{"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\/pl\/wiki\/pandas-profiling\/","title":{"rendered":"Profilowanie pand"},"content":{"rendered":"<p>Profilowanie Pandas to pot\u0119\u017cne narz\u0119dzie do analizy i wizualizacji danych, zaprojektowane w celu uproszczenia procesu eksploracyjnej analizy danych w j\u0119zyku Python. Jest to biblioteka typu open source zbudowana na bazie popularnej biblioteki manipulacji danymi Pandas i jest szeroko stosowana w projektach zwi\u0105zanych z nauk\u0105 o danych, uczeniem maszynowym i analiz\u0105 danych. Dzi\u0119ki automatycznemu generowaniu wnikliwych raport\u00f3w i wizualizacji profilowanie Pandas zapewnia cenny wgl\u0105d w struktur\u0119 i zawarto\u015b\u0107 danych, oszcz\u0119dzaj\u0105c czas badaczy danych i analityk\u00f3w.<\/p>\n<h2>Historia powstania profilowania Pand i pierwsza wzmianka o nim.<\/h2>\n<p>Profilowanie Panda zosta\u0142o po raz pierwszy wprowadzone przez utalentowan\u0105 grup\u0119 entuzjast\u00f3w danych pod przewodnictwem Stefanie Molin w 2016 roku. Pocz\u0105tkowo wydany jako projekt poboczny, szybko zyska\u0142 popularno\u015b\u0107 dzi\u0119ki swojej prostocie i skuteczno\u015bci. Pierwsza wzmianka o profilowaniu Pand pojawi\u0142a si\u0119 na GitHubie, gdzie kod \u017ar\u00f3d\u0142owy zosta\u0142 udost\u0119pniony publicznie w celu umo\u017cliwienia wk\u0142adu i ulepsze\u0144 spo\u0142eczno\u015bci. Z biegiem czasu przekszta\u0142ci\u0142o si\u0119 w niezawodne i szeroko stosowane narz\u0119dzie, przyci\u0105gaj\u0105ce pr\u0119\u017cn\u0105 spo\u0142eczno\u015b\u0107 specjalist\u00f3w ds. danych, kt\u00f3rzy stale doskonal\u0105 i rozszerzaj\u0105 jego funkcjonalno\u015b\u0107.<\/p>\n<h2>Szczeg\u00f3\u0142owe informacje na temat profilowania Pand. Rozszerzenie tematu Profilowanie Pand.<\/h2>\n<p>Profilowanie Pand wykorzystuje mo\u017cliwo\u015bci Pand w celu zapewnienia kompleksowych raport\u00f3w z analiz\u0105 danych. Biblioteka generuje szczeg\u00f3\u0142owe statystyki, interaktywne wizualizacje i cenne informacje na temat r\u00f3\u017cnych aspekt\u00f3w zbioru danych, takich jak:<\/p>\n<ul>\n<li>Podstawowe statystyki: Przegl\u0105d rozk\u0142adu danych, w tym \u015bredniej, mediany, trybu, minimum, maksimum i kwartyli.<\/li>\n<li>Typy danych: Identyfikacja typ\u00f3w danych dla ka\u017cdej kolumny, pomagaj\u0105ca zidentyfikowa\u0107 potencjalne niesp\u00f3jno\u015bci danych.<\/li>\n<li>Brakuj\u0105ce warto\u015bci: Identyfikacja brakuj\u0105cych punkt\u00f3w danych i ich procent w ka\u017cdej kolumnie.<\/li>\n<li>Korelacje: Analiza korelacji pomi\u0119dzy zmiennymi, pomagaj\u0105ca zrozumie\u0107 zale\u017cno\u015bci i zale\u017cno\u015bci.<\/li>\n<li>Wsp\u00f3lne warto\u015bci: Rozpoznawanie najcz\u0119stszych i najrzadziej wyst\u0119puj\u0105cych warto\u015bci w kolumnach kategorycznych.<\/li>\n<li>Histogramy: Wizualizacja rozk\u0142adu danych dla kolumn liczbowych, u\u0142atwiaj\u0105ca identyfikacj\u0119 sko\u015bno\u015bci danych i warto\u015bci odstaj\u0105cych.<\/li>\n<\/ul>\n<p>Wygenerowany raport jest prezentowany w formacie HTML, co u\u0142atwia udost\u0119pnianie go zespo\u0142om i interesariuszom.