फ्लास्क के साथ मशीन लर्निंग मॉडल को तैनात करना

| | | | | | | | | | |

नए डेटा की भविष्यवाणी करने के लिए उनका उपयोग करने के लिए, हमें इसे इंटरनेट पर तैनात करना होगा ताकि बाहरी दुनिया इसका उपयोग कर सके। इस लेख में, हम इस बारे में बात करेंगे कि हमने मशीन लर्निंग मॉडल को कैसे प्रशिक्षित किया, फ्लास्क का उपयोग करके उस पर एक वेब एप्लिकेशन बनाया।

हमें इस मॉडल में उपयोग किए जाने वाले बहुत सारे आवश्यक पुस्तकालय स्थापित करने होंगे। सभी पुस्तकालयों को स्थापित करने के लिए पाइप का उपयोग करें।
निर्णय वृक्ष — यह एक प्रसिद्ध पर्यवेक्षित मशीन लर्निंग एल्गोरिदम है क्योंकि इसका उपयोग करना आसान, लोचदार और लचीला है। मैंने यूसीआई मशीन लर्निंग रिपोजिटरी से एक वयस्क डेटासेट पर एल्गोरिदम लागू किया है।

डेटा पुनर्प्राप्त करें —
आप इस लिंक के ज़रिए डेटासेट वापस पा सकते हैं।

डेटासेट प्राप्त करना अंत नहीं है। हमें डेटा को प्रीप्रोसेस करना होगा, जिसका अर्थ है कि हमें डेटासेट को साफ़ करने की आवश्यकता है। डेटासेट की सफाई में विभिन्न प्रकार की प्रक्रियाएं शामिल होती हैं जैसे लापता मानों को हटाना, NA मान भरना, आदि।


# आयात डेटासेट < / p>

<कोड वर्ग = "कीवर्ड"> आयात <कोड वर्ग = "सादा"> पांडा

<कोड वर्ग = "कीवर्ड"> आयात कोड> <कोड वर्ग = "सादा"> सुन्न

कोड वर्ग = "कीवर्ड"> से <कोड वर्ग = "सादा"> स्केलेर <कोड क्लास = "कीवर्ड"> इंपोर्ट <कोड क्लास = "प्लेन"> प्रीप्रोसेसिंग


कोड क्लास = "प्लेन"> डीएफ <कोड क्लास = "कीवर्ड"> = <कोड क्लास = "सादा"> pandas.read_csv ( `adult.csv` )

df.head ()

आउटपुट:

डेटासेट प्रीप्रोसेसिंग —
इसमें 14 विशेषताएँ होती हैं और एक वर्ग लेबल यह दर्शाता है कि किसी व्यक्ति की आय सालाना 50 हजार से कम है या अधिक। ये विशेषताएँ किसी व्यक्ति की उम्र, श्रमिक वर्ग के लेबल से लेकर रिश्ते की स्थिति और उस व्यक्ति की जाति तक होती हैं। सभी विशेषताओं के बारे में जानकारी यहां पाई जा सकती है।

सबसे पहले, हम डेटा से सभी लापता मानों को ढूंढते हैं और हटाते हैं। हमने इस कॉलम में लुप्त मान को मोड मान से बदल दिया है। लापता मानों को बदलने के कई अन्य तरीके हैं, लेकिन यह इस डेटासेट प्रकार के लिए सबसे अच्छा लग रहा था।


<तालिका सीमा = "0 "सेलपैडिंग =" 0 "सेलस्पेसिंग =" 0 " >

<कोड वर्ग ="सादा"> df <कोड वर्ग ="कीवर्ड"> = <कोड वर्ग = "सादा" "> df.drop ([ `fnlwgt` , `educational- num` ], अक्ष = 1 )

col_names = df.columns


<कोड वर्ग = "सादा"> सी <कोड वर्ग = "कीवर्ड"> में <कोड वर्ग = "सादा"> col_names:

<कोड वर्ग = "सादा"> डीएफ <कोड वर्ग = "कीवर्ड"> = <कोड वर्ग s ="सादा "> df.replace ( "? " , numpy. NaN)

df = <कोड वर्ग = "सादा"> डीएफ। <कोड वर्ग = "कार्य"> लागू करें <कोड वर्ग = "सादा"> ( <कोड वर्ग = " कीवर्ड"> लैम्ब्डा <कोड वर्ग = "सादा"> x: x.fillna (x.value_counts ()। अनुक्रमणिका [ <कोड वर्ग = "मान"> 0 <कोड वर्ग = "सादा">]))

