0
| 本文作者： 林立宏 | 2017-06-22 19:23 |
雷鋒網(wǎng)按：本文作者為 ActiveWizards 的數(shù)據(jù)顧問 Igor Bobriakov，雷鋒網(wǎng)林立宏與 Raey Raey Li 編譯。
Igor Bobriakov
近年來，Python 在數(shù)據(jù)科學(xué)行業(yè)扮演著越來越重要的角色。因此，我根據(jù)近來的使用體驗，在本文中列出了對數(shù)據(jù)科學(xué)家、工程師們最有用的那些庫。
由于這些庫都開源了，我們從Github上引入了提交數(shù)，貢獻(xiàn)者數(shù)和其他指標(biāo)，這可以作為庫流行程度的參考指標(biāo)。
當(dāng)開始處理Python中的科學(xué)任務(wù)，Python的SciPy Stack肯定可以提供幫助，它是專門為Python中科學(xué)計算而設(shè)計的軟件集合（不要混淆SciPy庫，它是SciPy Stack的一部分，和SciPy Stack的社區(qū)）這樣我們開始來看一下吧。然而，SciPy Stack相當(dāng)龐大，其中有十幾個庫，我們把焦點放在核心包上（特別是最重要的）。
關(guān)于建立科學(xué)計算棧，最基本的包是Numpy（全稱為Numerical Python）。它為Python中的n維數(shù)組和矩陣的操作提供了大量有用的功能。該庫提供了NumPy數(shù)組類型的數(shù)學(xué)運算向量化，可以改善性能，從而加快執(zhí)行速度。
SciPy是一個工程和科學(xué)軟件庫。雷鋒網(wǎng)再次提醒，你需要理解SciPy Stack和SciPy庫之間的區(qū)別。
SciPy包含線性代數(shù)，優(yōu)化，集成和統(tǒng)計的模塊。SciPy庫的主要功能是建立在NumPy上，從而它的數(shù)組大量的使用了NumPy的。它通過其特定子模塊提供有效的數(shù)值例程，并作為數(shù)字積分、優(yōu)化和其他例程。SciPy的所有子模塊中的功能都有詳細(xì)的說明 ——又是一個SciPy非常有幫助的點。
Pandas是一個Python包，旨在通過“標(biāo)記”和“關(guān)系”數(shù)據(jù)進(jìn)行工作，簡單直觀。Pandas是數(shù)據(jù)整理的完美工具。它設(shè)計用于快速簡單的數(shù)據(jù)操作，聚合和可視化。
庫中有兩個主要的數(shù)據(jù)結(jié)構(gòu)：
“系列”（Series），一維
“數(shù)據(jù)幀”（Data Frames），二維
例如，當(dāng)您要從這兩種類型的結(jié)構(gòu)中接收到一個新的Dataframe時，通過傳遞一個Series，您將收到一個單獨的行到DataFrame的DF：
這里稍微列出了你可以用Pandas做的事情：
輕松刪除并添加數(shù)據(jù)幀（DataFrame）中的列
將數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換為數(shù)據(jù)幀（DataFrame）對象
處理丟失的數(shù)據(jù)，表示為NaN
功能強(qiáng)大的分組
Google趨勢記錄
trends.google.com
GitHub請求歷史記錄
datascience.com/trends
又一個SciPy Stack核心軟件包以及 Python庫，Matplotlib為輕松生成簡單而強(qiáng)大的可視化而量身定制。它是一個頂尖的軟件（在NumPy，SciPy和Pandas的幫助下），它使Python成為像MatLab或Mathematica這樣的科學(xué)工具的競爭對手。
然而，這個庫是低層級的，這意味著你需要編寫更多的代碼才能達(dá)到高級的可視化效果，而且通常會比使用更多的高級工具付出更多的努力，但總體上這些努力是值得的。
只要付出一點你就可以做任何可視化：
線圖
散點圖
條形圖和直方圖
餅狀圖;
莖圖
輪廓圖
場圖
頻譜圖
還有使用Matplotlib創(chuàng)建標(biāo)簽，網(wǎng)格，圖例和許多其他格式化實體的功能?；旧?，一切都是可定制的。
該庫由不同的平臺支持，并使用不同的GUI套件來描述所得到的可視化。不同的IDE（如IPython）都支持Matplotlib的功能。