<\/p>\n<h2>Wewn\u0119trzna struktura profilowania Pand. Jak dzia\u0142a profilowanie Pand.<\/h2>\n<p>Profilowanie Pand wykorzystuje kombinacj\u0119 algorytm\u00f3w statystycznych, funkcji Pand i technik wizualizacji danych do analizowania i podsumowywania danych. Oto przegl\u0105d jego wewn\u0119trznej struktury:<\/p>\n<ol>\n<li>\n<p><strong>Zbieranie danych:<\/strong> Profilowanie Pand najpierw gromadzi podstawowe informacje o zbiorze danych, takie jak nazwy kolumn, typy danych i brakuj\u0105ce warto\u015bci.<\/p>\n<\/li>\n<li>\n<p><strong>Opisowe statystyki:<\/strong> Biblioteka oblicza r\u00f3\u017cne statystyki opisowe dla kolumn liczbowych, w tym \u015bredni\u0105, median\u0119, odchylenie standardowe i kwantyle.<\/p>\n<\/li>\n<li>\n<p><strong>Wizualizacja danych:<\/strong> Profilowanie Pandas generuje szerok\u0105 gam\u0119 wizualizacji, takich jak histogramy, wykresy s\u0142upkowe i wykresy punktowe, kt\u00f3re pomagaj\u0105 zrozumie\u0107 wzorce i rozk\u0142ady danych.<\/p>\n<\/li>\n<li>\n<p><strong>Analiza korelacji:<\/strong> Narz\u0119dzie oblicza korelacje pomi\u0119dzy kolumnami liczbowymi, tworz\u0105c macierz korelacji i mapy cieplne.<\/p>\n<\/li>\n<li>\n<p><strong>Analiza kategoryczna:<\/strong> W przypadku kolumn kategorialnych identyfikuje wsp\u00f3lne warto\u015bci, tworz\u0105c wykresy s\u0142upkowe i tabele cz\u0119stotliwo\u015bci.<\/p>\n<\/li>\n<li>\n<p><strong>Analiza brakuj\u0105cych warto\u015bci:<\/strong> Profilowanie Pand sprawdza brakuj\u0105ce warto\u015bci i przedstawia je w \u0142atwym do zrozumienia formacie.<\/p>\n<\/li>\n<li>\n<p><strong>Ostrze\u017cenia i sugestie:<\/strong> Biblioteka oznacza potencjalne problemy, takie jak wysoka liczno\u015b\u0107 lub sta\u0142e kolumny, i oferuje sugestie dotycz\u0105ce ulepsze\u0144.<\/p>\n<\/li>\n<\/ol>\n<h2>Analiza kluczowych cech profilowania Pand.<\/h2>\n<p>Profilowanie Pandas oferuje mn\u00f3stwo funkcji, kt\u00f3re czyni\u0105 go niezast\u0105pionym narz\u0119dziem do analizy danych:<\/p>\n<ol>\n<li>\n<p><strong>Automatyczne generowanie raport\u00f3w:<\/strong> Profilowanie Pand automatycznie generuje szczeg\u00f3\u0142owe raporty z analizy danych, oszcz\u0119dzaj\u0105c czas i wysi\u0142ek analityk\u00f3w.<\/p>\n<\/li>\n<li>\n<p><strong>Interaktywne wizualizacje:<\/strong> Raport HTML zawiera interaktywne wizualizacje, kt\u00f3re pozwalaj\u0105 u\u017cytkownikom eksplorowa\u0107 dane w anga\u017cuj\u0105cy i przyjazny dla u\u017cytkownika spos\u00f3b.<\/p>\n<\/li>\n<li>\n<p><strong>Konfigurowalna analiza:<\/strong> U\u017cytkownicy mog\u0105 dostosowa\u0107 analiz\u0119, okre\u015blaj\u0105c po\u017c\u0105dany poziom szczeg\u00f3\u0142owo\u015bci, pomijaj\u0105c okre\u015blone sekcje lub ustawiaj\u0105c pr\u00f3g korelacji.<\/p>\n<\/li>\n<li>\n<p><strong>Integracja notebooka:<\/strong> Profilowanie Pandas p\u0142ynnie integruje si\u0119 z Jupyter Notebooks, poprawiaj\u0105c do\u015bwiadczenie eksploracji danych w \u015brodowisku notebook\u00f3w.