मशीन लर्निंग एल्गोरिथम श्रेणीबद्ध डेटा मानों को संभाल नहीं सकता है। यह केवल संख्यात्मक मानों को संभाल सकता है।
डेटा को पूर्वानुमान मॉडल में फ़िट करने के लिए, हमें श्रेणीबद्ध मानों को संख्यात्मक मानों में बदलने की आवश्यकता है। ऐसा करने से पहले, हम यह आकलन करेंगे कि श्रेणीबद्ध स्तंभों पर किसी परिवर्तन की आवश्यकता है या नहीं।

श्रेणीबद्ध डेटा को अधिक सटीक और अर्थपूर्ण बनाने के लिए विसंगति — एक सामान्य तरीका है। हमने <कोड>वैवाहिक_स्थिति कॉलम में विवेकीकरण लागू किया है जहां उन्हें केवल विवाहित या अविवाहित मूल्यों तक सीमित कर दिया गया है। बाद में, हम शेष डेटा कॉलम पर लेबल एन्कोडर लागू करेंगे। साथ ही, दो अनावश्यक कॉलम हैं {' शिक्षा ', ' शैक्षिक-संख्या '} , इसलिए हमने उनमें से एक को हटा दिया।


<कोड>

<कोड वर्ग = "सादा "> df.replace ([ `तलाकशुदा` , `Married- AF-पति/पत्नी` ,

` विवाहित-नागरिक-पति/पत्नी` <कोड वर्ग = "सादा">, <कोड वर्ग = "स्ट्रिंग"> `विवाहित-पति-पत्नी-अनुपस्थित` <कोड वर्ग = "सादा"> ,

`Never-married` , `पृथक` <कोड वर्ग = "सादा">, <कोड वर्ग = "स्ट्रिंग"> `विधवा` <कोड वर्ग = "सादा">], /p>

[ `तलाकशुदा` , <कोड वर्ग = "स्ट्रिंग"> `विवाहित` <कोड वर्ग = "सादा">, <कोड वर्ग = "स्ट्रिंग" >` विवाहित` <कोड वर्ग = "सादा">, <कोड वर्ग = "स्ट्रिंग"> `विवाहित` <कोड वर्ग = "सादा">, /p>

<कोड वर्ग = "स्ट्रिंग"> `विवाहित नहीं` <कोड वर्ग = "सादा">, <कोड वर्ग = "स्ट्रिंग"> `विवाहित नहीं` <कोड वर्ग = "सादा">, <कोड वर्ग = "स्ट्रिंग"> `विवाहित नहीं` <कोड वर्ग = "सादा">], जगह में <कोड वर्ग = " कीवर्ड"> = <कोड वर्ग = "रंग 1"> सही <कोड वर्ग = "सादा">)


कोड वर्ग = "सादा" "> category_col = [ `workclass` , <कोड वर्ग = "स्ट्रिंग"> `दौड़` <कोड वर्ग = "सादा">, <कोड वर्ग = "स्ट्रिंग"> `शिक्षा` <कोड वर्ग = "सादा">, <कोड वर्ग =" स्ट्रिंग "> `वैवाहिक-स्थिति` <कोड वर्ग = "सादा">, <कोड वर्ग = "स्ट्रिंग"> `व्यवसाय` <कोड वर्ग = "सादा">,

कोड वर्ग s = "अपरिभाषित रिक्त स्थान"> <कोड वर्ग = "स्ट्रिंग"> `संबंध` <कोड वर्ग = "सादा">, <कोड वर्ग = "स्ट्रिंग"> `लिंग` <कोड वर्ग = "सादा">, <कोड वर्ग = "स्ट्रिंग"> `देशी-देश` <कोड वर्ग = "सादा">, <कोड वर्ग ="string ">` आय` ]

labelEncoder = <कोड वर्ग = "सादा"> प्रीप्रोसेसिंग। लेबल एन्कोडर ()


<कोड वर्ग = "सादा"> मैपिंग_डिक्ट <कोड क्लास = "कीवर्ड"> = <कोड क्लास = "सादा"> {}

<कोड क्लास = "कीवर्ड"> के लिए <कोड क्लास = " प्लेन"> कर्नल <कोड क्लास = "कीवर्ड"> <कोड क्लास = "प्लेन"> कैटेगरी_कॉल:

