspec-2021.7.0 | pyhd3eb1b0_0 91 KB
gevent-21.8.0 | py38h7f8727e_1 1.5 MB
glib-2.69.1 | h5202010_0 1.7 MB
glob2-0.7 | pyhd3eb1b0_0 12 KB
gmp-6.2.1 | h2531618_2 539 KB
greenlet-1.1.1 | py38h295c915_0 82 KB
gst-plugins-base-1.14.0 | h8213a91_2 4.9 MB
gstreamer-1.14.0 | h28cd5cc_2 3.2 MB
harfbuzz-2.8.1 | h6f93f22_0 1.1 MB
idna-3.2 | pyhd3eb1b0_0 48 KB
imageio-2.9.0 | pyhd3eb1b0_0 3.0 MB
imagesize-1.2.0 | pyhd3eb1b0_0 9 KB
importlib-metadata-3.10.0 | py38h06a4308_0 33 KB
importlib_metadata-3.10.0 | hd3eb1b0_0 11 KB
iniconfig-1.1.1 | pyhd3eb1b0_0 8 KB
intel-openmp-2021.3.0 | h06a4308_3350 1.4 MB
ipykernel-6.2.0 | py38h06a4308_1 192 KB
ipython-7.26.0 | py38hb070fc8_0 994 KB
ipython_genutils-0.2.0 | pyhd3eb1b0_1 27 KB
ipywidgets-7.6.3 | pyhd3eb1b0_1 105 KB
isort-5.9.3 | pyhd3eb1b0_0 83 KB
itsdangerous-2.0.1 | pyhd3eb1b0_0 18 KB
jedi-0.17.2 | py38h06a4308_1 924 KB
jeepney-0.7.1 | pyhd3eb1b0_0 38 KB
jinja2-3.0.1 | pyhd3eb1b0_0 110 KB
joblib-1.0.1 | pyhd3eb1b0_0 208 KB
json5-0.9.6 | pyhd3eb1b0_0 21 KB
jupyter_client-6.1.12 | pyhd3eb1b0_0 88 KB
jupyter_console-6.4.0 | pyhd3eb1b0_0 23 KB
jupyter_core-4.7.1 | py38h06a4308_0 68 KB
jupyter_server-1.4.1 | py38h06a4308_0 317 KB
jupyterlab-3.1.7 | pyhd3eb1b0_0 3.6 MB
jupyterlab_server-2.7.1 | pyhd3eb1b0_0 44 KB
jupyterlab_widgets-1.0.0 | pyhd3eb1b0_1 109 KB
keyring-23.0.1 | py38h06a4308_0 54 KB
kiwisolver-1.3.1 | py38h2531618_0 80 KB
krb5-1.19.2 | hac12032_0 1.2 MB
lazy-object-proxy-1.6.0 | py38h27cfd23_0 30 KB
lcms2-2.12 | h3be6417_0 312 KB
ld_impl_linux-64-2.35.1 | h7274673_9 586 KB
libcurl-7.78.0 | h0b77cf5_0 338 KB
libedit-3.1.20210714 | h7f8727e_0 165 KB
libev-4.33 | h7b6447c_0 112 KB
libgcc-ng-9.3.0 | h5101ec6_17 4.8 MB
libgfortran-ng-7.5.0 | ha8ba4b0_17 22 KB
libgfortran4-7.5.0 | ha8ba4b0_17 995 KB
libgomp-9.3.0 | h5101ec6_17 311 KB
libllvm9-9.0.1 | h4a3c616_1 21.0 MB
libnghttp2-1.41.0 | hf8bcb03_2 667 KB
libspatialindex-1.9.3 | h2531618_0 2.1 MB
libstdcxx-ng-9.3.0 | hd4cf53a_17 3.1 MB
libtiff-4.2.0 | h85742a9_0 502 KB
libuv-1.40.0 | h7b6447c_0 736 KB
libwebp-base-1.2.0 | h27cfd23_0 437 KB
libxml2-2.9.12 | h03d6c58_0 1.2 MB
llvmlite-0.36.0 | py38h612dafd_4 396 KB
locket-0.2.1 | py38h06a4308_1 10 KB
lxml-4.6.3 | py38h9120a33_0 1.3 MB
lz4-c-1.9.3 | h295c915_1 185 KB
markupsafe-2.0.1 | py38h27cfd23_0 22 KB
matplotlib-3.4.2 | py38h06a4308_0 26 KB
matplotlib-base-3.4.2 | py38hab158f2_0 5.6 MB
matplotlib-inline-0.1.2 | pyhd3eb1b0_2 12 KB
mkl-2021.3.0 | h06a4308_520 141.2 MB
mkl-service-2.4.0 | py38h7f8727e_0 59 KB
mkl_fft-1.3.0 | py38h42c9631_2 180 KB
mkl_random-1.2.2 | py38h51133e4_0 308 KB
mock-4.0.3 | pyhd3eb1b0_0 29 KB
more-itertools-8.8.0 | pyhd3eb1b0_0 42 KB
mpmath-1.2.1 | py38h06a4308_0 766 KB
msgpack-python-1.0.2 | py38hff7bd54_1 83 KB
munkres-1.1.4 | py_0 13 KB
mypy_extensions-0.4.3 | py38_0 9 KB
nbclassic-0.2.6 | pyhd3eb1b0_0 19 KB
nbclient-0.5.3 | pyhd3eb1b0_0 62 KB
nbconvert-6.1.0 | py38h06a4308_0 481 KB
nbformat-5.1.3 | pyhd3eb1b0_0 44 KB
nest-asyncio-1.5.1 | pyhd3eb1b0_0 10 KB
networkx-2.6.2 | pyhd3eb1b0_0 1.3 MB
nltk-3.6.2 | pyhd3eb1b0_0 988 KB
nose-1.3.7 | pyhd3eb1b0_1006 128 KB
notebook-6.4.3 | py38h06a4308_0 4.2 MB
numba-0.53.1 | py38ha9443f7_0 3.3 MB
numexpr-2.7.3 | py38h22e1b3c_1 188 KB
numpy-1.20.3 | py38hf144106_0 23 KB
numpy-base-1.20.3 | py38h74d4b33_0 4.5 MB
openjpeg-2.4.0 | h3ad879b_0 331 KB
openpyxl-3.0.7 | pyhd3eb1b0_0 159 KB
openssl-1.1.1l | h7f8727e_0 2.5 MB
packaging-21.0 | pyhd3eb1b0_0 36 KB
pandas-1.3.2 | py38h8c16a72_0 9.6 MB
pandoc-2.12 | h06a4308_0 9.5 MB
partd-1.2.0 | pyhd3eb1b0_0 19 KB
patchelf-0.12 | h2531618_1 88 KB
path-16.0.0 | py38h06a4308_0 37 KB
pathlib2-2.3.6 | py38h06a4308_2 36 KB
pathspec-0.7.0 | py_0 26 KB
pcre-8.45 | h295c915_0 207 KB
pexpect-4.8.0 | pyhd3eb1b0_3 53 KB
pickleshare-0.7.5 | pyhd3eb1b0_1003 13 KB
pillow-8.3.1 | py38h2c7a002_0 638 KB
pip-21.0.1 | py38h06a4308_0 1.8 MB
pkginfo-1.7.1 | py38h06a4308_0 43 KB
pluggy-0.13.1 | py38h06a4308_0 33 KB
prometheus_client-0.11.0 | pyhd3eb1b0_0 47 KB
prompt-toolkit-3.0.17 | pyh06a4308_0 256 KB
prompt_toolkit-3.0.17 | hd3eb1b0_0 12 KB
psutil-5.8.0 | py38h27cfd23_1 327 KB
ptyprocess-0.7.0 | pyhd3eb1b0_2 17 KB
py-1.10.0 | pyhd3eb1b0_0 76 KB
pycodestyle-2.6.0 | pyhd3eb1b0_0 38 KB
pydocstyle-6.1.1 | pyhd3eb1b0_0 36 KB
pyerfa-2.0.0 | py38h27cfd23_0 345 KB
pyflakes-2.2.0 | pyhd3eb1b0_0 56 KB
pygments-2.10.0 | pyhd3eb1b0_0 725 KB
pylint-2.9.6 | py38h06a4308_1 488 KB
pyls-black-0.4.6 | hd3eb1b0_0 9 KB
pyls-spyder-0.3.2 | pyhd3eb1b0_0 10 KB
pyodbc-4.0.31 | py38h295c915_0 71 KB
pyopenssl-20.0.1 | pyhd3eb1b0_1 49 KB
pyparsing-2.4.7 | pyhd3eb1b0_0 59 KB
pysocks-1.7.1 | py38h06a4308_0 31 KB
pytest-6.2.4 | py38h06a4308_2 423 KB
python-dateutil-2.8.2 | pyhd3eb1b0_0 233 KB
python-language-server-0.36.2| pyhd3eb1b0_0 41 KB
python-libarchive-c-2.9 | pyhd3eb1b0_1 47 KB
pytz-2021.1 | pyhd3eb1b0_0 181 KB
pyyaml-5.4.1 | py38h27cfd23_1 174 KB
pyzmq-22.2.1 | py38h295c915_1 465 KB
qtawesome-1.0.2 | pyhd3eb1b0_0 760 KB
qtconsole-5.1.0 | pyhd3eb1b0_0 98 KB
