👋 工具系列：PyCaret 介绍_聚类算法案例

PyCaret教程已经系统的将官网文档翻译成中文，您可以去http://www.aidoczh.com/docs/pycaret/ 查看文档，该网站www.aidoczh.com主要是将AI工具官方文档翻译成中文，还有其他工具文档可以看。

本案例代码下载

https://download.csdn.net/download/wjjc1017/88642616

工具介绍

PyCaret 是一个开源的、低代码的 Python 机器学习库，可以自动化机器学习工作流程。它是一个端到端的机器学习和模型管理工具，可以大幅加快实验周期并提高工作效率。

与其他开源机器学习库相比，PyCaret 是一个替代低代码库，可以用几行代码代替数百行代码。这使得实验速度指数级增长，效率更高。PyCaret 本质上是围绕几个机器学习库和框架（如scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray等）的 Python 封装。

PyCaret 的设计和简洁性受到了 Gartner 首次使用的公民数据科学家这一新兴角色的启发。公民数据科学家是能够执行简单和中等复杂的分析任务的高级用户，而以前这些任务需要更多的技术专长。

💻 安装

PyCaret在以下64位系统上进行了测试和支持：

  • Python 3.7 - 3.10
  • 仅适用于Ubuntu的Python 3.9
  • Ubuntu 16.04或更高版本
  • Windows 7或更高版本

您可以使用Python的pip软件包管理器安装PyCaret：

pip install pycaret

PyCaret的默认安装不会自动安装所有额外的依赖项。为此，您需要安装完整版本：

pip install pycaret[full]

或者根据您的用例，您可以安装以下其中之一的变体：

  • pip install pycaret[analysis]
  • pip install pycaret[models]
  • pip install pycaret[tuner]
  • pip install pycaret[mlops]
  • pip install pycaret[parallel]
  • pip install pycaret[test]
# 导入pycaret库
import pycaret

# 打印pycaret库的版本号
pycaret.__version__

'3.0.0'

🚀 快速开始

PyCaret的聚类模块是一个无监督机器学习模块，它执行将一组对象分组的任务，使得同一组中的对象（也称为簇）彼此之间比与其他组中的对象更相似。

它提供了几个预处理功能，通过设置函数为建模准备数据。它有超过10个可用的算法和几个绘图来分析训练模型的性能。

在PyCaret的无监督模块中，典型的工作流程按照以下6个步骤进行：

设置 ➡️ 创建模型 ➡️ 分配标签 ➡️ 分析模型 ➡️ 预测 ➡️ 保存模型

# 从pycaret数据集模块加载示例数据集
from pycaret.datasets import get_data
data = get_data('jewellery')
Age Income SpendingScore Savings
0 58 77769 0.791329 6559.829923
1 59 81799 0.791082 5417.661426
2 62 74751 0.702657 9258.992965
3 59 74373 0.765680 7346.334504
4 87 17760 0.348778 16869.507130

设置

此函数初始化训练环境并创建转换流水线。在执行PyCaret中的任何其他函数之前，必须先调用设置函数。它只有一个必需的参数，即data。所有其他参数都是可选的。

# 导入 pycaret clustering 库并初始化设置
from pycaret.clustering import *

# 使用指定的 session_id 对数据进行设置
s = setup(data, session_id = 123)
  Description Value
0 Session id 123
1 Original data shape (505, 4)
2 Transformed data shape (505, 4)
3 Numeric features 4
4 Preprocess True
5 Imputation type simple
6 Numeric imputation mean
7 Categorical imputation mode
8 CPU Jobs -1
9 Use GPU False
10 Log Experiment False
11 Experiment Name cluster-default-name
12 USI 3c6c

