{"id":478332,"date":"2023-08-09T09:31:12","date_gmt":"2023-08-09T09:31:12","guid":{"rendered":""},"modified":"2023-09-05T11:16:31","modified_gmt":"2023-09-05T11:16:31","slug":"pandas-profiling","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/fr\/wiki\/pandas-profiling\/","title":{"rendered":"Profilage des pandas"},"content":{"rendered":"<p>Le profilage Pandas est un puissant outil d&#039;analyse et de visualisation de donn\u00e9es con\u00e7u pour simplifier le processus d&#039;analyse exploratoire des donn\u00e9es en Python. Il s&#039;agit d&#039;une biblioth\u00e8que open source construite sur la populaire biblioth\u00e8que de manipulation de donn\u00e9es Pandas et est largement utilis\u00e9e dans les projets de science des donn\u00e9es, d&#039;apprentissage automatique et d&#039;analyse de donn\u00e9es. En g\u00e9n\u00e9rant automatiquement des rapports et des visualisations perspicaces, le profilage Pandas fournit des informations pr\u00e9cieuses sur la structure et le contenu des donn\u00e9es, faisant ainsi gagner du temps aux data scientists et aux analystes.<\/p>\n<h2>L&#039;histoire de l&#039;origine du profilage des Pandas et sa premi\u00e8re mention.<\/h2>\n<p>Le profilage Pandas a \u00e9t\u00e9 introduit pour la premi\u00e8re fois par un groupe talentueux de passionn\u00e9s de donn\u00e9es dirig\u00e9 par Stefanie Molin en 2016. Initialement publi\u00e9 en tant que projet parall\u00e8le, il a rapidement gagn\u00e9 en popularit\u00e9 en raison de sa simplicit\u00e9 et de son efficacit\u00e9. La premi\u00e8re mention du profilage Pandas a eu lieu sur GitHub, o\u00f9 le code source a \u00e9t\u00e9 rendu public pour les contributions et am\u00e9liorations de la communaut\u00e9. Au fil du temps, il est devenu un outil fiable et largement utilis\u00e9, attirant une communaut\u00e9 dynamique de professionnels des donn\u00e9es qui continuent d\u2019am\u00e9liorer et d\u2019\u00e9tendre ses fonctionnalit\u00e9s.<\/p>\n<h2>Informations d\u00e9taill\u00e9es sur le profilage des Pandas. Extension du sujet Profilage des pandas.<\/h2>\n<p>Le profilage Pandas exploite les capacit\u00e9s de Pandas pour fournir des rapports d&#039;analyse de donn\u00e9es complets. La biblioth\u00e8que g\u00e9n\u00e8re des statistiques d\u00e9taill\u00e9es, des visualisations interactives et des informations pr\u00e9cieuses sur divers aspects de l&#039;ensemble de donn\u00e9es, tels que\u00a0:<\/p>\n<ul>\n<li>Statistiques de base\u00a0: aper\u00e7u de la distribution des donn\u00e9es, y compris la moyenne, la m\u00e9diane, le mode, le minimum, le maximum et les quartiles.<\/li>\n<li>Types de donn\u00e9es\u00a0: identification des types de donn\u00e9es pour chaque colonne, aidant \u00e0 identifier les incoh\u00e9rences potentielles des donn\u00e9es.<\/li>\n<li>Valeurs manquantes\u00a0: identification des points de donn\u00e9es manquants et de leur pourcentage dans chaque colonne.<\/li>\n<li>Corr\u00e9lations\u00a0: analyse des corr\u00e9lations entre les variables, aidant \u00e0 comprendre les relations et les d\u00e9pendances.<\/li>\n<li>Valeurs communes\u00a0: reconnaissance des valeurs les plus fr\u00e9quentes et les moins fr\u00e9quentes dans les colonnes cat\u00e9gorielles.<\/li>\n<li>Histogrammes\u00a0: visualisation de la distribution des donn\u00e9es pour les colonnes num\u00e9riques, facilitant l&#039;identification de l&#039;asym\u00e9trie des donn\u00e9es et des valeurs aberrantes.