qtpy-1.10.0 | pyhd3eb1b0_0 35 KB
readline-8.1 | h27cfd23_0 362 KB
regex-2021.8.3 | py38h7f8727e_0 319 KB
requests-2.26.0 | pyhd3eb1b0_0 59 KB
rope-0.19.0 | pyhd3eb1b0_0 126 KB
rtree-0.9.7 | py38h06a4308_1 48 KB
ruamel_yaml-0.15.100 | py38h27cfd23_0 258 KB
scikit-image-0.18.1 | py38ha9443f7_0 9.5 MB
scikit-learn-0.24.2 | py38ha9443f7_0 5.4 MB
scipy-1.6.2 | py38had2a1c9_1 15.6 MB
seaborn-0.11.2 | pyhd3eb1b0_0 218 KB
secretstorage-3.3.1 | py38h06a4308_0 24 KB
send2trash-1.5.0 | pyhd3eb1b0_1 14 KB
setuptools-52.0.0 | py38h06a4308_0 714 KB
singledispatch-3.7.0 | pyhd3eb1b0_1001 12 KB
six-1.16.0 | pyhd3eb1b0_0 18 KB
snappy-1.1.8 | he6710b0_0 40 KB
sniffio-1.2.0 | py38h06a4308_1 15 KB
snowballstemmer-2.1.0 | pyhd3eb1b0_0 62 KB
sortedcollections-2.1.0 | pyhd3eb1b0_0 12 KB
sortedcontainers-2.4.0 | pyhd3eb1b0_0 26 KB
soupsieve-2.2.1 | pyhd3eb1b0_0 32 KB
sphinx-4.0.2 | pyhd3eb1b0_0 1.2 MB
sphinxcontrib-applehelp-1.0.2| pyhd3eb1b0_0 29 KB
sphinxcontrib-devhelp-1.0.2| pyhd3eb1b0_0 23 KB
sphinxcontrib-htmlhelp-2.0.0| pyhd3eb1b0_0 32 KB
sphinxcontrib-jsmath-1.0.1 | pyhd3eb1b0_0 8 KB
sphinxcontrib-qthelp-1.0.3 | pyhd3eb1b0_0 26 KB
sphinxcontrib-serializinghtml-1.1.5| pyhd3eb1b0_0 25 KB
spyder-4.2.5 | py38h06a4308_0 5.4 MB
spyder-kernels-1.10.2 | py38h06a4308_0 102 KB
sqlalchemy-1.4.22 | py38h7f8727e_0 1.8 MB
sqlite-3.36.0 | hc218d9a_0 990 KB
statsmodels-0.12.2 | py38h27cfd23_0 8.5 MB
sympy-1.8 | py38h06a4308_0 9.1 MB
terminado-0.9.4 | py38h06a4308_0 25 KB
testpath-0.5.0 | pyhd3eb1b0_0 81 KB
textdistance-4.2.1 | pyhd3eb1b0_0 29 KB
threadpoolctl-2.2.0 | pyhbf3da8f_0 16 KB
three-merge-0.1.1 | pyhd3eb1b0_0 10 KB
toml-0.10.2 | pyhd3eb1b0_0 20 KB
toolz-0.11.1 | pyhd3eb1b0_0 46 KB
tornado-6.1 | py38h27cfd23_0 588 KB
tqdm-4.62.1 | pyhd3eb1b0_1 84 KB
traitlets-5.0.5 | pyhd3eb1b0_0 81 KB
typed-ast-1.4.3 | py38h7f8727e_1 185 KB
typing_extensions-3.10.0.0 | pyh06a4308_0 27 KB
ujson-4.0.2 | py38h2531618_0 45 KB
urllib3-1.26.6 | pyhd3eb1b0_1 112 KB
watchdog-1.0.2 | py38h06a4308_1 89 KB
werkzeug-1.0.1 | pyhd3eb1b0_0 239 KB
wheel-0.37.0 | pyhd3eb1b0_0 32 KB
wrapt-1.12.1 | py38h7b6447c_1 50 KB
wurlitzer-2.1.1 | py38h06a4308_0 13 KB
xlrd-2.0.1 | pyhd3eb1b0_0 90 KB
xlsxwriter-3.0.1 | pyhd3eb1b0_0 111 KB
yapf-0.31.0 | pyhd3eb1b0_0 126 KB
zeromq-4.3.4 | h2531618_0 331 KB
zict-2.0.0 | pyhd3eb1b0_0 10 KB
zipp-3.5.0 | pyhd3eb1b0_0 13 KB
zope.interface-5.4.0 | py38h7f8727e_0 301 KB
zstd-1.4.9 | haebb681_0 480 KB
------------------------------------------------------------
Total: 352.0 MB
The following NEW packages will be INSTALLED:
_anaconda_depends pkgs/main/linux-64::_anaconda_depends-2020.07-py38_0
_openmp_mutex pkgs/main/linux-64::_openmp_mutex-4.5-1_gnu
anyio pkgs/main/linux-64::anyio-2.2.0-py38h06a4308_1
appdirs pkgs/main/noarch::appdirs-1.4.4-py_0
black pkgs/main/noarch::black-19.10b0-py_0
brotli pkgs/main/linux-64::brotli-1.0.9-he6710b0_2
c-ares pkgs/main/linux-64::c-ares-1.17.1-h27cfd23_0
charset-normalizer pkgs/main/noarch::charset-normalizer-2.0.4-pyhd3eb1b0_0
conda-pack pkgs/main/noarch::conda-pack-0.6.0-pyhd3eb1b0_0
debugpy pkgs/main/linux-64::debugpy-1.4.1-py38h295c915_0
fonttools pkgs/main/noarch::fonttools-4.25.0-pyhd3eb1b0_0
jupyter_server pkgs/main/linux-64::jupyter_server-1.4.1-py38h06a4308_0
jupyterlab_widgets pkgs/main/noarch::jupyterlab_widgets-1.0.0-pyhd3eb1b0_1
libev pkgs/main/linux-64::libev-4.33-h7b6447c_0
libgfortran4 pkgs/main/linux-64::libgfortran4-7.5.0-ha8ba4b0_17
libgomp pkgs/main/linux-64::libgomp-9.3.0-h5101ec6_17
libllvm9 pkgs/main/linux-64::libllvm9-9.0.1-h4a3c616_1
libnghttp2 pkgs/main/linux-64::libnghttp2-1.41.0-hf8bcb03_2
libuv pkgs/main/linux-64::libuv-1.40.0-h7b6447c_0
libwebp-base pkgs/main/linux-64::libwebp-base-1.2.0-h27cfd23_0
matplotlib-inline pkgs/main/noarch::matplotlib-inline-0.1.2-pyhd3eb1b0_2
munkres pkgs/main/noarch::munkres-1.1.4-py_0
mypy_extensions pkgs/main/linux-64::mypy_extensions-0.4.3-py38_0
nbclassic pkgs/main/noarch::nbclassic-0.2.6-pyhd3eb1b0_0
openjpeg pkgs/main/linux-64::openjpeg-2.4.0-h3ad879b_0
pathspec pkgs/main/noarch::pathspec-0.7.0-py_0
pyerfa pkgs/main/linux-64::pyerfa-2.0.0-py38h27cfd23_0
pyls-black pkgs/main/noarch::pyls-black-0.4.6-hd3eb1b0_0
pyls-spyder pkgs/main/noarch::pyls-spyder-0.3.2-pyhd3eb1b0_0
snappy pkgs/main/linux-64::snappy-1.1.8-he6710b0_0
sniffio pkgs/main/linux-64::sniffio-1.2.0-py38h06a4308_1
textdistance pkgs/main/noarch::textdistance-4.2.1-pyhd3eb1b0_0
three-merge pkgs/main/noarch::three-merge-0.1.1-pyhd3eb1b0_0
typed-ast pkgs/main/linux-64::typed-ast-1.4.3-py38h7f8727e_1
The following packages will be UPDATED:
anaconda-client 1.7.2-py38_0 --> 1.8.0-py38h06a4308_0
anaconda-project 0.8.4-py_0 --> 0.10.1-pyhd3eb1b0_0
astroid 2.4.2-py38_0 --> 2.6.6-py38h06a4308_0
astropy 4.0.2-py38h7b6447c_0 --> 4.3.1-py38h09021b7_0
attrs 20.3.0-pyhd3eb1b0_0 --> 21.2.0-pyhd3eb1b0_0
babel 2.8.1-pyhd3eb1b0_0 --> 2.9.1-pyhd3eb1b0_0
backports.shutil_~ pkgs/main/linux-64::backports.shutil_~ --> pkgs/main/noarch::backports.shutil_get_terminal_size-1.0.0-pyhd3eb1b0_3