一旦设置成功执行，它将显示包含实验级别信息的信息网格。

  • 会话ID： 伪随机数，在所有函数中分布为种子，以便以后能够重现。如果未传递session_id，则会自动生成一个随机数，并分发给所有函数。


  • 原始数据形状： 在进行任何转换之前的原始数据形状。


  • 转换后数据形状： 经过转换后的数据形状。


  • 数值特征： 被视为数值的特征数量。


  • 分类特征： 被视为分类的特征数量。

PyCaret的API

PyCaret有两套可以使用的API。 (1) 函数式API（如上所示）和 (2) 面向对象的API。

使用面向对象的API时，您将导入一个类并执行该类的方法，而不是直接执行函数。

# 导入ClusteringExperiment类并初始化该类
from pycaret.clustering import ClusteringExperiment
exp = ClusteringExperiment()

# 检查exp的类型
type(exp)

pycaret.clustering.oop.ClusteringExperiment

# 初始化实验设置
exp.setup(data, session_id=123)  # 设置实验的数据和会话ID为123
  Description Value
0 Session id 123
1 Original data shape (505, 4)
2 Transformed data shape (505, 4)
3 Numeric features 4
4 Preprocess True
5 Imputation type simple
6 Numeric imputation mean
7 Categorical imputation mode
8 CPU Jobs -1
9 Use GPU False
10 Log Experiment False
11 Experiment Name cluster-default-name
12 USI 6c6d 
<pycaret.clustering.oop.ClusteringExperiment at 0x16a6fe44e50>

你可以使用任何两种方法，即函数式或面向对象编程，并且可以在两组API之间来回切换。选择的方法不会影响结果，并且已经进行了一致性测试。

创建模型

该函数训练并评估给定模型的性能。可以使用get_metrics函数访问评估的指标。可以使用add_metric和remove_metric函数添加或删除自定义指标。可以使用models函数访问所有可用的模型。

# 导入所需的库
from pycaret.clustering import create_model

# 创建一个kmeans模型
kmeans = create_model('kmeans')
  Silhouette Calinski-Harabasz Davies-Bouldin Homogeneity Rand Index Completeness
0 0.7207 5011.8115 0.4114 0 0 0 
Processing:   0%|          | 0/3 [00:00<?, ?it/s]

# 查看所有可用的模型
models()
Name Reference
ID
kmeans K-Means Clustering sklearn.cluster._kmeans.KMeans
ap Affinity Propagation sklearn.cluster._affinity_propagation.Affinity...
meanshift Mean Shift Clustering sklearn.cluster._mean_shift.MeanShift
sc Spectral Clustering sklearn.cluster._spectral.SpectralClustering
hclust Agglomerative Clustering sklearn.cluster._agglomerative.AgglomerativeCl...
dbscan Density-Based Spatial Clustering sklearn.cluster._dbscan.DBSCAN
optics OPTICS Clustering sklearn.cluster._optics.OPTICS
birch Birch Clustering sklearn.cluster._birch.Birch
kmodes K-Modes Clustering kmodes.kmodes.KModes 
# 创建一个MeanShift模型
meanshift = MeanShift()
  Silhouette Calinski-Harabasz Davies-Bouldin Homogeneity Rand Index Completeness
0 0.7393 3567.5370 0.3435 0 0 0 
Processing:   0%|          | 0/3 [00:00<?, ?it/s]

分配模型

该函数将训练数据分配给已训练的模型，并给出聚类标签。

# 对kmeans模型进行聚类分配
kmeans_cluster = assign_model(kmeans)
kmeans_cluster
Age Income SpendingScore Savings Cluster
0 58 77769 0.791329 6559.830078 Cluster 2
1 59 81799 0.791082 5417.661621 Cluster 2
2 62 74751 0.702657 9258.993164 Cluster 2
3 59 74373 0.765680 7346.334473 Cluster 2
4 87 17760 0.348778 16869.507812 Cluster 0
... ... ... ... ... ...
500 28 101206 0.387441 14936.775391 Cluster 1
501 93 19934 0.203140 17969.693359 Cluster 0
502 90 35297 0.355149 16091.402344 Cluster 0
503 91 20681 0.354679 18401.087891 Cluster 0
504 89 30267 0.289310 14386.351562 Cluster 0

505 rows × 5 columns

分析模型

您可以使用plot_model函数来分析已训练模型在测试集上的性能。在某些情况下，可能需要重新训练模型。

# 绘制PCA聚类图
plot_model(kmeans, plot='cluster')

请添加图片描述

# plot elbow
plot_model(kmeans, plot = 'elbow')

请添加图片描述

# 创建SilhouetteVisualizer对象，用于绘制轮廓图
plot_model(kmeans, plot = 'silhouette')

在这里插入图片描述

# check docstring to see available plots 
# help(plot_model)

一种替代plot_model函数的方法是evaluate_model。它只能在Notebook中使用，因为它使用了ipywidget。

# 调用evaluate_model函数，传入kmeans模型进行评估
evaluate_model(kmeans)

interactive(children=(ToggleButtons(description='Plot Type:', icons=('',), options=(('Pipeline Plot', 'pipelin…