<\/li>\n<\/ul>\n<p>Le rapport g\u00e9n\u00e9r\u00e9 est pr\u00e9sent\u00e9 au format HTML, ce qui facilite son partage entre les \u00e9quipes et les parties prenantes.<\/p>\n<h2>La structure interne du profilage Pandas. Comment fonctionne le profilage Pandas.<\/h2>\n<p>Le profilage Pandas utilise une combinaison d&#039;algorithmes statistiques, de fonctions Pandas et de techniques de visualisation de donn\u00e9es pour analyser et r\u00e9sumer les donn\u00e9es. Voici un aper\u00e7u de sa structure interne\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Collecte de donn\u00e9es:<\/strong> Le profilage Pandas rassemble d&#039;abord des informations de base sur l&#039;ensemble de donn\u00e9es, telles que les noms de colonnes, les types de donn\u00e9es et les valeurs manquantes.<\/p>\n<\/li>\n<li>\n<p><strong>Statistiques descriptives:<\/strong> La biblioth\u00e8que calcule diverses statistiques descriptives pour les colonnes num\u00e9riques, notamment la moyenne, la m\u00e9diane, l&#039;\u00e9cart type et les quantiles.<\/p>\n<\/li>\n<li>\n<p><strong>Visualisation de donn\u00e9es:<\/strong> Le profilage Pandas g\u00e9n\u00e8re un large \u00e9ventail de visualisations, telles que des histogrammes, des graphiques \u00e0 barres et des nuages de points, pour aider \u00e0 comprendre les mod\u00e8les et les distributions de donn\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Analyse de corr\u00e9lation:<\/strong> L&#039;outil calcule les corr\u00e9lations entre les colonnes num\u00e9riques, produisant une matrice de corr\u00e9lation et des cartes thermiques.<\/p>\n<\/li>\n<li>\n<p><strong>Analyse cat\u00e9gorique\u00a0:<\/strong> Pour les colonnes cat\u00e9gorielles, il identifie les valeurs communes, produisant des graphiques \u00e0 barres et des tableaux de fr\u00e9quence.<\/p>\n<\/li>\n<li>\n<p><strong>Analyse des valeurs manquantes\u00a0:<\/strong> Le profilage Pandas examine les valeurs manquantes et les pr\u00e9sente dans un format facile \u00e0 comprendre.<\/p>\n<\/li>\n<li>\n<p><strong>Avertissements et suggestions\u00a0:<\/strong> La biblioth\u00e8que signale les probl\u00e8mes potentiels, tels qu&#039;une cardinalit\u00e9 \u00e9lev\u00e9e ou des colonnes constantes, et propose des suggestions d&#039;am\u00e9lioration.<\/p>\n<\/li>\n<\/ol>\n<h2>Analyse des principales caract\u00e9ristiques du profilage Pandas.<\/h2>\n<p>Le profilage Pandas offre une pl\u00e9thore de fonctionnalit\u00e9s qui en font un outil indispensable pour l&#039;analyse des donn\u00e9es :<\/p>\n<ol>\n<li>\n<p><strong>G\u00e9n\u00e9ration de rapports automatis\u00e9e\u00a0:<\/strong> Le profilage Pandas g\u00e9n\u00e8re automatiquement des rapports d&#039;analyse de donn\u00e9es d\u00e9taill\u00e9s, ce qui permet aux analystes d&#039;\u00e9conomiser du temps et des efforts.<\/p>\n<\/li>\n<li>\n<p><strong>Visualisations interactives\u00a0:<\/strong> Le rapport HTML comprend des visualisations interactives qui permettent aux utilisateurs d&#039;explorer les donn\u00e9es de mani\u00e8re attrayante et conviviale.<\/p>\n<\/li>\n<li>\n<p><strong>Analyse personnalisable\u00a0:<\/strong> Les utilisateurs peuvent personnaliser l&#039;analyse en sp\u00e9cifiant le niveau de d\u00e9tail souhait\u00e9, en omettant des sections sp\u00e9cifiques ou en d\u00e9finissant le seuil de corr\u00e9lation.