作者：Python開發與大數據人工智能原文：公眾號 Python開發與大數據人工智能

Python是一種很棒的編程語言。事實上，它還是世界上發展最快的編程語言之一。它一次又一次證明了它在數據科學職位中的實用性。整個Python及其庫的生態系統使其成為全世界用戶(初學者和高級)的合適選擇。

在本文中，我們將介紹一些用于數據科學方面的Python庫，它們并不像pandas、scikit-learn 和 matplotlib那么知名，但一樣非常實用的庫。

1、Wget

提取數據，尤其是從網絡上提取數據，是數據科學家的主要任務之一。Wget是一個免費的實用程序，用于從Web上進行非交互式文件下載。它支持HTTP，HTTPS和FTP協議，以及通過HTTP代理進行檢索。由于它是非交互式的，即使用戶沒有登錄也可以在后臺運行。因此，如果你需要下載一個網站或頁面中的所有圖片時，wget 就可以幫到你

安裝：

$?pip?install?wget

示例：

import?wget
url?=?'http://www.futurecrew.com/skaven/song_files/mp3/razorback.mp3'
filename?=?wget.download(url)
100%?[................................................]?3841532?/?3841532
filename
'razorback.mp3'

2、Pendulum

如果你還在苦惱Python中時間日期的處理，那么你需要Pendulum。它是一個Python包，用于簡化datetime操作。它是Python原生類的一個臨時替代。

安裝：

$?pip?install?pendulum

例子：

import?pendulum
dt_toronto?=?pendulum.datetime(2012,?1,?1,?tz='America/Toronto')
dt_vancouver?=?pendulum.datetime(2012,?1,?1,?tz='America/Vancouver')print(dt_vancouver.diff(dt_toronto).in_hours())3

3、Imbalanced-learn

大多數分類算法在每個類的樣本數量幾乎都是一樣的情況下是最有效的，但實際工作中大多數是不平衡的數據集，這些數據集對機器學習算法的學習階段和后續預測都可能有影響。幸運的是，創imbalance -learn庫可以解決這個問題。它與scikit-learn兼容，是scikit- learning -contrib項目的一部分。下次遇到不平衡的數據集的情況，請別忘了它。

安裝：

pip?install?-U?imbalanced-learn#?or
conda?install?-c?conda-forge?imbalanced-learn

4、FlashText

在自然語言處理(NLP)任務中清理文本數據通常需要替換關鍵字或從句子中提取關鍵字。通常，這樣的操作可以用正則表達式來完成，但是如果要搜索的詞匯量達到數千，那么這些操作就會變得很繁瑣。

Python的FlashText模塊基于FlashText算法，為這種情況提供了合適的替代方案。FlashText最棒的地方是，它的運行與你的搜索量無關。

安裝：

$?pip?install?flashtext

例子：

1)提取關鍵詞

from?flashtext?import?KeywordProcessor
keyword_processor?=?KeywordProcessor()#?keyword_processor.add_keyword(,?)
keyword_processor.add_keyword('Big?Apple',?'New?York')
keyword_processor.add_keyword('Bay?Area')
keywords_found?=?keyword_processor.extract_keywords('I?love?Big?Apple?and?Bay?Area.')
keywords_found
['New?York',?'Bay?Area']

2)替代關鍵詞

keyword_processor.add_keyword('New?Delhi',?'NCR?region')
new_sentence?=?keyword_processor.replace_keywords('I?love?Big?Apple?and?new?delhi.')
new_sentence'I?love?New?York?and?NCR?region.'

5、FuzzyWuzzy

這個名稱聽起來很奇怪，但是在字符串匹配方面，FuzzyWuzzy是一個非常有用的庫。它可以方便地實現字符串匹配率等操作。它還可以方便地匹配保存在不同數據庫中的記錄。

安裝：

$?pip?install?fuzzywuzzy

例子：

from?fuzzywuzzy?import?fuzzfrom?fuzzywuzzy?import?process#?Simple?Ratio
fuzz.ratio("this?is?a?test",?"this?is?a?test!")97#?Partial?Ratio
fuzz.partial_ratio("this?is?a?test",?"this?is?a?test!")100

6、PyFlux

時間序列分析是機器學習中最常見的問題之一。PyFlux是Python中的一個開源庫，它是為處理時間序列問題而構建的。該庫擁有一系列很優秀的現代時間序列模型，諸如ARIMA、GARCH和VAR模型等。簡而言之，PyFlux提供了一種時間序列建模的概率方法。

安裝：

pip?install?pyflux

7、IPyvolume

數據科學很重要的一部分就是交流結果，可視化結果顯示可以給你提供一個巨大的優勢。IPyvolume是一個Python庫，用于可視化Jupyter筆記本中的3D容量和符號(例如3D散點圖)，只需少量的配置。

安裝 ：

Using?pip
$?pip?install?ipyvolume
Conda/Anaconda
$?conda?install?-c?conda-forge?ipyvolume

例子：

繪制

8、Dash

Dash是一個用于構建web應用程序的高效Python框架。它基于FlaskPlotty.js 和 Response.js 之上。將下拉菜單和圖形等UI元素與Python分析代碼捆綁在一起，而不需要使用JavaScript。Dash非常適合構建可以在web瀏覽器中呈現的數據可視化應用程序。

安裝：

pip?install?dash==0.29.0??#?The?core?dash?backend
pip?install?dash-html-components==0.13.2??#?HTML?components
pip?install?dash-core-components==0.36.0??#?Supercharged?components
pip?install?dash-table==3.1.3??#?Interactive?DataTable?component?(new!)

例子：

下面的示例顯示了具有下拉功能的高度交互式圖。當用戶在下拉菜單中選擇一個值時，應用程序代碼將動態地將數據從Google Finance 導出到panda DataFrame。

9、Gym

Gym是開發和對比強化學習算法的工具，它兼容任何數據科學庫，如TensorFlow或Theano。是一個測試問題的集合，也叫環境，你可以用它來計算強化學習算法。這些環境有一個共享接口，允許用戶編寫通用算法。

安裝：

pip?install?gym

總結

以上是生活随笔為你收集整理的garch预测 python_数据科学方面的Python库，实用！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。