预测

predict_model 函数将 Cluster 标签作为输入数据框的新列返回。根据使用情况，可能需要或不需要此步骤。有时聚类模型仅用于分析目的，用户只对训练数据集上的分配标签感兴趣，可以使用 assign_model 函数完成。只有在您想要在未见过的数据上获取聚类标签时（即在训练模型期间未使用的数据），predict_model 才有用。

# 使用K-means模型对测试集进行预测
kmeans_pred = predict_model(kmeans, data=data)
kmeans_pred
Age Income SpendingScore Savings Cluster
0 58.0 77769.0 0.791329 6559.829923 Cluster 2
1 59.0 81799.0 0.791082 5417.661426 Cluster 2
2 62.0 74751.0 0.702657 9258.992965 Cluster 2
3 59.0 74373.0 0.765680 7346.334504 Cluster 2
4 87.0 17760.0 0.348778 16869.507130 Cluster 0
... ... ... ... ... ...
500 28.0 101206.0 0.387441 14936.775389 Cluster 1
501 93.0 19934.0 0.203140 17969.693769 Cluster 0
502 90.0 35297.0 0.355149 16091.401954 Cluster 0
503 91.0 20681.0 0.354679 18401.088445 Cluster 0
504 89.0 30267.0 0.289310 14386.351880 Cluster 0

505 rows × 5 columns

保存模型

最后，您可以使用pycaret的save_model函数将整个流水线保存到磁盘上以供以后使用。

# 调用save_model函数保存模型
save_model(kmeans, 'kmeans_pipeline')

Transformation Pipeline and Model Successfully Saved





(Pipeline(memory=FastMemory(location=C:\Users\owner\AppData\Local\Temp\joblib),
          steps=[('numerical_imputer',
                  TransformerWrapper(include=['Age', 'Income', 'SpendingScore',
                                              'Savings'],
                                     transformer=SimpleImputer())),
                 ('categorical_imputer',
                  TransformerWrapper(include=[],
                                     transformer=SimpleImputer(strategy='most_frequent'))),
                 ('trained_model', KMeans(n_clusters=4, random_state=123))]),
 'kmeans_pipeline.pkl')

# 加载模型
kmeans_pipeline = load_model('kmeans_pipeline')
kmeans_pipeline

Transformation Pipeline and Model Successfully Loaded

请添加图片描述

👇 详细的逐个函数概述

✅ 设置

此函数初始化训练环境并创建转换流水线。在执行PyCaret中的任何其他函数之前，必须调用设置函数。它只有一个必需的参数，即data。所有其他参数都是可选的。

# 初始化设置
s = setup(data, session_id=123)
  Description Value
0 Session id 123
1 Original data shape (505, 4)
2 Transformed data shape (505, 4)
3 Numeric features 4
4 Preprocess True
5 Imputation type simple
6 Numeric imputation mean
7 Categorical imputation mode
8 CPU Jobs -1
9 Use GPU False
10 Log Experiment False
11 Experiment Name cluster-default-name
12 USI 89ea

为了访问由设置函数创建的所有变量，例如转换后的数据集、随机状态等，您可以使用get_config方法。

# 获取所有可用的配置信息
get_config()

{'USI',
 'X',
 'X_train',
 'X_train_transformed',
 'X_transformed',
 '_available_plots',
 '_ml_usecase',
 'data',
 'dataset',
 'dataset_transformed',
 'exp_id',
 'exp_name_log',
 'gpu_n_jobs_param',
 'gpu_param',
 'html_param',
 'idx',
 'is_multiclass',
 'log_plots_param',
 'logging_param',
 'memory',
 'n_jobs_param',
 'pipeline',
 'seed',
 'train',
 'train_transformed',
 'variable_and_property_keys',
 'variables'}