<\/p>\n<\/li>\n<li>\n<p><strong>Int\u00e9gration du bloc-notes\u00a0:<\/strong> Le profilage Pandas s&#039;int\u00e8gre parfaitement aux notebooks Jupyter, am\u00e9liorant ainsi l&#039;exp\u00e9rience d&#039;exploration des donn\u00e9es dans l&#039;environnement du notebook.<\/p>\n<\/li>\n<li>\n<p><strong>Comparaisons de profils\u00a0:<\/strong> Il prend en charge la comparaison de plusieurs profils de donn\u00e9es, permettant aux utilisateurs de comprendre les diff\u00e9rences entre les ensembles de donn\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Options d&#039;exportation\u00a0:<\/strong> Les rapports g\u00e9n\u00e9r\u00e9s peuvent \u00eatre facilement export\u00e9s vers diff\u00e9rents formats, tels que HTML, JSON ou YAML.<\/p>\n<\/li>\n<\/ol>\n<h2>Types de profilage des pandas<\/h2>\n<p>Le profilage Pandas propose deux principaux types de profilage\u00a0: le rapport de synth\u00e8se et le rapport complet.<\/p>\n<h3>Rapport de synth\u00e8se<\/h3>\n<p>Le rapport de synth\u00e8se est un r\u00e9sum\u00e9 concis de l&#039;ensemble de donn\u00e9es, comprenant des statistiques et des visualisations essentielles. Il sert de r\u00e9f\u00e9rence rapide aux analystes de donn\u00e9es pour obtenir une compr\u00e9hension g\u00e9n\u00e9rale de l&#039;ensemble de donn\u00e9es sans approfondir les caract\u00e9ristiques individuelles.<\/p>\n<h3>Rapport complet<\/h3>\n<p>Le rapport complet est une analyse compl\u00e8te de l&#039;ensemble de donn\u00e9es, offrant des informations approfondies sur chaque fonctionnalit\u00e9, des visualisations avanc\u00e9es et des statistiques d\u00e9taill\u00e9es. Ce rapport est id\u00e9al pour une exploration approfondie des donn\u00e9es et est plus adapt\u00e9 aux cas o\u00f9 une compr\u00e9hension plus approfondie des donn\u00e9es est requise.<\/p>\n<h2>Fa\u00e7ons d&#039;utiliser le profilage Pandas, probl\u00e8mes et leurs solutions li\u00e9es \u00e0 l&#039;utilisation.<\/h2>\n<p>Le profilage Pandas est un outil polyvalent avec divers cas d&#039;utilisation, tels que\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Nettoyage des donn\u00e9es\u00a0:<\/strong> La d\u00e9tection des valeurs manquantes, des valeurs aberrantes et des anomalies facilite le nettoyage des donn\u00e9es et la pr\u00e9paration d&#039;une analyse plus approfondie.<\/p>\n<\/li>\n<li>\n<p><strong>Pr\u00e9traitement des donn\u00e9es\u00a0:<\/strong> Comprendre les distributions et les corr\u00e9lations des donn\u00e9es permet de s\u00e9lectionner des techniques de pr\u00e9traitement appropri\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Ing\u00e9nierie des fonctionnalit\u00e9s\u00a0:<\/strong> L&#039;identification des relations entre les fonctionnalit\u00e9s aide \u00e0 g\u00e9n\u00e9rer de nouvelles fonctionnalit\u00e9s ou \u00e0 s\u00e9lectionner celles qui sont pertinentes.<\/p>\n<\/li>\n<li>\n<p><strong>Visualisation de donn\u00e9es:<\/strong> Les visualisations du profilage Pandas sont utiles pour les pr\u00e9sentations et pour transmettre des informations sur les donn\u00e9es aux parties prenantes.<\/p>\n<\/li>\n<\/ol>\n<p>Malgr\u00e9 ses nombreux avantages, le profilage Pandas peut rencontrer certains d\u00e9fis, notamment\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Grands ensembles de donn\u00e9es\u00a0:<\/strong> Pour des ensembles de donn\u00e9es exceptionnellement volumineux, le processus de profilage peut devenir long et gourmand en ressources.