盘点20个最好的数据科学Python库（附链接）
導(dǎo)讀：本文將給大家介紹數(shù)據(jù)科學(xué)領(lǐng)域20個最好的Python庫。
Python 在解決數(shù)據(jù)科學(xué)任務(wù)和挑戰(zhàn)方面繼續(xù)處于領(lǐng)先地位。我們的選擇實際上包含了 20 多個庫，因為其中一些庫是相互替代的，可以解決相同的問題。因此，我們將它們放在同一個分組。
作者：ActiveWizards
譯者：婉清
來源：AI科技大本營（ID：rgznai100）
01 核心庫和統(tǒng)計數(shù)據(jù)
1. NumPy
官網(wǎng)：http://www.numpy.org/
NumPy 是科學(xué)應(yīng)用程序庫的主要軟件包之一，用于處理大型多維數(shù)組和矩陣，它大量的高級數(shù)學(xué)函數(shù)集合和實現(xiàn)方法使得這些對象執(zhí)行操作成為可能。
2. SciPy
官網(wǎng)：https://scipy.org/scipylib/
科學(xué)計算的另一個核心庫是 SciPy。它基于 NumPy，其功能也因此得到了擴展。SciPy 主數(shù)據(jù)結(jié)構(gòu)又是一個多維數(shù)組，由 Numpy 實現(xiàn)。這個軟件包包含了幫助解決線性代數(shù)、概率論、積分計算和許多其他任務(wù)的工具。此外，SciPy 還封裝了許多新的 BLAS 和 LAPACK 函數(shù)。
3. Pandas
官網(wǎng)：https://pandas.pydata.org/
Pandas 是一個 Python 庫，提供高級的數(shù)據(jù)結(jié)構(gòu)和各種各樣的分析工具。這個軟件包的主要特點是能夠?qū)⑾喈攺?fù)雜的數(shù)據(jù)操作轉(zhuǎn)換為一兩個命令。Pandas包含許多用于分組、過濾和組合數(shù)據(jù)的內(nèi)置方法，以及時間序列功能。
4. StatsModels
官網(wǎng)：http://www.statsmodels.org/devel/
Statsmodels 是一個 Python 模塊，它為統(tǒng)計數(shù)據(jù)分析提供了許多機會，例如統(tǒng)計模型估計、執(zhí)行統(tǒng)計測試等。在它的幫助下，你可以實現(xiàn)許多機器學(xué)習(xí)方法并探索不同的繪圖可能性。
Python 庫不斷發(fā)展，不斷豐富新的機遇。因此，今年出現(xiàn)了時間序列的改進和新的計數(shù)模型，即 GeneralizedPoisson、零膨脹模型(zero inflated models)和 NegativeBinomialP，以及新的多元方法：因子分析、多元方差分析以及方差分析中的重復(fù)測量。
02 可視化
5. Matplotlib
官網(wǎng)：https://matplotlib.org/index.html
Matplotlib 是一個用于創(chuàng)建二維圖和圖形的底層庫。藉由它的幫助，你可以構(gòu)建各種不同的圖標，從直方圖和散點圖到費笛卡爾坐標圖。此外，有許多流行的繪圖庫被設(shè)計為與matplotlib結(jié)合使用。
6. Seaborn
官網(wǎng)：https://seaborn.pydata.org/
Seaborn 本質(zhì)上是一個基于 matplotlib 庫的高級 API。它包含更適合處理圖表的默認設(shè)置。此外，還有豐富的可視化庫，包括一些復(fù)雜類型，如時間序列、聯(lián)合分布圖(jointplots)和小提琴圖(violin diagrams)。
7. Plotly
官網(wǎng)：https://plot.ly/python/
Plotly 是一個流行的庫，它可以讓你輕松構(gòu)建復(fù)雜的圖形。該軟件包適用于交互式 Web 應(yīng)用程，可實現(xiàn)輪廓圖、三元圖和三維圖等視覺效果。