# 获取配置中的 'X_train_transformed' 数据

get_config('X_train_transformed')
Age Income SpendingScore Savings
0 58.0 77769.0 0.791329 6559.830078
1 59.0 81799.0 0.791082 5417.661621
2 62.0 74751.0 0.702657 9258.993164
3 59.0 74373.0 0.765680 7346.334473
4 87.0 17760.0 0.348778 16869.507812
... ... ... ... ...
500 28.0 101206.0 0.387441 14936.775391
501 93.0 19934.0 0.203140 17969.693359
502 90.0 35297.0 0.355149 16091.402344
503 91.0 20681.0 0.354679 18401.087891
504 89.0 30267.0 0.289310 14386.351562

505 rows × 4 columns

# 打印当前的种子值
print("当前的种子值为: {}".format(get_config('seed')))

# 使用set_config函数来改变种子值
set_config('seed', 786)
# 打印新的种子值
print("新的种子值为: {}".format(get_config('seed')))

The current seed is: 123
The new seed is: 786

所有的预处理配置和实验设置/参数都传递给setup函数。要查看所有可用的参数，请检查docstring：

# help(setup)

# 初始化设置，使用normalize = True
# 参数data是要进行处理的数据
# 参数session_id是设置的会话ID，用于跟踪和识别不同的会话
# 参数normalize设置为True，表示对数据进行归一化处理
# 参数normalize_method设置为'minmax'，表示使用最小-最大归一化方法进行归一化处理
# 返回值s是初始化设置后的结果，可以用于后续的操作
s = setup(data, session_id = 123,
          normalize = True, normalize_method = 'minmax')
  Description Value
0 Session id 123
1 Original data shape (505, 4)
2 Transformed data shape (505, 4)
3 Numeric features 4
4 Preprocess True
5 Imputation type simple
6 Numeric imputation mean
7 Categorical imputation mode
8 Normalize True
9 Normalize method minmax
10 CPU Jobs -1
11 Use GPU False
12 Log Experiment False
13 Experiment Name cluster-default-name
14 USI cded 
# 获取X_train_transformed的配置信息，并查看参数的效果
config = get_config('X_train_transformed')
# 绘制'Age'列的直方图
config['Age'].hist()

<AxesSubplot:>

在这里插入图片描述

请注意，所有的值都在0和1之间 - 这是因为我们在setup函数中传递了normalize=True。如果你不记得它与实际数据的比较方式，没问题 - 我们也可以使用get_config来访问非转换的值，然后进行比较。请参见下面的内容，并注意x轴上的值范围，并将其与上面的直方图进行比较。


# 获取配置文件中的训练数据集X_train的年龄直方图
get_config('X_train')['Age'].hist()

<AxesSubplot:>

在这里插入图片描述

✅ 实验日志记录

PyCaret与许多不同类型的实验记录器集成（默认为’mlflow’）。要在PyCaret中启用实验跟踪，您可以设置log_experiment和experiment_name参数。它将根据定义的记录器自动跟踪所有指标、超参数和工件。

# 导入所需的库
from pycaret.clustering import *

# 设置实验
# data: 数据集
# log_experiment: 是否记录实验日志到mlflow
# experiment_name: 实验名称
# s = setup(data, log_experiment='mlflow', experiment_name='jewellery_project')


# train kmeans
# kmeans = create_model('kmeans')


# 启动mlflow的用户界面
!mlflow ui

默认情况下，PyCaret使用MLFlow日志记录器，可以使用log_experiment参数进行更改。以下日志记录器可用：

  • mlflow
  • wandb
  • comet_ml
  • dagshub

您可能会发现有用的其他日志记录相关参数有：

  • experiment_custom_tags
  • log_plots
  • log_data
  • log_profile

有关更多信息，请查看setup函数的文档字符串。

# help(setup)

✅ 创建模型

该函数使用交叉验证训练和评估给定估计器的性能。该函数的输出是一个包含每个折叠的CV分数的评分网格。可以使用get_metrics函数访问CV期间评估的指标。可以使用add_metric和remove_metric函数添加或删除自定义指标。可以使用models函数访问所有可用的模型。