bitarray 1.6.1-py38h27cfd23_0 --> 2.3.0-py38h7f8727e_1
bleach 3.2.1-py_0 --> 4.0.0-pyhd3eb1b0_0
blosc 1.20.1-hd408876_0 --> 1.21.0-h8c45485_0
bokeh 2.2.3-py38_0 --> 2.3.3-py38h06a4308_0
brotlipy 0.7.0-py38h7b6447c_1000 --> 0.7.0-py38h27cfd23_1003
ca-certificates 2020.10.14-0 --> 2021.7.5-h06a4308_1
cairo 1.14.12-h8948797_3 --> 1.16.0-hf32fb01_1
certifi pkgs/main/noarch::certifi-2020.6.20-p~ --> pkgs/main/linux-64::certifi-2021.5.30-py38h06a4308_0
cffi 1.14.3-py38he30daa8_0 --> 1.14.6-py38h400218f_0
chardet 3.0.4-py38_1003 --> 4.0.0-py38h06a4308_1003
click 7.1.2-py_0 --> 8.0.1-pyhd3eb1b0_0
cryptography 3.1.1-py38h1ba5d50_0 --> 3.4.7-py38hd23ed53_0
curl 7.71.1-hbc83047_1 --> 7.78.0-h1ccaba5_0
cython 0.29.21-py38he6710b0_0 --> 0.29.24-py38h295c915_0
dask 2.30.0-py_0 --> 2021.8.1-pyhd3eb1b0_0
dask-core 2.30.0-py_0 --> 2021.8.1-pyhd3eb1b0_0
decorator 4.4.2-py_0 --> 5.0.9-pyhd3eb1b0_0
defusedxml 0.6.0-py_0 --> 0.7.1-pyhd3eb1b0_0
distributed 2.30.1-py38h06a4308_0 --> 2021.8.1-py38h06a4308_0
docutils 0.16-py38_1 --> 0.17.1-py38h06a4308_1
et_xmlfile pkgs/main/noarch::et_xmlfile-1.0.1-py~ --> pkgs/main/linux-64::et_xmlfile-1.1.0-py38h06a4308_0
expat 2.2.10-he6710b0_2 --> 2.4.1-h2531618_2
filelock 3.0.12-py_0 --> 3.0.12-pyhd3eb1b0_1
fontconfig 2.13.0-h9420a91_0 --> 2.13.1-h6c09931_0
fsspec 0.8.3-py_0 --> 2021.7.0-pyhd3eb1b0_0
gevent 20.9.0-py38h7b6447c_0 --> 21.8.0-py38h7f8727e_1
glib 2.66.1-h92f7085_0 --> 2.69.1-h5202010_0
gmp 6.1.2-h6c8ec71_1 --> 6.2.1-h2531618_2
greenlet 0.4.17-py38h7b6447c_0 --> 1.1.1-py38h295c915_0
gst-plugins-base 1.14.0-hbbd80ab_1 --> 1.14.0-h8213a91_2
gstreamer 1.14.0-hb31296c_0 --> 1.14.0-h28cd5cc_2
harfbuzz 2.4.0-hca77d97_1 --> 2.8.1-h6f93f22_0
idna 2.10-py_0 --> 3.2-pyhd3eb1b0_0
importlib-metadata pkgs/main/noarch::importlib-metadata-~ --> pkgs/main/linux-64::importlib-metadata-3.10.0-py38h06a4308_0
importlib_metadata 2.0.0-1 --> 3.10.0-hd3eb1b0_0
intel-openmp 2020.2-254 --> 2021.3.0-h06a4308_3350
ipykernel 5.3.4-py38h5ca1d4c_0 --> 6.2.0-py38h06a4308_1
ipython 7.19.0-py38hb070fc8_0 --> 7.26.0-py38hb070fc8_0
ipython_genutils pkgs/main/linux-64::ipython_genutils-~ --> pkgs/main/noarch::ipython_genutils-0.2.0-pyhd3eb1b0_1
ipywidgets 7.5.1-py_1 --> 7.6.3-pyhd3eb1b0_1
isort 5.6.4-py_0 --> 5.9.3-pyhd3eb1b0_0
itsdangerous 1.1.0-py_0 --> 2.0.1-pyhd3eb1b0_0
jedi 0.17.1-py38_0 --> 0.17.2-py38h06a4308_1
jeepney 0.5.0-pyhd3eb1b0_0 --> 0.7.1-pyhd3eb1b0_0
jinja2 2.11.2-py_0 --> 3.0.1-pyhd3eb1b0_0
joblib 0.17.0-py_0 --> 1.0.1-pyhd3eb1b0_0
json5 0.9.5-py_0 --> 0.9.6-pyhd3eb1b0_0
jupyter_client 6.1.7-py_0 --> 6.1.12-pyhd3eb1b0_0
jupyter_console 6.2.0-py_0 --> 6.4.0-pyhd3eb1b0_0
jupyter_core 4.6.3-py38_0 --> 4.7.1-py38h06a4308_0
jupyterlab 2.2.6-py_0 --> 3.1.7-pyhd3eb1b0_0
jupyterlab_server 1.2.0-py_0 --> 2.7.1-pyhd3eb1b0_0
keyring 21.4.0-py38_1 --> 23.0.1-py38h06a4308_0
kiwisolver 1.3.0-py38h2531618_0 --> 1.3.1-py38h2531618_0
krb5 1.18.2-h173b8e3_0 --> 1.19.2-hac12032_0
lazy-object-proxy 1.4.3-py38h7b6447c_0 --> 1.6.0-py38h27cfd23_0
lcms2 2.11-h396b838_0 --> 2.12-h3be6417_0
ld_impl_linux-64 2.33.1-h53a641e_7 --> 2.35.1-h7274673_9
libcurl 7.71.1-h20c2e04_1 --> 7.78.0-h0b77cf5_0
libedit 3.1.20191231-h14c3975_1 --> 3.1.20210714-h7f8727e_0
libgcc-ng 9.1.0-hdf63c60_0 --> 9.3.0-h5101ec6_17
libgfortran-ng 7.3.0-hdf63c60_0 --> 7.5.0-ha8ba4b0_17
libstdcxx-ng 9.1.0-hdf63c60_0 --> 9.3.0-hd4cf53a_17
libtiff 4.1.0-h2733197_1 --> 4.2.0-h85742a9_0
libxml2 2.9.10-hb55368b_3 --> 2.9.12-h03d6c58_0
llvmlite 0.34.0-py38h269e1b5_4 --> 0.36.0-py38h612dafd_4
locket 0.2.0-py38_1 --> 0.2.1-py38h06a4308_1
lxml 4.6.1-py38hefd8a0e_0 --> 4.6.3-py38h9120a33_0
lz4-c 1.9.2-heb0550a_3 --> 1.9.3-h295c915_1
markupsafe 1.1.1-py38h7b6447c_0 --> 2.0.1-py38h27cfd23_0
matplotlib 3.3.2-0 --> 3.4.2-py38h06a4308_0
matplotlib-base 3.3.2-py38h817c723_0 --> 3.4.2-py38hab158f2_0
mkl 2020.2-256 --> 2021.3.0-h06a4308_520
mkl-service 2.3.0-py38he904b0f_0 --> 2.4.0-py38h7f8727e_0
mkl_fft 1.2.0-py38h23d657b_0 --> 1.3.0-py38h42c9631_2
mkl_random 1.1.1-py38h0573a6f_0 --> 1.2.2-py38h51133e4_0
mock 4.0.2-py_0 --> 4.0.3-pyhd3eb1b0_0
more-itertools 8.6.0-pyhd3eb1b0_0 --> 8.8.0-pyhd3eb1b0_0
mpmath 1.1.0-py38_0 --> 1.2.1-py38h06a4308_0
msgpack-python 1.0.0-py38hfd86e86_1 --> 1.0.2-py38hff7bd54_1
nbclient 0.5.1-py_0 --> 0.5.3-pyhd3eb1b0_0
nbconvert 6.0.7-py38_0 --> 6.1.0-py38h06a4308_0
nbformat 5.0.8-py_0 --> 5.1.3-pyhd3eb1b0_0
nest-asyncio 1.4.2-pyhd3eb1b0_0 --> 1.5.1-pyhd3eb1b0_0
networkx 2.5-py_0 --> 2.6.2-pyhd3eb1b0_0
nltk 3.5-py_0 --> 3.6.2-pyhd3eb1b0_0
nose pkgs/main/linux-64::nose-1.3.7-py38_2 --> pkgs/main/noarch::nose-1.3.7-pyhd3eb1b0_1006
notebook 6.1.4-py38_0 --> 6.4.3-py38h06a4308_0
numba 0.51.2-py38h0573a6f_1 --> 0.53.1-py38ha9443f7_0
numexpr 2.7.1-py38h423224d_0 --> 2.7.3-py38h22e1b3c_1
numpy 1.19.2-py38h54aff64_0 --> 1.20.3-py38hf144106_0
numpy-base 1.19.2-py38hfa32c7d_0 --> 1.20.3-py38h74d4b33_0
openpyxl 3.0.5-py_0 --> 3.0.7-pyhd3eb1b0_0