<कोड क्लास = "प्लेन"> df [col] = labelEncoder. fit_transform (df [col])


le_name_mapping = डिक्टेट <कोड क्लास = "प्लेन"> ( <कोड क्लास = "फ़ंक्शंस"> ज़िप <कोड क्लास = "प्लेन"> (लेबलएनकोडर.क्लासेस_,

<कोड वर्ग = "सादा"> लेबलएनकोडर। परिवर्तन (लेबलएनकोडर.वर्ग_))


कोड वर्ग = "सादा"> मैपिंग_डिक्ट [कॉल] <कोड क्लास = "कीवर्ड"> = <कोड क्लास = "प्लेन"> ले_नाम_मैपिंग

<कोड क्लास = "फ़ंक्शंस"> प्रिंट <कोड वर्ग = "सादा"> (मैपिंग_डिक्ट)

आउटपुट:

{`workclass`: {`? `: 0, `फेडरल-जीओवी`: 1, `लोकल-जीओवी`: 2, `नेवर-वर्क्ड`: 3, `प्राइवेट`: 4, `सेल्फ-एम्प-इंक`: 5, `सेल्फ-एम्प-नॉट -inc`: 6, `State-gov`: 7,` बिना वेतन `: 8},` ra ce `: {` Amer-Indian-Eskimo `: 0,` Asian-Pac-Islander `: 1,` काला `: 2,` अन्य `: 3,` सफेद `: 4},` शिक्षा `: {` 10वीं `: 0,` 11वीं `: 1,` 12वीं `: 2,` पहली-चौथी `: 3,` 5वीं-6वीं `: 4,` 7वीं-8वीं `: 5,` 9वीं `: 6,` असोक-एसीडीएम `: 7,` असोक-वोक `: 8,` बैचलर्स`: 9, `डॉक्टरेट`: 10, ` HS-ग्रेड`: 11, `मास्टर्स`: 12, `प्रीस्कूल`: 13, `प्रो-स्कूल`: 14, `कुछ-कॉलेज`: 15}, `वैवाहिक-स्थिति`: {`तलाकशुदा`: 0,` विवाहित-वायुसेना-पति/पत्नी `: 1,` विवाहित-नागरिक-पति `: 2,` विवाहित-पति-पत्नी-अनुपस्थित `: 3,` कभी-विवाहित `: 4,` अलग `: 5,` विधवा `: 6}, ` पेशा `: {`? `: 0,` प्रशासनिक-लिपिक `: 1,` सशस्त्र-बल`: 2, `शिल्प-मरम्मत`: 3, `कार्य-प्रबंधकीय`: 4, `खेती-मछली पकड़ने`: 5, `हैंडलर-क्लीनर`: 6, `मशीन-ऑप-इंस्पेक्ट`: 7, `अदर-सर्विस`: 8, `प्रिव-हाउस-सर्व`: 9, `प्रोफ-स्पेशलिटी`: 10, `प्रोटेक्टिव-सर्व`: 11, `सेल्स`: 12, `टेक-सपोर्ट`: 13, `ट्रांसपोर्ट-मूविंग`: 14} , `रिलेशनशिप`: {`पति`: 0, `नॉट-इन-फैमिली`: 1, `अन्य-रिश्तेदार`: 2, `अपना` -चाइल्ड`: 3, `अविवाहित`: 4, `पत्नी`: 5}, `लिंग`: {`महिला`: 0, `पुरुष`: 1}, `देश-देश`: {`? `: 0, `कंबोडिया`: 1, `कनाडा`: 2, `चीन`: 3, `कोलंबिया`: 4, `क्यूबा`: 5, `डोमिनिकन-रिपब्लिक`: 6, `इक्वाडोर`: 7, `एल -सल्वाडोर`: 8, `इंग्लैंड`: 9, `फ्रांस`: 10, `जर्मनी`: 11, `ग्रीस`: 12, `ग्वाटेमाला`: 13, `हैती`: 14, `हॉलैंड-नीदरलैंड`: 15, `होंडुरास`: 16, `हांग`: 17, `हंगरी`: 18, `भारत`: 19, `ईरान`: 20, `आयरलैंड`: 21, `इटली`: 22, `जमैका`: 23, `जापान` `: 24, `लाओस`: 25, `मेक्सिको`: 26, `निकारागुआ`: 27, `आउटलाइंग-यूएस (गुआम-यूएसवीआई-आदि)`: 28, `पेरू`: 29, `फिलीपींस`: 30, ` पोलैंड`: 31, `पुर्तगाल`: 32, `प्योर्टो-रिको`: 33, `स्कॉटलैंड`: 34, `दक्षिण` : 35, `ताइवान`: 36, `थाईलैंड`: 37, `त्रिनादाद और amp; टोबैगो`: 38, `यूनाइटेड-स्टेट्स`: 39, `वियतनाम`: 40, `यूगोस लाविया`: 41}, `आय`: { `50K`: 1}}