# 检查所有可用的模型
models()
Name Reference
ID
kmeans K-Means Clustering sklearn.cluster._kmeans.KMeans
ap Affinity Propagation sklearn.cluster._affinity_propagation.Affinity...
meanshift Mean Shift Clustering sklearn.cluster._mean_shift.MeanShift
sc Spectral Clustering sklearn.cluster._spectral.SpectralClustering
hclust Agglomerative Clustering sklearn.cluster._agglomerative.AgglomerativeCl...
dbscan Density-Based Spatial Clustering sklearn.cluster._dbscan.DBSCAN
optics OPTICS Clustering sklearn.cluster._optics.OPTICS
birch Birch Clustering sklearn.cluster._birch.Birch
kmodes K-Modes Clustering kmodes.kmodes.KModes 
# 创建一个kmeans模型
kmeans = create_model('kmeans')
  Silhouette Calinski-Harabasz Davies-Bouldin Homogeneity Rand Index Completeness
0 0.7569 1449.9983 0.3958 0 0 0 
Processing:   0%|          | 0/3 [00:00<?, ?it/s]

功能以上返回训练好的模型对象作为输出。评分表格仅显示而不返回。如果您需要访问评分表格，可以使用pull函数访问数据框。


# 调用pull函数获取kmeans_results
kmeans_results = pull()

# 打印kmeans_results的数据类型
print(type(kmeans_results))

# 输出kmeans_results的值
kmeans_results

<class 'pandas.core.frame.DataFrame'>
Silhouette Calinski-Harabasz Davies-Bouldin Homogeneity Rand Index Completeness
0 0.7569 1449.9983 0.3958 0 0 0 
# 使用create_model函数创建一个包含10个聚类的kmeans模型
create_model('kmeans', num_clusters=10)
  Silhouette Calinski-Harabasz Davies-Bouldin Homogeneity Rand Index Completeness
0 0.2828 2304.6187 1.3370 0 0 0 
Processing:   0%|          | 0/3 [00:00<?, ?it/s]

请添加图片描述

一些在create_model中可能非常有用的其他参数有：

  • num_clusters
  • ground_truth
  • fit_kwargs
  • experiment_custom_tags
  • engine

您可以查看函数的文档字符串以获取更多信息。

create_model('kmeans', num_clusters = 10)

✅ 分配模型

该函数将训练数据分配给已训练的模型，并为其分配聚类标签。

# 调用assign_model函数，并将KMeans模型作为参数传入
assign_model(KMeans)
Age Income SpendingScore Savings Cluster
0 58 77769 0.791329 6559.830078 Cluster 1
1 59 81799 0.791082 5417.661621 Cluster 1
2 62 74751 0.702657 9258.993164 Cluster 1
3 59 74373 0.765680 7346.334473 Cluster 1
4 87 17760 0.348778 16869.507812 Cluster 0
... ... ... ... ... ...
500 28 101206 0.387441 14936.775391 Cluster 2
501 93 19934 0.203140 17969.693359 Cluster 0
502 90 35297 0.355149 16091.402344 Cluster 0
503 91 20681 0.354679 18401.087891 Cluster 0
504 89 30267 0.289310 14386.351562 Cluster 0

505 rows × 5 columns

✅ 绘制模型

该函数分析训练模型的性能。

# 使用 KElbowVisualizer 可视化模型的拐点图
# 通过设置 plot 参数为 'elbow'，可以绘制拐点图
# 通过设置 scale 参数为 2，可以控制图形的缩放比例
plot_model(kmeans, plot='elbow', scale=2)

在这里插入图片描述

# 使用elbow方法绘制聚类模型的图形
# 参数plot='elbow'表示绘制elbow图
# 参数save=True表示保存图形
plot_model(kmeans, plot='elbow', save=True)

'Elbow Plot.png'

一些在plot_model中可能非常有用的其他参数包括：

  • 特征
  • 标签
  • 显示格式

您可以查看函数的文档字符串以获取更多信息。

# help(plot_model)

✅ 部署模型

此函数将整个机器学习流程部署到云端。

AWS: 在AWS S3上部署模型时，必须使用命令行界面配置环境变量。要配置AWS环境变量，请在终端中输入aws configure命令。以下信息是必需的，可以使用您的Amazon控制台帐户的身份和访问管理（IAM）门户生成：

  • AWS访问密钥ID
  • AWS秘密密钥访问
  • 默认区域名称（可以在AWS控制台的全局设置下看到）
  • 默认输出格式（必须留空）

GCP: 要在Google Cloud Platform（‘gcp’）上部署模型，必须使用命令行或GCP控制台创建项目。创建项目后，您必须创建一个服务帐号，并将服务帐号密钥下载为JSON文件，以在本地环境中设置环境变量。了解更多信息：https://cloud.google.com/docs/authentication/production