openssl 1.1.1h-h7b6447c_0 --> 1.1.1l-h7f8727e_0
packaging 20.4-py_0 --> 21.0-pyhd3eb1b0_0
pandas 1.1.3-py38he6710b0_0 --> 1.3.2-py38h8c16a72_0
pandoc 2.11-hb0f4dca_0 --> 2.12-h06a4308_0
partd 1.1.0-py_0 --> 1.2.0-pyhd3eb1b0_0
patchelf 0.12-he6710b0_0 --> 0.12-h2531618_1
path 15.0.0-py38_0 --> 16.0.0-py38h06a4308_0
pathlib2 2.3.5-py38_0 --> 2.3.6-py38h06a4308_2
pcre 8.44-he6710b0_0 --> 8.45-h295c915_0
pexpect pkgs/main/linux-64::pexpect-4.8.0-py3~ --> pkgs/main/noarch::pexpect-4.8.0-pyhd3eb1b0_3
pickleshare pkgs/main/linux-64::pickleshare-0.7.5~ --> pkgs/main/noarch::pickleshare-0.7.5-pyhd3eb1b0_1003
pillow 8.0.1-py38he98fc37_0 --> 8.3.1-py38h2c7a002_0
pip 20.2.4-py38h06a4308_0 --> 21.0.1-py38h06a4308_0
pkginfo 1.6.1-py38h06a4308_0 --> 1.7.1-py38h06a4308_0
prometheus_client 0.8.0-py_0 --> 0.11.0-pyhd3eb1b0_0
prompt-toolkit 3.0.8-py_0 --> 3.0.17-pyh06a4308_0
prompt_toolkit 3.0.8-0 --> 3.0.17-hd3eb1b0_0
psutil 5.7.2-py38h7b6447c_0 --> 5.8.0-py38h27cfd23_1
ptyprocess pkgs/main/linux-64::ptyprocess-0.6.0-~ --> pkgs/main/noarch::ptyprocess-0.7.0-pyhd3eb1b0_2
py 1.9.0-py_0 --> 1.10.0-pyhd3eb1b0_0
pydocstyle 5.1.1-py_0 --> 6.1.1-pyhd3eb1b0_0
pygments 2.7.2-pyhd3eb1b0_0 --> 2.10.0-pyhd3eb1b0_0
pylint 2.6.0-py38_0 --> 2.9.6-py38h06a4308_1
pyodbc 4.0.30-py38he6710b0_0 --> 4.0.31-py38h295c915_0
pyopenssl 19.1.0-py_1 --> 20.0.1-pyhd3eb1b0_1
pytest 6.1.1-py38_0 --> 6.2.4-py38h06a4308_2
python-dateutil 2.8.1-py_0 --> 2.8.2-pyhd3eb1b0_0
python-language-s~ 0.35.1-py_0 --> 0.36.2-pyhd3eb1b0_0
python-libarchive~ 2.9-py_0 --> 2.9-pyhd3eb1b0_1
pytz 2020.1-py_0 --> 2021.1-pyhd3eb1b0_0
pyyaml 5.3.1-py38h7b6447c_1 --> 5.4.1-py38h27cfd23_1
pyzmq 19.0.2-py38he6710b0_1 --> 22.2.1-py38h295c915_1
qtawesome 1.0.1-py_0 --> 1.0.2-pyhd3eb1b0_0
qtconsole 4.7.7-py_0 --> 5.1.0-pyhd3eb1b0_0
qtpy 1.9.0-py_0 --> 1.10.0-pyhd3eb1b0_0
readline 8.0-h7b6447c_0 --> 8.1-h27cfd23_0
regex 2020.10.15-py38h7b6447c_0 --> 2021.8.3-py38h7f8727e_0
requests 2.24.0-py_0 --> 2.26.0-pyhd3eb1b0_0
rope 0.18.0-py_0 --> 0.19.0-pyhd3eb1b0_0
rtree 0.9.4-py38_1 --> 0.9.7-py38h06a4308_1
ruamel_yaml 0.15.87-py38h7b6447c_1 --> 0.15.100-py38h27cfd23_0
scikit-image 0.17.2-py38hdf5156a_0 --> 0.18.1-py38ha9443f7_0
scikit-learn 0.23.2-py38h0573a6f_0 --> 0.24.2-py38ha9443f7_0
scipy 1.5.2-py38h0b6359f_0 --> 1.6.2-py38had2a1c9_1
seaborn 0.11.0-py_0 --> 0.11.2-pyhd3eb1b0_0
secretstorage 3.1.2-py38_0 --> 3.3.1-py38h06a4308_0
send2trash pkgs/main/linux-64::send2trash-1.5.0-~ --> pkgs/main/noarch::send2trash-1.5.0-pyhd3eb1b0_1
setuptools 50.3.1-py38h06a4308_1 --> 52.0.0-py38h06a4308_0
singledispatch 3.4.0.3-py_1001 --> 3.7.0-pyhd3eb1b0_1001
six pkgs/main/linux-64::six-1.15.0-py38h0~ --> pkgs/main/noarch::six-1.16.0-pyhd3eb1b0_0
snowballstemmer 2.0.0-py_0 --> 2.1.0-pyhd3eb1b0_0
sortedcollections 1.2.1-py_0 --> 2.1.0-pyhd3eb1b0_0
sortedcontainers 2.2.2-py_0 --> 2.4.0-pyhd3eb1b0_0
soupsieve 2.0.1-py_0 --> 2.2.1-pyhd3eb1b0_0
sphinx 3.2.1-py_0 --> 4.0.2-pyhd3eb1b0_0
sphinxcontrib-htm~ 1.0.3-py_0 --> 2.0.0-pyhd3eb1b0_0
sphinxcontrib-ser~ 1.1.4-py_0 --> 1.1.5-pyhd3eb1b0_0
spyder 4.1.5-py38_0 --> 4.2.5-py38h06a4308_0
spyder-kernels 1.9.4-py38_0 --> 1.10.2-py38h06a4308_0
sqlalchemy 1.3.20-py38h7b6447c_0 --> 1.4.22-py38h7f8727e_0
sqlite 3.33.0-h62c20be_0 --> 3.36.0-hc218d9a_0
statsmodels 0.12.0-py38h7b6447c_0 --> 0.12.2-py38h27cfd23_0
sympy 1.6.2-py38h06a4308_1 --> 1.8-py38h06a4308_0
terminado 0.9.1-py38_0 --> 0.9.4-py38h06a4308_0
testpath 0.4.4-py_0 --> 0.5.0-pyhd3eb1b0_0
threadpoolctl 2.1.0-pyh5ca1d4c_0 --> 2.2.0-pyhbf3da8f_0
toml 0.10.1-py_0 --> 0.10.2-pyhd3eb1b0_0
tornado 6.0.4-py38h7b6447c_1 --> 6.1-py38h27cfd23_0
tqdm 4.50.2-py_0 --> 4.62.1-pyhd3eb1b0_1
typing_extensions 3.7.4.3-py_0 --> 3.10.0.0-pyh06a4308_0
ujson 4.0.1-py38he6710b0_0 --> 4.0.2-py38h2531618_0
urllib3 1.25.11-py_0 --> 1.26.6-pyhd3eb1b0_1
watchdog 0.10.3-py38_0 --> 1.0.2-py38h06a4308_1
wheel 0.35.1-py_0 --> 0.37.0-pyhd3eb1b0_0
wrapt 1.11.2-py38h7b6447c_0 --> 1.12.1-py38h7b6447c_1
wurlitzer 2.0.1-py38_0 --> 2.1.1-py38h06a4308_0
xlrd 1.2.0-py_0 --> 2.0.1-pyhd3eb1b0_0
xlsxwriter 1.3.7-py_0 --> 3.0.1-pyhd3eb1b0_0
yapf 0.30.0-py_0 --> 0.31.0-pyhd3eb1b0_0
zeromq 4.3.3-he6710b0_3 --> 4.3.4-h2531618_0
zipp 3.4.0-pyhd3eb1b0_0 --> 3.5.0-pyhd3eb1b0_0
zope.interface 5.1.2-py38h7b6447c_0 --> 5.4.0-py38h7f8727e_0
zstd 1.4.5-h9ceee32_0 --> 1.4.9-haebb681_0
The following packages will be DOWNGRADED:
alabaster 0.7.12-py_0 --> 0.7.12-pyhd3eb1b0_0
anaconda 2020.11-py38_0 --> custom-py38_1
argon2-cffi 20.1.0-py38h7b6447c_1 --> 20.1.0-py38h27cfd23_1
async_generator 1.10-py_0 --> 1.10-pyhd3eb1b0_0
backcall 0.2.0-py_0 --> 0.2.0-pyhd3eb1b0_0
backports 1.0-py_2 --> 1.0-pyhd3eb1b0_2
beautifulsoup4 4.9.3-pyhb0f4dca_0 --> 4.9.3-pyha847dfd_0
colorama 0.4.4-py_0 --> 0.4.4-pyhd3eb1b0_0
flask 1.1.2-py_0 --> 1.1.2-pyhd3eb1b0_0
glob2 0.7-py_0 --> 0.7-pyhd3eb1b0_0
imageio 2.9.0-py_0 --> 2.9.0-pyhd3eb1b0_0
imagesize 1.2.0-py_0 --> 1.2.0-pyhd3eb1b0_0
iniconfig 1.1.1-py_0 --> 1.1.1-pyhd3eb1b0_0
libspatialindex 1.9.3-he6710b0_0 --> 1.9.3-h2531618_0