मॉडल की फिटिंग —
प्रीप्रोसेसिंग के बाद, डेटा मशीन लर्निंग एल्गोरिथम में स्थानांतरित होने के लिए तैयार है। फिर हम विशेषताओं के साथ लेबल को अलग करके डेटा को स्लाइस करते हैं। अब हमने डेटासेट को दो हिस्सों में विभाजित कर दिया है, एक प्रशिक्षण के लिए और दूसरा परीक्षण के लिए। यह train_test_split () sklearn फ़ंक्शन के साथ प्राप्त किया जाता है।


स्केलेर। model_selection import train_test_split

<कोड वर्ग = "सादा"> sklearn.tree <कोड वर्ग = "कीवर्ड"> आयात <कोड वर्ग = "सादा"> निर्णय ट्री क्लासिफायर

कोड वर्ग = "कीवर्ड"> से /code>


X = df.values [:, <कोड वर्ग = "मान"> 0 <कोड वर्ग = "सादा">: <कोड वर्ग = "मान"> 12 <कोड वर्ग = "सादा">]

कोड वर्ग = "सादा"> वाई <कोड वर्ग = "कीवर डी"> = <कोड वर्ग ="सादा "> df.values ‚Äã‚Äã[:, 12 ]

< /td>

यहां हमने dec का उपयोग किया है भविष्यवाणी मॉडल के रूप में आयन ट्री क्लासिफायरियर। हमने मॉडल के प्रशिक्षण के लिए डेटा के साथ प्रशिक्षण भाग प्रदान किया है।
प्रशिक्षण पूरा होने पर, हम मॉडल का परीक्षण करने के लिए कुछ डेटा प्रदान करके मॉडल की सटीकता को मान्य करते हैं।
इसके लिए धन्यवाद, हम सटीकता प्राप्त करते हैं लगभग 84% का। अब, इस मॉडल को नए अज्ञात डेटा के साथ उपयोग करने के लिए, हमें मॉडल को सहेजना होगा ताकि हम बाद में मूल्यों की भविष्यवाणी कर सकें। ऐसा करने के लिए, हम पायथन में अचार का उपयोग करते हैं, जो कि पायथन ऑब्जेक्ट्स की संरचना को क्रमबद्ध और deserializing के लिए एक शक्तिशाली एल्गोरिदम है।


< / p>

<कोड वर्ग = "सादा"> X_train, X_test, y_train, y_test <कोड वर्ग = "कीवर्ड"> = <कोड वर्ग = "सादा"> train_test_split ( कोड>

<कोड वर्ग = "सादा"> X, Y, test_size <कोड वर्ग = "कीवर्ड"> = <कोड वर्ग = "मान"> 0.3 कोड> <कोड वर्ग = "सादा">, random_state <कोड वर्ग = "कीवर्ड"> = <कोड वर्ग = "मान"> 100 <कोड वर्ग = "सादा"> )


<कोड वर्ग = "सादा"> dt_clf_gini <कोड वर्ग = "कीवर्ड"> = <कोड वर्ग = "सादा"> DecisionTreeClassifier (मानदंड <कोड वर्ग = "कीवर्ड"> = <कोड वर्ग = "स्ट्रिंग"> "गिनी" <कोड वर्ग = "सादा">,

<कोड वर्ग = "अपरिभाषित रिक्त स्थान"> <कोड ई वर्ग = "सादा"> random_state <कोड वर्ग = "कीवर्ड"> = <कोड वर्ग = "वी alu"> 100 <कोड वर्ग = "सादा">,

कोड वर्ग = "सादा"> अधिकतम_ गहराई <कोड वर्ग = "कीवर्ड"> = <कोड वर्ग = "मान"> 5 <कोड वर्ग = "सादा">,