<\/p>\n<\/li>\n<li>\n<p><strong>Por\u00f3wnania profili:<\/strong> Obs\u0142uguje por\u00f3wnywanie wielu profili danych, umo\u017cliwiaj\u0105c u\u017cytkownikom zrozumienie r\u00f3\u017cnic mi\u0119dzy zbiorami danych.<\/p>\n<\/li>\n<li>\n<p><strong>Opcje eksportu:<\/strong> Wygenerowane raporty mo\u017cna \u0142atwo eksportowa\u0107 do r\u00f3\u017cnych format\u00f3w, takich jak HTML, JSON czy YAML.<\/p>\n<\/li>\n<\/ol>\n<h2>Rodzaje profilowania Pand<\/h2>\n<p>Profilowanie Pandas zapewnia dwa g\u0142\u00f3wne typy profilowania: raport przegl\u0105dowy i raport pe\u0142ny.<\/p>\n<h3>Raport przegl\u0105dowy<\/h3>\n<p>Raport przegl\u0105dowy to zwi\u0119z\u0142e podsumowanie zbioru danych, zawieraj\u0105ce niezb\u0119dne statystyki i wizualizacje. S\u0142u\u017cy jako szybkie \u017ar\u00f3d\u0142o informacji dla analityk\u00f3w danych, umo\u017cliwiaj\u0105ce og\u00f3lne zrozumienie zbioru danych bez zag\u0142\u0119biania si\u0119 w poszczeg\u00f3lne funkcje.<\/p>\n<h3>Pe\u0142ny raport<\/h3>\n<p>Pe\u0142ny raport to kompleksowa analiza zbioru danych, oferuj\u0105ca dog\u0142\u0119bny wgl\u0105d w ka\u017cd\u0105 funkcj\u0119, zaawansowane wizualizacje i szczeg\u00f3\u0142owe statystyki. Raport ten idealnie nadaje si\u0119 do dok\u0142adnej eksploracji danych i jest bardziej odpowiedni w przypadkach, w kt\u00f3rych wymagane jest g\u0142\u0119bsze zrozumienie danych.<\/p>\n<h2>Sposoby wykorzystania profilowania Pand, problemy i ich rozwi\u0105zania zwi\u0105zane z u\u017cytkowaniem.<\/h2>\n<p>Profilowanie Pandas to wszechstronne narz\u0119dzie o r\u00f3\u017cnych zastosowaniach, takich jak:<\/p>\n<ol>\n<li>\n<p><strong>Czyszczenie danych:<\/strong> Wykrywanie brakuj\u0105cych warto\u015bci, warto\u015bci odstaj\u0105cych i anomalii pomaga w czyszczeniu danych i przygotowaniu ich do dalszej analizy.<\/p>\n<\/li>\n<li>\n<p><strong>Wst\u0119pne przetwarzanie danych:<\/strong> Zrozumienie rozk\u0142ad\u00f3w i korelacji danych pomaga wybra\u0107 odpowiednie techniki przetwarzania wst\u0119pnego.<\/p>\n<\/li>\n<li>\n<p><strong>In\u017cynieria funkcji:<\/strong> Identyfikacja relacji mi\u0119dzy cechami pomaga w generowaniu nowych cech lub wybieraniu odpowiednich.<\/p>\n<\/li>\n<li>\n<p><strong>Wizualizacja danych:<\/strong> Wizualizacje profilowania Pand s\u0105 przydatne podczas prezentacji i przekazywania wgl\u0105du w dane zainteresowanym stronom.<\/p>\n<\/li>\n<\/ol>\n<p>Pomimo wielu zalet profilowanie Pand mo\u017ce napotka\u0107 pewne wyzwania, w tym:<\/p>\n<ol>\n<li>\n<p><strong>Du\u017ce zbiory danych:<\/strong> W przypadku wyj\u0105tkowo du\u017cych zbior\u00f3w danych proces profilowania mo\u017ce sta\u0107 si\u0119 czasoch\u0142onny i wymaga\u0107 du\u017cych zasob\u00f3w.<\/p>\n<\/li>\n<li>\n<p><strong>Zu\u017cycie pami\u0119ci:<\/strong> Wygenerowanie pe\u0142nego raportu mo\u017ce wymaga\u0107 znacznej ilo\u015bci pami\u0119ci, co mo\u017ce prowadzi\u0107 do b\u0142\u0119d\u00f3w zwi\u0105zanych z brakiem pami\u0119ci.<\/p>\n<\/li>\n<\/ol>\n<p>Aby rozwi\u0105za\u0107 te problemy, u\u017cytkownicy mog\u0105:<\/p>\n<ul>\n<li><strong>Dane podzbioru:<\/strong> Przeanalizuj reprezentatywn\u0105 pr\u00f3bk\u0119 zbioru danych zamiast ca\u0142ego zbioru danych, aby przyspieszy\u0107 proces profilowania.