<\/p>\n<\/li>\n<li>\n<p><strong>Utilisation de la m\u00e9moire:<\/strong> La g\u00e9n\u00e9ration d&#039;un rapport complet peut n\u00e9cessiter une m\u00e9moire importante, ce qui peut entra\u00eener des erreurs de m\u00e9moire insuffisante.<\/p>\n<\/li>\n<\/ol>\n<p>Pour r\u00e9soudre ces probl\u00e8mes, les utilisateurs peuvent\u00a0:<\/p>\n<ul>\n<li><strong>Donn\u00e9es de sous-ensemble\u00a0:<\/strong> Analysez un \u00e9chantillon repr\u00e9sentatif de l&#039;ensemble de donn\u00e9es au lieu de l&#039;ensemble de donn\u00e9es dans son int\u00e9gralit\u00e9 pour acc\u00e9l\u00e9rer le processus de profilage.<\/li>\n<li><strong>Optimiser le code\u00a0:<\/strong> Optimisez le code de traitement des donn\u00e9es et utilisez efficacement la m\u00e9moire pour g\u00e9rer de grands ensembles de donn\u00e9es.<\/li>\n<\/ul>\n<h2>Principales caract\u00e9ristiques et autres comparaisons avec des termes similaires sous forme de tableaux et de listes.<\/h2>\n<table>\n<thead>\n<tr>\n<th>Fonctionnalit\u00e9<\/th>\n<th>Profilage des pandas<\/th>\n<th>Visualisation automatique<\/th>\n<th>SweetViz<\/th>\n<th>D-Conte<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Licence<\/td>\n<td>MIT<\/td>\n<td>MIT<\/td>\n<td>MIT<\/td>\n<td>MIT<\/td>\n<\/tr>\n<tr>\n<td>Version Python<\/td>\n<td>3.6+<\/td>\n<td>2.7+<\/td>\n<td>3.5+<\/td>\n<td>3.6+<\/td>\n<\/tr>\n<tr>\n<td>Prise en charge des ordinateurs portables<\/td>\n<td>Oui<\/td>\n<td>Oui<\/td>\n<td>Oui<\/td>\n<td>Oui<\/td>\n<\/tr>\n<tr>\n<td>Sortie du rapport<\/td>\n<td>HTML<\/td>\n<td>N \/ A<\/td>\n<td>HTML<\/td>\n<td>Interface utilisateur Web<\/td>\n<\/tr>\n<tr>\n<td>Interactif<\/td>\n<td>Oui<\/td>\n<td>Oui<\/td>\n<td>Oui<\/td>\n<td>Oui<\/td>\n<\/tr>\n<tr>\n<td>Personnalisable<\/td>\n<td>Oui<\/td>\n<td>Oui<\/td>\n<td>Limit\u00e9<\/td>\n<td>Oui<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Profilage des pandas\u00a0:<\/strong> Un outil d&#039;analyse de donn\u00e9es complet et interactif bas\u00e9 sur Pandas.<\/p>\n<p><strong>Visualisation automatique\u00a0:<\/strong> Visualisation automatique de n&#039;importe quel ensemble de donn\u00e9es, fournissant des informations rapides sans avoir besoin de personnalisation.<\/p>\n<p><strong>SweetViz\u00a0:<\/strong> G\u00e9n\u00e8re de superbes visualisations et des rapports d&#039;analyse de donn\u00e9es haute densit\u00e9.<\/p>\n<p><strong>D-Conte\u00a0:<\/strong> Outil Web interactif pour l&#039;exploration et la manipulation de donn\u00e9es.<\/p>\n<h2>Perspectives et technologies du futur li\u00e9es au profilage des Pandas.<\/h2>\n<p>L\u2019avenir du profilage Pandas est prometteur, car l\u2019analyse des donn\u00e9es continue d\u2019\u00eatre un \u00e9l\u00e9ment essentiel de diverses industries. Certains d\u00e9veloppements et tendances potentiels comprennent\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Am\u00e9lioration des performances:<\/strong> Les futures mises \u00e0 jour pourraient se concentrer sur l&#039;optimisation de l&#039;utilisation de la m\u00e9moire et l&#039;acc\u00e9l\u00e9ration du processus de profilage pour les grands ensembles de donn\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Int\u00e9gration avec les technologies Big Data\u00a0:<\/strong> L&#039;int\u00e9gration avec des frameworks informatiques distribu\u00e9s comme Dask ou Apache Spark pourrait permettre le profilage sur de grands ensembles de donn\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Visualisations avanc\u00e9es\u00a0:<\/strong> De nouvelles am\u00e9liorations des capacit\u00e9s de visualisation pourraient conduire \u00e0 des repr\u00e9sentations de donn\u00e9es plus interactives et plus pertinentes.