कोड वर्ग = "सादा" > min_samples_leaf <कोड क्लास = "कीवर्ड"> = <कोड क्लास = "वैल्यू"> 5 <कोड क्लास = "प्लेन">)


< कोड वर्ग = "सादा"> dt_clf_gini.fit (X_train, y_train)

<कोड वर्ग = "सादा"> y_pred_gini <कोड वर्ग = "कीवर्ड"> = कोड> <कोड वर्ग = "सादा"> dt_clf_gini.predict (X_test)


<कोड वर्ग = "कार्य"> प्रिंट <कोड वर्ग = "सादा" > ( "Desicion Tree useing Gini Index Accuracy is" ,

सटीकता_स्कोर (y_test, y_pred_gini) <कोड वर्ग = "कीवर्ड"> * <कोड वर्ग = "मान"> 100 <कोड वर्ग = "सादा">)

आउटपुट:

 गिन्नी इंडेक्स एक्यूरेसी का उपयोग कर डेसीशन ट्री 83.13031016480704 है 

अब, जलसेक —
कुप्पी — यह एक पायथन-आधारित माइक्रो-फ्रेमवर्क है जिसका उपयोग छोटी वेबसाइटों को विकसित करने के लिए किया जाता है। फ्लास्क पायथन का उपयोग करके रेस्टफुल एपीआई बनाना बहुत आसान है। इस बिंदु पर, हमने एक model.pkl मॉडल विकसित किया है जो विभिन्न डेटा विशेषताओं के आधार पर डेटा वर्ग की भविष्यवाणी कर सकता है। कक्षा लेबल — वेतन और जी.टी.; = 50K या "50K .
अब हम एक वेब एप्लिकेशन डिज़ाइन करेंगे जिसमें उपयोगकर्ता सभी विशेषता मान दर्ज करेगा और मॉडल द्वारा दिए गए प्रशिक्षण के आधार पर मॉडल द्वारा डेटा प्राप्त किया जाएगा, मॉडल भविष्यवाणी करेगा कि जिस व्यक्ति का डेटा फीड किया गया है उसका वेतन क्या होना चाहिए।

HTML फॉर्म —
विभिन्न विशेषताओं से आय का अनुमान लगाने के लिए, हमें पहले डेटा (नई विशेषता मान) एकत्र करने की आवश्यकता है और फिर हमारे द्वारा ऊपर बनाए गए निर्णय ट्री मॉडल का उपयोग करके यह अनुमान लगाया जा सकता है कि आय 50K से अधिक या उससे कम होगी। इसलिए, डेटा एकत्र करने के लिए, हम एक HTML फॉर्म बनाते हैं जिसमें प्रत्येक विशेषता से चुनने के लिए सभी अलग-अलग विकल्प होंगे। यहां हमने केवल HTML का उपयोग करके एक सरल फॉर्म बनाया है। यदि आप फ़ॉर्म को अधिक इंटरैक्टिव बनाना चाहते हैं, तो आप ऐसा कर सकते हैं।


" html "

" body "

" h3 " आय भविष्यवाणी प्रपत्र "/ <कोड वर्ग = "कीवर्ड"> h3 <कोड वर्ग = "सादा">"


" div "

" <कोड वर्ग = "कीवर्ड"> फॉर्म <कोड वर्ग = "रंग 1"> क्रिया <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "/ परिणाम" <कोड वर्ग = "रंग 1"> विधि <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग"> "पोस्ट" <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> लेबल <कोड वर्ग = "रंग 1"> के लिए <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "आयु" <कोड वर्ग = "सादा">" आयु और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> लेबल <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> इनपुट <कोड वर्ग = "रंग 1"> प्रकार <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "पाठ" <कोड वर्ग = "रंग 1"> आईडी <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग"> "आयु" < कोड वर्ग = "रंग 1"> नाम <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग"> "आयु" <कोड वर्ग = "सादा"> और जीटी ;

" br "