pluggy 0.13.1-py38_0 --> 0.13.1-py38h06a4308_0
pycodestyle 2.6.0-py_0 --> 2.6.0-pyhd3eb1b0_0
pyflakes 2.2.0-py_0 --> 2.2.0-pyhd3eb1b0_0
pyparsing 2.4.7-py_0 --> 2.4.7-pyhd3eb1b0_0
pysocks 1.7.1-py38_0 --> 1.7.1-py38h06a4308_0
sphinxcontrib-app~ 1.0.2-py_0 --> 1.0.2-pyhd3eb1b0_0
sphinxcontrib-dev~ 1.0.2-py_0 --> 1.0.2-pyhd3eb1b0_0
sphinxcontrib-jsm~ 1.0.1-py_0 --> 1.0.1-pyhd3eb1b0_0
sphinxcontrib-qth~ 1.0.3-py_0 --> 1.0.3-pyhd3eb1b0_0
toolz 0.11.1-py_0 --> 0.11.1-pyhd3eb1b0_0
traitlets 5.0.5-py_0 --> 5.0.5-pyhd3eb1b0_0
werkzeug 1.0.1-py_0 --> 1.0.1-pyhd3eb1b0_0
zict 2.0.0-py_0 --> 2.0.0-pyhd3eb1b0_0
Proceed ([y]/n)? y
Downloading and Extracting Packages
anyio-2.2.0 | 125 KB | ##################################### | 100%
rtree-0.9.7 | 48 KB | ##################################### | 100%
libev-4.33 | 112 KB | ##################################### | 100%
libgomp-9.3.0 | 311 KB | ##################################### | 100%
iniconfig-1.1.1 | 8 KB | ##################################### | 100%
typing_extensions-3. | 27 KB | ##################################### | 100%
pathspec-0.7.0 | 26 KB | ##################################### | 100%
sphinxcontrib-devhel | 23 KB | ##################################### | 100%
soupsieve-2.2.1 | 32 KB | ##################################### | 100%
setuptools-52.0.0 | 714 KB | ##################################### | 100%
readline-8.1 | 362 KB | ##################################### | 100%
astropy-4.3.1 | 6.4 MB | ##################################### | 100%
jedi-0.17.2 | 924 KB | ##################################### | 100%
argon2-cffi-20.1.0 | 46 KB | ##################################### | 100%
brotli-1.0.9 | 375 KB | ##################################### | 100%
openpyxl-3.0.7 | 159 KB | ##################################### | 100%
python-language-serv | 41 KB | ##################################### | 100%
zstd-1.4.9 | 480 KB | ##################################### | 100%
pathlib2-2.3.6 | 36 KB | ##################################### | 100%
numba-0.53.1 | 3.3 MB | ##################################### | 100%
secretstorage-3.3.1 | 24 KB | ##################################### | 100%
sphinxcontrib-htmlhe | 32 KB | ##################################### | 100%
libgfortran-ng-7.5.0 | 22 KB | ##################################### | 100%
wurlitzer-2.1.1 | 13 KB | ##################################### | 100%
_openmp_mutex-4.5 | 22 KB | ##################################### | 100%
docutils-0.17.1 | 686 KB | ##################################### | 100%
pytz-2021.1 | 181 KB | ##################################### | 100%
pcre-8.45 | 207 KB | ##################################### | 100%
tornado-6.1 | 588 KB | ##################################### | 100%
networkx-2.6.2 | 1.3 MB | ##################################### | 100%
isort-5.9.3 | 83 KB | ##################################### | 100%
regex-2021.8.3 | 319 KB | ##################################### | 100%
six-1.16.0 | 18 KB | ##################################### | 100%
pyopenssl-20.0.1 | 49 KB | ##################################### | 100%
idna-3.2 | 48 KB | ##################################### | 100%
libspatialindex-1.9. | 2.1 MB | ##################################### | 100%
ujson-4.0.2 | 45 KB | ##################################### | 100%
pluggy-0.13.1 | 33 KB | ##################################### | 100%
yapf-0.31.0 | 126 KB | ##################################### | 100%
prompt-toolkit-3.0.1 | 256 KB | ##################################### | 100%
scikit-learn-0.24.2 | 5.4 MB | ##################################### | 100%
python-libarchive-c- | 47 KB | ##################################### | 100%
appdirs-1.4.4 | 13 KB | ##################################### | 100%
werkzeug-1.0.1 | 239 KB | ##################################### | 100%
gevent-21.8.0 | 1.5 MB | ##################################### | 100%
nbclassic-0.2.6 | 19 KB | ##################################### | 100%
terminado-0.9.4 | 25 KB | ##################################### | 100%
lxml-4.6.3 | 1.3 MB | ##################################### | 100%
pyls-spyder-0.3.2 | 10 KB | ##################################### | 100%
urllib3-1.26.6 | 112 KB | ##################################### | 100%
sphinxcontrib-qthelp | 26 KB | ##################################### | 100%
cffi-1.14.6 | 224 KB | ##################################### | 100%
keyring-23.0.1 | 54 KB | ##################################### | 100%
libedit-3.1.20210714 | 165 KB | ##################################### | 100%
colorama-0.4.4 | 21 KB | ##################################### | 100%
cryptography-3.4.7 | 913 KB | ##################################### | 100%
msgpack-python-1.0.2 | 83 KB | ##################################### | 100%
jupyterlab_widgets-1 | 109 KB | ##################################### | 100%
anaconda-project-0.1 | 218 KB | ##################################### | 100%
pyparsing-2.4.7 | 59 KB | ##################################### | 100%