還有一些額外的庫可以使可視化變得更加容易。
Seaborn主要關(guān)注統(tǒng)計模型的可視化；這種可視化包括熱圖，這些熱圖（heat map）總結(jié)數(shù)據(jù)但仍描繪整體分布。Seaborn基于Matplotlib，并高度依賴于此。
另一個很不錯的可視化庫是Bokeh，它針對交互式可視化。與以前的庫相比，它獨立于Matplotlib。正如我們提到的，Bokeh的主要焦點是交互性，它通過現(xiàn)代瀏覽器以數(shù)據(jù)驅(qū)動文檔（d3.js）的風(fēng)格呈現(xiàn)。
最后，關(guān)于Plotly的話。它是一個基于Web用于構(gòu)建可視化的工具箱，提供API給一些編程語言（Python在內(nèi)）。在plot.ly網(wǎng)站上有一些強(qiáng)大的、上手即用的圖形。為了使用Plotly，你將需要設(shè)置API密鑰。圖形將在服務(wù)器端處理，并發(fā)布到互聯(lián)網(wǎng)，但有一種方法可以避免。
Google趨勢記錄
trends.google.com
GitHub請求歷史記錄
datascience.com/trends
Scikits是Scikits Stack額外的軟件包，專為像圖像處理和機(jī)器學(xué)習(xí)輔助等特定功能而設(shè)計。對于機(jī)器學(xué)習(xí)輔助，scikit-learn是所有軟件包里最突出的一個。它建立在SciPy之上，并大量利用它的數(shù)學(xué)運算。
scikit-learn給常見的機(jī)器學(xué)習(xí)算法公開了一個簡潔、一致的接口，可簡單地將機(jī)器學(xué)習(xí)帶入生產(chǎn)系統(tǒng)中。該庫中集成了有質(zhì)量的代碼和良好的文檔、簡單易用并且十分高效，是使用Python進(jìn)行機(jī)器學(xué)習(xí)的實際行業(yè)標(biāo)準(zhǔn)。
在深度學(xué)習(xí)方面，Python中最著名和最便的庫之一是Keras，它可以在TensorFlow或Theano框架上運行。讓我們來看一下它們的一些細(xì)節(jié)。
首先讓我們談?wù)凾heano。
Theano是一個Python軟件包，它定義了與NumPy類似的多維數(shù)組，以及數(shù)學(xué)運算和表達(dá)式。此庫是被編譯的，可實現(xiàn)在所有架構(gòu)上的高效運行。最初由蒙特利爾大學(xué)機(jī)器學(xué)習(xí)組開發(fā)，它主要用于滿足機(jī)器學(xué)習(xí)的需求。
值得注意的是，Theano緊密結(jié)合了NumPy在低層次上的運算 。另外，該庫還優(yōu)化了GPU和CPU的使用，使數(shù)據(jù)密集型的計算平臺性能更佳。
效率和穩(wěn)定性微調(diào)保證了即使在數(shù)值很小的情況下，仍有更精確的結(jié)果，例如，即使只給出x的最小值，log（1 + x）仍能計算出合理的結(jié)果。
TensorFlow來自Google的開發(fā)人員，它是數(shù)據(jù)流圖計算的開源庫，為機(jī)器學(xué)習(xí)不斷打磨。它旨在滿足谷歌對訓(xùn)練神經(jīng)網(wǎng)絡(luò)的高需求，并且是基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)系統(tǒng)DistBelief的繼任者。然而，TensorFlow并不限制于谷歌的科學(xué)應(yīng)用范圍 – 它可以通用于多種多樣的現(xiàn)實應(yīng)用中。
TensorFlow的關(guān)鍵特征是它的多層節(jié)點系統(tǒng)，可以在大型數(shù)據(jù)集上快速訓(xùn)練神經(jīng)網(wǎng)絡(luò)。這為谷歌的語音識別和圖像對象識別提供了支持。
最后我們來看看Keras。它是一個用Python編寫的開源的庫，用于在高層的接口上構(gòu)建神經(jīng)網(wǎng)絡(luò)。它簡單易懂，具有高級可擴(kuò)展性。Keras使用Theano或TensorFlow作為后端，但微軟現(xiàn)在正努力整合CNTK（微軟的認(rèn)知工具包）作為新的后端。
設(shè)計中的簡約方法旨在通過建立緊湊型系統(tǒng)進(jìn)行快速、簡便的實驗。