" <कोड वर्ग = "कीवर्ड"> लेबल <कोड वर्ग = "रंग 1"> के लिए <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "w_class" " श्रमिक वर्ग और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> लेबल <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> चुनें <कोड वर्ग = "रंग 1"> आईडी <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "w_class" name = "w_class" < कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "0" <कोड वर्ग = "सादा">" संघीय सरकार और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "1" <कोड वर्ग = "सादा">" स्थानीय सरकार और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "2" <कोड वर्ग = "सादा">" कभी काम नहीं किया और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "3" <कोड वर्ग = "सादा">" निजी और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "4" <कोड वर्ग = "सादा">" सेल्फ-एम्प-इंक और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "5" <कोड वर्ग = "सादा">" सेल्फ-एम्प-नॉट-इंक एंड लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "6" <कोड वर्ग = "सादा">" राज्य सरकार और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "7" <कोड वर्ग = "सादा">" बिना वेतन और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

"/ <कोड वर्ग = "कीवर्ड"> चुनें <कोड वर्ग = "सादा">"

" br "

" <कोड वर्ग = "कीवर्ड"> लेबल <कोड वर्ग = "रंग 1"> के लिए <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "edu" " शिक्षा और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> लेबल <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> चुनें <कोड वर्ग = "रंग 1"> आईडी <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "edu" name = "edu" < कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "0" <कोड वर्ग = "सादा">" 10वीं और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "1" <कोड वर्ग = "सादा">" 11वीं और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "2" <कोड वर्ग = "सादा">" 12वीं और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "3" <कोड वर्ग = "सादा">" पहला-चौथा और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "4" <कोड वर्ग = "सादा">" 5वीं-6वीं और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "5" <कोड वर्ग = "सादा">" 7वीं-8वीं और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "6" <कोड वर्ग = "सादा">" 9वीं और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "7" <कोड वर्ग = "सादा">" Assoc-acdm "/ <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "8" <कोड वर्ग = "सादा">" Assoc-voc "/ <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "9" <कोड वर्ग = "सादा">" स्नातक और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "10" <कोड वर्ग = "सादा">" डॉक्टरेट और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "11" <कोड वर्ग = "सादा">" एचएस-ग्रेड और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "12" <कोड वर्ग = "सादा">" परास्नातक और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "13" <कोड वर्ग = "सादा">" पूर्वस्कूली और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "14" <कोड वर्ग = "सादा">" प्रो-स्कूल और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "15" <कोड वर्ग = "सादा">" 16 - सम-कॉलेज और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

"/ <कोड वर्ग = "कीवर्ड"> चुनें <कोड वर्ग = "सादा">"

" br "

" <कोड वर्ग = "कीवर्ड"> लेबल <कोड वर्ग = "रंग 1"> के लिए <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "मार्शल_स्टेट" <कोड वर्ग = "सादा">" वैवाहिक स्थिति और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> लेबल <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> चुनें <कोड वर्ग = "रंग 1"> आईडी <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "martial_stat" name = "martial_stat" < कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "0" <कोड वर्ग = "सादा">" तलाकशुदा और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "1" <कोड वर्ग = "सादा">" विवाहित और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "2" <कोड वर्ग = "सादा">" शादी नहीं की और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

"/ <कोड वर्ग = "कीवर्ड"> चुनें <कोड वर्ग = "सादा">"

" br "

<कोड वर्ग = "अपरिभाषित स्थान">कोड वर्ग = "सादा">" तलाकशुदा और लेफ्टिनेंट; / <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "सादा">"

" <कोड वर्ग = "कीवर्ड"> विकल्प <कोड वर्ग = "रंग 1"> मूल्य <कोड वर्ग = "सादा"> = <कोड वर्ग = "स्ट्रिंग" > "1"

Shop

Learn programming in R: courses

$

Best Python online courses for 2022

$

Best laptop for Fortnite

$

Best laptop for Excel

$

Best laptop for Solidworks

$

Best laptop for Roblox

$

Best computer for crypto mining

$

Best laptop for Sims 4

$

Latest questions

NUMPYNUMPY

psycopg2: insert multiple rows with one query

12 answers

NUMPYNUMPY

How to convert Nonetype to int or string?

12 answers

NUMPYNUMPY

How to specify multiple return types using type-hints

12 answers

NUMPYNUMPY

Javascript Error: IPython is not defined in JupyterLab

12 answers


Wiki

Python OpenCV | cv2.putText () method

numpy.arctan2 () in Python

Python | os.path.realpath () method

Python OpenCV | cv2.circle () method

Python OpenCV cv2.cvtColor () method

Python - Move item to the end of the list

time.perf_counter () function in Python

Check if one list is a subset of another in Python

Python os.path.join () method