<\/p>\n<\/li>\n<li>\n<p><strong>Int\u00e9gration de l&#039;apprentissage automatique\u00a0:<\/strong> L&#039;int\u00e9gration avec des biblioth\u00e8ques d&#039;apprentissage automatique pourrait permettre une ing\u00e9nierie automatis\u00e9e des fonctionnalit\u00e9s bas\u00e9e sur des informations de profilage.<\/p>\n<\/li>\n<li>\n<p><strong>Solutions bas\u00e9es sur le cloud\u00a0:<\/strong> Les impl\u00e9mentations bas\u00e9es sur le cloud peuvent offrir des options de profilage plus \u00e9volutives et plus \u00e9conomes en ressources.<\/p>\n<\/li>\n<\/ol>\n<h2>Comment les serveurs proxy peuvent \u00eatre utilis\u00e9s ou associ\u00e9s au profilage Pandas.<\/h2>\n<p>Les serveurs proxy, comme ceux fournis par OneProxy, jouent un r\u00f4le crucial dans le contexte du profilage Pandas des mani\u00e8res suivantes\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Confidentialit\u00e9 des donn\u00e9es:<\/strong> Dans certains cas, les ensembles de donn\u00e9es sensibles peuvent n\u00e9cessiter des mesures de s\u00e9curit\u00e9 suppl\u00e9mentaires. Les serveurs proxy peuvent servir d&#039;interm\u00e9diaires entre la source de donn\u00e9es et l&#039;outil de profilage, garantissant ainsi la confidentialit\u00e9 et la protection des donn\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Contourner les restrictions\u00a0:<\/strong> Lors de l&#039;analyse de donn\u00e9es sur des ensembles de donn\u00e9es Web soumis \u00e0 des restrictions d&#039;acc\u00e8s, les serveurs proxy peuvent aider \u00e0 contourner ces restrictions et permettre la r\u00e9cup\u00e9ration de donn\u00e9es \u00e0 des fins de profilage.<\/p>\n<\/li>\n<li>\n<p><strong>L&#039;\u00e9quilibrage de charge:<\/strong> Pour les t\u00e2ches de web scraping et d&#039;extraction de donn\u00e9es, les serveurs proxy peuvent distribuer les requ\u00eates sur plusieurs adresses IP, emp\u00eachant ainsi les blocages IP dus \u00e0 un trafic excessif provenant d&#039;une source unique.<\/p>\n<\/li>\n<li>\n<p><strong>Diversification de la g\u00e9olocalisation\u00a0:<\/strong> Les serveurs proxy permettent aux utilisateurs de simuler l&#039;acc\u00e8s \u00e0 partir de divers emplacements g\u00e9ographiques, ce qui est particuli\u00e8rement utile lors de l&#039;analyse de donn\u00e9es sp\u00e9cifiques \u00e0 une r\u00e9gion.<\/p>\n<\/li>\n<\/ol>\n<p>En utilisant un fournisseur de serveur proxy fiable comme OneProxy, les professionnels des donn\u00e9es peuvent am\u00e9liorer leurs capacit\u00e9s d&#039;analyse de donn\u00e9es et garantir un acc\u00e8s transparent aux sources de donn\u00e9es externes sans aucune contrainte ni probl\u00e8me de confidentialit\u00e9.<\/p>\n<h2>Liens connexes<\/h2>\n<p>Pour plus d&#039;informations sur le profilage Pandas, vous pouvez explorer les ressources suivantes\u00a0:<\/p>\n<ul>\n<li><a href=\"https:\/\/pandas-profiling.github.io\/pandas-profiling\/docs\/\" target=\"_new\" rel=\"noopener nofollow\">Documentation sur le profilage des pandas<\/a><\/li>\n<li><a href=\"https:\/\/github.com\/pandas-profiling\/pandas-profiling\" target=\"_new\" rel=\"noopener nofollow\">D\u00e9p\u00f4t GitHub<\/a><\/li>\n<li><a href=\"https:\/\/www.datacamp.com\/community\/tutorials\/pandas-profiling-python\" target=\"_new\" rel=\"noopener