watchdog-1.0.2 | 89 KB | ##################################### | 100%
importlib_metadata-3 | 11 KB | ##################################### | 100%
prompt_toolkit-3.0.1 | 12 KB | ##################################### | 100%
qtconsole-5.1.0 | 98 KB | ##################################### | 100%
ipykernel-6.2.0 | 192 KB | ##################################### | 100%
fontconfig-2.13.1 | 250 KB | ##################################### | 100%
path-16.0.0 | 37 KB | ##################################### | 100%
pydocstyle-6.1.1 | 36 KB | ##################################### | 100%
libllvm9-9.0.1 | 21.0 MB | ##################################### | 100%
mkl_fft-1.3.0 | 180 KB | ##################################### | 100%
expat-2.4.1 | 168 KB | ##################################### | 100%
bokeh-2.3.3 | 5.9 MB | ##################################### | 100%
mkl-service-2.4.0 | 59 KB | ##################################### | 100%
babel-2.9.1 | 5.5 MB | ##################################### | 100%
psutil-5.8.0 | 327 KB | ##################################### | 100%
markupsafe-2.0.1 | 22 KB | ##################################### | 100%
tqdm-4.62.1 | 84 KB | ##################################### | 100%
pexpect-4.8.0 | 53 KB | ##################################### | 100%
jupyter_server-1.4.1 | 317 KB | ##################################### | 100%
pkginfo-1.7.1 | 43 KB | ##################################### | 100%
krb5-1.19.2 | 1.2 MB | ##################################### | 100%
more-itertools-8.8.0 | 42 KB | ##################################### | 100%
spyder-kernels-1.10. | 102 KB | ##################################### | 100%
chardet-4.0.0 | 194 KB | ##################################### | 100%
curl-7.78.0 | 94 KB | ##################################### | 100%
kiwisolver-1.3.1 | 80 KB | ##################################### | 100%
pyerfa-2.0.0 | 345 KB | ##################################### | 100%
cairo-1.16.0 | 1.0 MB | ##################################### | 100%
greenlet-1.1.1 | 82 KB | ##################################### | 100%
patchelf-0.12 | 88 KB | ##################################### | 100%
munkres-1.1.4 | 13 KB | ##################################### | 100%
nltk-3.6.2 | 988 KB | ##################################### | 100%
glob2-0.7 | 12 KB | ##################################### | 100%
anaconda-custom | 35 KB | ##################################### | 100%
numexpr-2.7.3 | 188 KB | ##################################### | 100%
numpy-1.20.3 | 23 KB | ##################################### | 100%
libtiff-4.2.0 | 502 KB | ##################################### | 100%
imagesize-1.2.0 | 9 KB | ##################################### | 100%
_anaconda_depends-20 | 6 KB | ##################################### | 100%
typed-ast-1.4.3 | 185 KB | ##################################### | 100%
libnghttp2-1.41.0 | 667 KB | ##################################### | 100%
ruamel_yaml-0.15.100 | 258 KB | ##################################### | 100%
decorator-5.0.9 | 12 KB | ##################################### | 100%
backcall-0.2.0 | 13 KB | ##################################### | 100%
sniffio-1.2.0 | 15 KB | ##################################### | 100%
qtawesome-1.0.2 | 760 KB | ##################################### | 100%
sphinx-4.0.2 | 1.2 MB | ##################################### | 100%
libuv-1.40.0 | 736 KB | ##################################### | 100%
openssl-1.1.1l | 2.5 MB | ##################################### | 100%
ipython_genutils-0.2 | 27 KB | ##################################### | 100%
lcms2-2.12 | 312 KB | ##################################### | 100%
pyls-black-0.4.6 | 9 KB | ##################################### | 100%
bleach-4.0.0 | 113 KB | ##################################### | 100%
pandas-1.3.2 | 9.6 MB | ##################################### | 100%
jupyterlab_server-2. | 44 KB | ##################################### | 100%
imageio-2.9.0 | 3.0 MB | ##################################### | 100%
pyodbc-4.0.31 | 71 KB | ##################################### | 100%
charset-normalizer-2 | 35 KB | ##################################### | 100%
gmp-6.2.1 | 539 KB | ##################################### | 100%
requests-2.26.0 | 59 KB | ##################################### | 100%
wheel-0.37.0 | 32 KB | ##################################### | 100%
async_generator-1.10 | 23 KB | ##################################### | 100%
wrapt-1.12.1 | 50 KB | ##################################### | 100%
bitarray-2.3.0 | 139 KB | ##################################### | 100%
anaconda-client-1.8. | 152 KB | ##################################### | 100%
jupyterlab-3.1.7 | 3.6 MB | ##################################### | 100%
c-ares-1.17.1 | 108 KB | ##################################### | 100%
gst-plugins-base-1.1 | 4.9 MB | ##################################### | 100%
lazy-object-proxy-1. | 30 KB | ##################################### | 100%