<\/li>\n<li><strong>Zoptymalizuj kod:<\/strong> Zoptymalizuj kod przetwarzania danych i wydajnie wykorzystuj pami\u0119\u0107 do obs\u0142ugi du\u017cych zbior\u00f3w danych.<\/li>\n<\/ul>\n<h2>G\u0142\u00f3wne cechy i inne por\u00f3wnania z podobnymi terminami w formie tabel i list.<\/h2>\n<table>\n<thead>\n<tr>\n<th>Funkcja<\/th>\n<th>Profilowanie pand<\/th>\n<th>AutoViz<\/th>\n<th>SweetViz<\/th>\n<th>D-Opowie\u015b\u0107<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Licencja<\/td>\n<td>MIT<\/td>\n<td>MIT<\/td>\n<td>MIT<\/td>\n<td>MIT<\/td>\n<\/tr>\n<tr>\n<td>Wersja Pythona<\/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>Wsparcie dla notebook\u00f3w<\/td>\n<td>Tak<\/td>\n<td>Tak<\/td>\n<td>Tak<\/td>\n<td>Tak<\/td>\n<\/tr>\n<tr>\n<td>Wyniki raportu<\/td>\n<td>HTML<\/td>\n<td>Nie dotyczy<\/td>\n<td>HTML<\/td>\n<td>Interfejs sieciowy<\/td>\n<\/tr>\n<tr>\n<td>Interaktywny<\/td>\n<td>Tak<\/td>\n<td>Tak<\/td>\n<td>Tak<\/td>\n<td>Tak<\/td>\n<\/tr>\n<tr>\n<td>Mo\u017cliwo\u015b\u0107 dostosowania<\/td>\n<td>Tak<\/td>\n<td>Tak<\/td>\n<td>Ograniczony<\/td>\n<td>Tak<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Profilowanie pand:<\/strong> Kompleksowe i interaktywne narz\u0119dzie do analizy danych oparte na Pandach.<\/p>\n<p><strong>AutoWiz:<\/strong> Automatyczna wizualizacja dowolnego zbioru danych, zapewniaj\u0105ca szybki wgl\u0105d bez konieczno\u015bci dostosowywania.<\/p>\n<p><strong>SweetViz:<\/strong> Generuje pi\u0119kne wizualizacje i raporty z analiz\u0105 danych o du\u017cej g\u0119sto\u015bci.<\/p>\n<p><strong>D-Opowie\u015b\u0107:<\/strong> Interaktywne narz\u0119dzie internetowe do eksploracji i manipulacji danymi.<\/p>\n<h2>Perspektywy i technologie przysz\u0142o\u015bci zwi\u0105zane z profilowaniem Pand.<\/h2>\n<p>Przysz\u0142o\u015b\u0107 profilowania Pand rysuje si\u0119 w jasnych barwach, poniewa\u017c analiza danych w dalszym ci\u0105gu stanowi kluczowy element r\u00f3\u017cnych bran\u017c. Niekt\u00f3re potencjalne zmiany i trendy obejmuj\u0105:<\/p>\n<ol>\n<li>\n<p><strong>Ulepszenia w wydajno\u015bci:<\/strong> Przysz\u0142e aktualizacje mog\u0105 koncentrowa\u0107 si\u0119 na optymalizacji wykorzystania pami\u0119ci i przyspieszeniu procesu profilowania du\u017cych zbior\u00f3w danych.<\/p>\n<\/li>\n<li>\n<p><strong>Integracja z technologiami Big Data:<\/strong> Integracja z rozproszonymi platformami obliczeniowymi, takimi jak Dask lub Apache Spark, mog\u0142aby umo\u017cliwi\u0107 profilowanie du\u017cych zbior\u00f3w danych.<\/p>\n<\/li>\n<li>\n<p><strong>Zaawansowane wizualizacje:<\/strong> Dalsze ulepszenia mo\u017cliwo\u015bci wizualizacji mog\u0105 prowadzi\u0107 do bardziej interaktywnych i wnikliwych reprezentacji danych.<\/p>\n<\/li>\n<li>\n<p><strong>Integracja uczenia maszynowego:<\/strong> Integracja z bibliotekami uczenia maszynowego mo\u017ce umo\u017cliwi\u0107 zautomatyzowane projektowanie funkcji w oparciu o statystyki profilowania.<\/p>\n<\/li>\n<li>\n<p><strong>Rozwi\u0105zania oparte na chmurze:<\/strong> Wdro\u017cenia oparte na chmurze mog\u0105 oferowa\u0107 bardziej skalowalne i zasobooszcz\u0119dne opcje profilowania.