Keras真的容易上手，并在持續(xù)完善它的快速原型能力。它完全用Python編寫，可被高度模塊化和擴(kuò)展。盡管它以易上手、簡單和以高層次為導(dǎo)向，但是Keras足夠有深度并且足夠強(qiáng)大，去支持復(fù)雜的模型。
谷歌發(fā)展趨勢歷史
trends.google.com
GitHub請求歷史記錄
datascience.com/trends
這個庫的名稱“Natural Language Toolkit”，代表自然語言工具包，顧名思義，它用于符號學(xué)和統(tǒng)計學(xué)自然語言處理（NLP) 的常見任務(wù)。 NLTK旨在促進(jìn)NLP及相關(guān)領(lǐng)域（語言學(xué)，認(rèn)知科學(xué)人工智能等）的教學(xué)和研究，目前受到重點關(guān)注。
NLTK的功能允許很多操作，例如文本標(biāo)記，分類和標(biāo)記，實體名稱識別，建立語料庫，可以顯示語言內(nèi)部和各句子間的依賴性、詞根、語義推理等。所有的構(gòu)建模塊都可以為不同的任務(wù)構(gòu)建復(fù)雜的研究系統(tǒng)，例如情緒分析，自動總結(jié)。
它是一個用于Python的開源庫，為有向量空間模型和主題模型的工作提供了使用工具。這個庫是為了高效處理大量文本而設(shè)計的，所以不僅可以進(jìn)行內(nèi)存處理，還可以通過廣泛使用NumPy數(shù)據(jù)結(jié)構(gòu)和SciPy操作來獲得更高的效率。Gensim高效也易于使用。
Gensim旨在與原始和非結(jié)構(gòu)化的數(shù)字文本一起使用。 它實現(xiàn)了諸如hierarchical Dirichlet processes（HDP），潛在語義分析（LSA）和潛在Dirichlet分配（LDA）之類的算法，以及tf-idf，隨機(jī)預(yù)測，word2vec和document2vec，便于檢查一組文檔中有重復(fù)模式的文本 （通常稱為語料庫）。所有的算法均是無監(jiān)督的，意味著不需要任何參數(shù)，唯一的輸入只有語料庫。
谷歌發(fā)展趨勢歷史
trends.google.com
GitHub請求歷史記錄
datascience.com/trends
Scrapy庫是用于從網(wǎng)絡(luò)結(jié)構(gòu)化檢索數(shù)據(jù)（如聯(lián)系人信息或URL）,可以用來設(shè)計crawling程序（也稱為蜘蛛bots）。
它是開源的，使用用Python編寫的。最開始只是如它的名字暗示的一樣，只用來做scraping，但是它現(xiàn)在已經(jīng)在完整的框架中發(fā)展，能夠從API采集數(shù)據(jù)并作為通用的crawlers了。
該庫在界面設(shè)計中標(biāo)榜著“不要重復(fù)自己” 它推薦用戶們編寫泛化得到、可被重復(fù)使用的通用代碼，從而構(gòu)建和擴(kuò)展大型的crawlers。
Scrapy的架構(gòu)圍繞著Spider class構(gòu)建，這其中包含了crawler追從的一套指令。
你可能從名字就猜出大概了，statsmodels使用戶能夠通過使用各種統(tǒng)計模型的估算方法進(jìn)行數(shù)據(jù)挖掘，并執(zhí)行統(tǒng)計判斷和分析。
許多有用的特征是可被描述的，并通過使用線性回歸模型，廣義線性模型，離散選擇模型，魯棒線性模型，時間序列分析模型，各種估計方法得出統(tǒng)計結(jié)果。
這個庫還提供了廣泛的標(biāo)定功能，專門用于大數(shù)據(jù)統(tǒng)計中的性能優(yōu)化工作。
許多數(shù)據(jù)科學(xué)家和工程師認(rèn)為這些庫是頂級的，并值得關(guān)注，或者需要或多或少了解它們。 以下是每個庫在Github上的詳細(xì)統(tǒng)計資料：
當(dāng)然，這不是完全詳盡的列表，還有許多其他的庫和框架也是值得關(guān)注。一個很好的例子是SciKit的不同軟件包各自專注一個特定的領(lǐng)域，如SciKit-Image是用于處理圖像的。
via medium
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