packaging-21.0 | 36 KB | ##################################### | 100%
gstreamer-1.14.0 | 3.2 MB | ##################################### | 100%
scikit-image-0.18.1 | 9.5 MB | ##################################### | 100%
mypy_extensions-0.4. | 9 KB | ##################################### | 100%
itsdangerous-2.0.1 | 18 KB | ##################################### | 100%
xlsxwriter-3.0.1 | 111 KB | ##################################### | 100%
llvmlite-0.36.0 | 396 KB | ##################################### | 100%
astroid-2.6.6 | 309 KB | ##################################### | 100%
three-merge-0.1.1 | 10 KB | ##################################### | 100%
notebook-6.4.3 | 4.2 MB | ##################################### | 100%
mock-4.0.3 | 29 KB | ##################################### | 100%
fsspec-2021.7.0 | 91 KB | ##################################### | 100%
ipywidgets-7.6.3 | 105 KB | ##################################### | 100%
pip-21.0.1 | 1.8 MB | ##################################### | 100%
blosc-1.21.0 | 64 KB | ##################################### | 100%
qtpy-1.10.0 | 35 KB | ##################################### | 100%
beautifulsoup4-4.9.3 | 86 KB | ##################################### | 100%
openjpeg-2.4.0 | 331 KB | ##################################### | 100%
nbconvert-6.1.0 | 481 KB | ##################################### | 100%
json5-0.9.6 | 21 KB | ##################################### | 100%
jupyter_console-6.4. | 23 KB | ##################################### | 100%
scipy-1.6.2 | 15.6 MB | ##################################### | 100%
libwebp-base-1.2.0 | 437 KB | ##################################### | 100%
sphinxcontrib-jsmath | 8 KB | ##################################### | 100%
libgcc-ng-9.3.0 | 4.8 MB | ##################################### | 100%
defusedxml-0.7.1 | 23 KB | ##################################### | 100%
backports.shutil_get | 10 KB | ##################################### | 100%
dask-2021.8.1 | 18 KB | ##################################### | 100%
zipp-3.5.0 | 13 KB | ##################################### | 100%
ca-certificates-2021 | 113 KB | ##################################### | 100%
libstdcxx-ng-9.3.0 | 3.1 MB | ##################################### | 100%
toml-0.10.2 | 20 KB | ##################################### | 100%
harfbuzz-2.8.1 | 1.1 MB | ##################################### | 100%
backports-1.0 | 210 KB | ##################################### | 100%
sortedcontainers-2.4 | 26 KB | ##################################### | 100%
testpath-0.5.0 | 81 KB | ##################################### | 100%
pyflakes-2.2.0 | 56 KB | ##################################### | 100%
pyzmq-22.2.1 | 465 KB | ##################################### | 100%
singledispatch-3.7.0 | 12 KB | ##################################### | 100%
matplotlib-base-3.4. | 5.6 MB | ##################################### | 100%
pandoc-2.12 | 9.5 MB | ##################################### | 100%
xlrd-2.0.1 | 90 KB | ##################################### | 100%
nose-1.3.7 | 128 KB | ##################################### | 100%
statsmodels-0.12.2 | 8.5 MB | ##################################### | 100%
flask-1.1.2 | 70 KB | ##################################### | 100%
importlib-metadata-3 | 33 KB | ##################################### | 100%
alabaster-0.7.12 | 16 KB | ##################################### | 100%
sqlite-3.36.0 | 990 KB | ##################################### | 100%
rope-0.19.0 | 126 KB | ##################################### | 100%
send2trash-1.5.0 | 14 KB | ##################################### | 100%
cython-0.29.24 | 2.0 MB | ##################################### | 100%
nbformat-5.1.3 | 44 KB | ##################################### | 100%
libcurl-7.78.0 | 338 KB | ##################################### | 100%
threadpoolctl-2.2.0 | 16 KB | ##################################### | 100%
pytest-6.2.4 | 423 KB | ##################################### | 100%
pysocks-1.7.1 | 31 KB | ##################################### | 100%
distributed-2021.8.1 | 970 KB | ##################################### | 100%
pyyaml-5.4.1 | 174 KB | ##################################### | 100%
libgfortran4-7.5.0 | 995 KB | ##################################### | 100%
mkl_random-1.2.2 | 308 KB | ##################################### | 100%
seaborn-0.11.2 | 218 KB | ##################################### | 100%
prometheus_client-0. | 47 KB | ##################################### | 100%
debugpy-1.4.1 | 1.7 MB | ##################################### | 100%
pylint-2.9.6 | 488 KB | ##################################### | 100%
black-19.10b0 | 86 KB | ##################################### | 100%
glib-2.69.1 | 1.7 MB | ##################################### | 100%
fonttools-4.25.0 | 632 KB | ##################################### | 100%
partd-1.2.0 | 19 KB | ##################################### | 100%
jupyter_client-6.1.1 | 88 KB | ##################################### | 100%
matplotlib-3.4.2 | 26 KB | ##################################### | 100%