<\/p>\n<\/li>\n<\/ol>\n<h2>W jaki spos\u00f3b serwery proxy mog\u0105 by\u0107 wykorzystywane lub powi\u0105zane z profilowaniem Pand.<\/h2>\n<p>Serwery proxy, takie jak te dostarczane przez OneProxy, odgrywaj\u0105 kluczow\u0105 rol\u0119 w kontek\u015bcie profilowania Pand w nast\u0119puj\u0105cy spos\u00f3b:<\/p>\n<ol>\n<li>\n<p><strong>Prywatno\u015b\u0107 danych:<\/strong> W niekt\u00f3rych przypadkach wra\u017cliwe zbiory danych mog\u0105 wymaga\u0107 dodatkowych \u015brodk\u00f3w bezpiecze\u0144stwa. Serwery proxy mog\u0105 pe\u0142ni\u0107 rol\u0119 po\u015brednik\u00f3w pomi\u0119dzy \u017ar\u00f3d\u0142em danych a narz\u0119dziem do profilowania, zapewniaj\u0105c prywatno\u015b\u0107 i ochron\u0119 danych.<\/p>\n<\/li>\n<li>\n<p><strong>Omijanie ogranicze\u0144:<\/strong> Podczas przeprowadzania analizy danych w internetowych zbiorach danych, kt\u00f3re maj\u0105 ograniczenia dost\u0119pu, serwery proxy mog\u0105 pom\u00f3c w omini\u0119ciu tych ogranicze\u0144 i umo\u017cliwi\u0107 pobieranie danych do profilowania.<\/p>\n<\/li>\n<li>\n<p><strong>R\u00f3wnowa\u017cenie obci\u0105\u017cenia:<\/strong> W przypadku zada\u0144 zwi\u0105zanych ze skrobaniem sieci i ekstrakcj\u0105 danych serwery proxy mog\u0105 dystrybuowa\u0107 \u017c\u0105dania na wiele adres\u00f3w IP, zapobiegaj\u0105c blokadom IP z powodu nadmiernego ruchu z jednego \u017ar\u00f3d\u0142a.<\/p>\n<\/li>\n<li>\n<p><strong>Dywersyfikacja geolokalizacji:<\/strong> Serwery proxy pozwalaj\u0105 u\u017cytkownikom symulowa\u0107 dost\u0119p z r\u00f3\u017cnych lokalizacji geograficznych, co jest szczeg\u00f3lnie przydatne przy analizie danych specyficznych dla regionu.<\/p>\n<\/li>\n<\/ol>\n<p>Korzystaj\u0105c z niezawodnego dostawcy serwer\u00f3w proxy, takiego jak OneProxy, specjali\u015bci ds. danych mog\u0105 zwi\u0119kszy\u0107 swoje mo\u017cliwo\u015bci analizy danych i zapewni\u0107 bezproblemowy dost\u0119p do zewn\u0119trznych \u017ar\u00f3de\u0142 danych bez \u017cadnych ogranicze\u0144 i obaw dotycz\u0105cych prywatno\u015bci.<\/p>\n<h2>Powi\u0105zane linki<\/h2>\n<p>Wi\u0119cej informacji na temat profilowania Pand mo\u017cna znale\u017a\u0107 w nast\u0119puj\u0105cych zasobach:<\/p>\n<ul>\n<li><a href=\"https:\/\/pandas-profiling.github.io\/pandas-profiling\/docs\/\" target=\"_new\" rel=\"noopener nofollow\">Dokumentacja profilowania Pand<\/a><\/li>\n<li><a href=\"https:\/\/github.com\/pandas-profiling\/pandas-profiling\" target=\"_new\" rel=\"noopener nofollow\">Repozytorium GitHuba<\/a><\/li>\n<li><a href=\"https:\/\/www.datacamp.com\/community\/tutorials\/pandas-profiling-python\" target=\"_new\" rel=\"noopener nofollow\">Poradnik dotycz\u0105cy DataCampu<\/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\/pl\/wp-json\/wp\/v2\/wiki\/478332","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/wiki\/478332\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/media\/469109"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/media?parent=478332"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}