Azure: 要在Microsoft Azure（‘azure’）上部署模型，必须在本地环境中设置用于连接字符串的环境变量。转到Azure门户上的存储帐户设置以访问所需的连接字符串。
AZURE_STORAGE_CONNECTION_STRING（作为环境变量必需）
了解更多信息：https://docs.microsoft.com/en-us/azure/storage/blobs/storage-quickstart-blobs-python?toc=%2Fpython%2Fazure%2FTOC.json

# 部署模型到AWS S3
deploy_model(kmeans, model_name='my_first_platform_on_aws', platform='aws', authentication={'bucket': 'pycaret-test'})

# 从AWS S3加载模型
# 从AWS S3加载模型，模型名称为'my_first_platform_on_aws'，平台为'aws'
# 需要进行身份验证，验证方式为使用存储桶(bucket)的身份验证
# 加载完成后，将结果保存在loaded_from_aws变量中
# load model from aws s3
loaded_from_aws = load_model(model_name = 'my_first_platform_on_aws', platform = 'aws',
                              authentication = {'bucket' : 'pycaret-test'})

loaded_from_aws

✅ 保存/加载模型

这个函数将转换流水线和训练好的模型对象保存为pickle文件，以便以后使用，保存在当前工作目录中。

# 调用保存模型的函数，将kmeans模型保存为'my_first_model'文件
save_model(kmeans, 'my_first_model')

Transformation Pipeline and Model Successfully Saved





(Pipeline(memory=FastMemory(location=C:\Users\owner\AppData\Local\Temp\joblib),
          steps=[('numerical_imputer',
                  TransformerWrapper(include=['Age', 'Income', 'SpendingScore',
                                              'Savings'],
                                     transformer=SimpleImputer())),
                 ('categorical_imputer',
                  TransformerWrapper(include=[],
                                     transformer=SimpleImputer(strategy='most_frequent'))),
                 ('normalize', TransformerWrapper(transformer=MinMaxScaler())),
                 ('trained_model', KMeans(n_clusters=4, random_state=123))]),
 'my_first_model.pkl')

# 加载模型
loaded_from_disk = load_model('my_first_model')
loaded_from_disk

# 从磁盘中加载模型文件 'my_first_model'，并将其赋值给变量 loaded_from_disk

Transformation Pipeline and Model Successfully Loaded

请添加图片描述

✅ 保存/加载实验

该函数将实验中的所有变量保存到磁盘上，以便以后恢复而无需重新运行设置函数。

# 保存实验
save_experiment('my_experiment')

# 从磁盘加载实验
exp_from_disk = load_experiment('my_experiment', data=data)
  Description Value
0 Session id 123
1 Original data shape (505, 4)
2 Transformed data shape (505, 4)
3 Numeric features 4
4 Preprocess True
5 Imputation type simple
6 Numeric imputation mean
7 Categorical imputation mode
8 Normalize True
9 Normalize method minmax
10 CPU Jobs -1
11 Use GPU False
12 Log Experiment False
13 Experiment Name cluster-default-name
14 USI 79ce
# 算法 # 聚类 # 数据挖掘
Logo
CSDN-OPC开发者社区

这里是“一人公司”的成长家园。我们提供从产品曝光、技术变现到法律财税的全栈内容，并连接云服务、办公空间等稀缺资源，助你专注创造，无忧运营。

更多推荐

cover

『低代码开发的终极形态：AI 驱动的可视化编程』

avatar CSDN-OPC开发者社区

Python内存管理终极指南：优化大型数据集处理性能的5个技巧

Python内存管理在处理大型数据集时常常成为性能瓶颈，掌握有效的内存优化技巧能让你的程序运行速度提升数倍。在python-mastery课程中，我们深入探讨了如何通过不同的数据结构选择来显著降低内存使用。## 🚀 为什么Python内存管理如此重要？当处理像芝加哥公交系统数据（包含577,000多行记录）这样的大型数据集时，内存使用可能从12MB激增到50MB以上！这不仅仅是数字问题，

avatar CSDN-OPC开发者社区
cover

上下文工程完全指南：打造高确定性AI Agent的四大支柱（建议收藏）

avatar CSDN-OPC开发者社区