sortedcollections-2. | 12 KB | ##################################### | 100%
sphinxcontrib-serial | 25 KB | ##################################### | 100%
et_xmlfile-1.1.0 | 10 KB | ##################################### | 100%
dask-core-2021.8.1 | 715 KB | ##################################### | 100%
zeromq-4.3.4 | 331 KB | ##################################### | 100%
snappy-1.1.8 | 40 KB | ##################################### | 100%
sqlalchemy-1.4.22 | 1.8 MB | ##################################### | 100%
pygments-2.10.0 | 725 KB | ##################################### | 100%
nest-asyncio-1.5.1 | 10 KB | ##################################### | 100%
joblib-1.0.1 | 208 KB | ##################################### | 100%
traitlets-5.0.5 | 81 KB | ##################################### | 100%
mpmath-1.2.1 | 766 KB | ##################################### | 100%
lz4-c-1.9.3 | 185 KB | ##################################### | 100%
pillow-8.3.1 | 638 KB | ##################################### | 100%
ipython-7.26.0 | 994 KB | ##################################### | 100%
python-dateutil-2.8. | 233 KB | ##################################### | 100%
spyder-4.2.5 | 5.4 MB | ##################################### | 100%
pickleshare-0.7.5 | 13 KB | ##################################### | 100%
locket-0.2.1 | 10 KB | ##################################### | 100%
ld_impl_linux-64-2.3 | 586 KB | ##################################### | 100%
zope.interface-5.4.0 | 301 KB | ##################################### | 100%
textdistance-4.2.1 | 29 KB | ##################################### | 100%
numpy-base-1.20.3 | 4.5 MB | ##################################### | 100%
click-8.0.1 | 79 KB | ##################################### | 100%
sphinxcontrib-appleh | 29 KB | ##################################### | 100%
snowballstemmer-2.1. | 62 KB | ##################################### | 100%
zict-2.0.0 | 10 KB | ##################################### | 100%
py-1.10.0 | 76 KB | ##################################### | 100%
pycodestyle-2.6.0 | 38 KB | ##################################### | 100%
toolz-0.11.1 | 46 KB | ##################################### | 100%
brotlipy-0.7.0 | 323 KB | ##################################### | 100%
matplotlib-inline-0. | 12 KB | ##################################### | 100%
nbclient-0.5.3 | 62 KB | ##################################### | 100%
libxml2-2.9.12 | 1.2 MB | ##################################### | 100%
jeepney-0.7.1 | 38 KB | ##################################### | 100%
sympy-1.8 | 9.1 MB | ##################################### | 100%
certifi-2021.5.30 | 138 KB | ##################################### | 100%
conda-pack-0.6.0 | 29 KB | ##################################### | 100%
filelock-3.0.12 | 10 KB | ##################################### | 100%
mkl-2021.3.0 | 141.2 MB | ##################################### | 100%
ptyprocess-0.7.0 | 17 KB | ##################################### | 100%
jupyter_core-4.7.1 | 68 KB | ##################################### | 100%
jinja2-3.0.1 | 110 KB | ##################################### | 100%
attrs-21.2.0 | 46 KB | ##################################### | 100%
intel-openmp-2021.3. | 1.4 MB | ##################################### | 100%
Preparing transaction: done
Verifying transaction: done
Executing transaction: |
Installed package of scikit-learn can be accelerated using scikit-learn-intelex.
More details are available here: https://intel.github.io/scikit-learn-intelex
For example:
$ conda install scikit-learn-intelex
$ python -m sklearnex my_application.py
done
(base) solo[email protected]:~/Descargas$ conda create --name my_env
Collecting package metadata (current_repodata.json): done
Solving environment: done
## Package Plan ##
environment location: /home/soloelectronicos/anaconda3/envs/my_env
Proceed ([y]/n)? y
Preparing transaction: done
Verifying transaction: done
Executing transaction: done
#
# To activate this environment, use
#
# $ conda activate my_env
#
# To deactivate an active environment, use
#
# $ conda deactivate
(base) [email protected]:~/Descargas$ conda activate my_env
(my_env) [email protected]:~/Descargas$ ls
Anaconda3-2020.11-Linux-x86_64.sh Anaconda3-2021.05-Linux-x86_64.sh
(my_env) [email protected]:~/Descargas$ sudo conda activate my_env
[sudo] contraseña para soloelectronicos:
sudo: conda: orden no encontrada
(my_env) [email protected]:~/Descargas$ conda activate my_env
Desinstalación de Anaconda
Para desinstalar Anaconda de su sistema, deberá instalar la utilidad de eliminación de Anaconda en su sistema.
Primero, instale la utilidad anaconda-clean con el siguiente comando:
conda instalar anaconda-clean
Una vez completada la instalación, elimine Anaconda con el siguiente comando:
anaconda-clean --sí
Debería obtener el siguiente resultado:
Directorio de respaldo: /root/.anaconda_backup/2021-01-07T084617
Soloelectronicos.com 
Debe estar conectado para enviar un comentario.