nofollow\">Tutoriel DataCamp<\/a><\/li>\n<\/ul>","protected":false},"featured_media":469109,"menu_order":0,"template":"","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"footnotes":""},"class_list":["post-478332","wiki","type-wiki","status-publish","has-post-thumbnail","hentry"],"acf":{"faq_title":"Frequently Asked Questions about <mark>Pandas Profiling: Unveiling the Power of Data Analysis and Visualization<\/mark>","faq_items":[{"question":"What is Pandas profiling?","answer":"<p>Pandas profiling is a powerful data analysis and visualization tool in Python. It simplifies exploratory data analysis by automatically generating insightful reports and visualizations, providing valuable insights into the structure and content of data.<\/p>"},{"question":"Who developed Pandas profiling, and when was it first introduced?","answer":"<p>Pandas profiling was developed by Stefanie Molin and a group of data enthusiasts in 2016. It was initially released as a side project and gained rapid popularity among data professionals.<\/p>"},{"question":"What does the Pandas profiling report include?","answer":"<p>The Pandas profiling report includes detailed statistics such as mean, median, minimum, maximum, and quartiles for numerical columns. It also identifies data types, missing values, correlations between variables, common values in categorical columns, and provides histograms for data distribution.<\/p>"},{"question":"How does Pandas profiling work internally?","answer":"<p>Pandas profiling collects basic information about the dataset, computes descriptive statistics, generates visualizations, performs correlation analysis, and identifies categorical values and missing data points.<\/p>"},{"question":"What are the types of Pandas profiling reports available?","answer":"<p>Pandas profiling provides two types of reports: the overview report, which offers a concise summary of the dataset, and the full report, which provides a comprehensive analysis of each feature.<\/p>"},{"question":"In which Python environment does Pandas profiling integrate seamlessly?","answer":"<p>Pandas profiling seamlessly integrates with Jupyter Notebooks, enhancing the data exploration experience within the notebook environment.<\/p>"},{"question":"What are the challenges faced while using Pandas profiling?","answer":"<p>For exceptionally large datasets, the profiling process may become time-consuming and resource-intensive, potentially leading to memory issues. However, users can address these challenges by analyzing a representative sample of the dataset or optimizing code for memory usage.<\/p>"},{"question":"How can proxy servers be associated with Pandas profiling?","answer":"<p>Proxy servers, like those provided by OneProxy, can ensure data privacy and security by acting as intermediaries between the data source and the profiling tool. They can also help bypass access restrictions and distribute requests across multiple IP addresses for improved load balancing and geolocation diversification.<\/p>"}]},"_links":{"self":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/wiki\/478332","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/wiki\/478332\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/media\/469109"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/media?parent=478332"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}