8. Bokeh?
官網(wǎng)：https://bokeh.pydata.org/en/latest/
Bokeh 庫使用 JavaScript 小部件在瀏覽器中創(chuàng)建交互式和可縮放的可視化。該庫提供了多種圖表集合，樣式可能性(styling possibilities)，鏈接圖、添加小部件和定義回調(diào)等形式的交互能力，以及許多更有用的特性。
9. Pydot
官網(wǎng)：https://pypi.org/project/pydot/
Pydot 是一個用于生成復(fù)雜的定向圖和無向圖的庫。它是用純 Python 編寫的Graphviz 接口。在它的幫助下，可以顯示圖形的結(jié)構(gòu)，這在構(gòu)建神經(jīng)網(wǎng)絡(luò)和基于決策樹的算法時經(jīng)常用到。
03 機器學(xué)習(xí)
10. Scikit-learn
官網(wǎng)：http://scikit-learn.org/stable/
這個基于 NumPy 和 SciPy 的 Python 模塊是處理數(shù)據(jù)的最佳庫之一。它為許多標準的機器學(xué)習(xí)和數(shù)據(jù)挖掘任務(wù)提供算法，如聚類、回歸、分類、降維和模型選擇。
利用 Data Science School 提高你的技能。
Data Science School：
http://datascience-school.com/
11. XGBoost / LightGBM / CatBoost
官網(wǎng)：
http://xgboost.readthedocs.io/en/latest/
http://lightgbm.readthedocs.io/en/latest/Python-Intro.html
https://github.com/catboost/catboost
梯度增強算法是最流行的機器學(xué)習(xí)算法之一，它是建立一個不斷改進的基本模型，即決策樹。因此，為了快速、方便地實現(xiàn)這個方法而設(shè)計了專門庫。就是說，我們認為 XGBoost、LightGBM 和 CatBoost 值得特別關(guān)注。它們都是解決常見問題的競爭者，并且使用方式幾乎相同。
這些庫提供了高度優(yōu)化的、可擴展的、快速的梯度增強實現(xiàn)，這使得它們在數(shù)據(jù)科學(xué)家和 Kaggle 競爭對手中非常流行，因為在這些算法的幫助下贏得了許多比賽。
12. Eli5
官網(wǎng)：https://eli5.readthedocs.io/en/latest/
通常情況下，機器學(xué)習(xí)模型預(yù)測的結(jié)果并不完全清楚，這正是 Eli5 幫助應(yīng)對的挑戰(zhàn)。它是一個用于可視化和調(diào)試機器學(xué)習(xí)模型并逐步跟蹤算法工作的軟件包，為 scikit-learn、XGBoost、LightGBM、lightning 和 sklearn-crfsuite 庫提供支持，并為每個庫執(zhí)行不同的任務(wù)。
04 深度學(xué)習(xí)
13. TensorFlow
官網(wǎng)：https://www.tensorflow.org/
TensorFlow 是一個流行的深度學(xué)習(xí)和機器學(xué)習(xí)框架，由 Google Brain 開發(fā)。它提供了使用具有多個數(shù)據(jù)集的人工神經(jīng)網(wǎng)絡(luò)的能力。在最流行的 TensorFlow應(yīng)用中有目標識別、語音識別等。在常規(guī)的 TensorFlow 上也有不同的 leyer-helper，如 tflearn、tf-slim、skflow 等。
14. PyTorch
官網(wǎng)：https://pytorch.org/
PyTorch 是一個大型框架，它允許使用 GPU 加速執(zhí)行張量計算，創(chuàng)建動態(tài)計算圖并自動計算梯度。在此之上，PyTorch 為解決與神經(jīng)網(wǎng)絡(luò)相關(guān)的應(yīng)用程序提供了豐富的 API。該庫基于 Torch，是用 C 實現(xiàn)的開源深度學(xué)習(xí)庫。
15. Keras
官網(wǎng)：https://keras.io/
Keras 是一個用于處理神經(jīng)網(wǎng)絡(luò)的高級庫，運行在 TensorFlow、Theano 之上，現(xiàn)在由于新版本的發(fā)布，還可以使用 CNTK 和 MxNet 作為后端。它簡化了許多特定的任務(wù)，并且大大減少了單調(diào)代碼的數(shù)量。然而，它可能不適合某些復(fù)雜的任務(wù)。
05 分布式深度學(xué)習(xí)
16. Dist-keras / elephas / spark-deep-learning?
官網(wǎng)：
http://joerihermans.com/work/distributed-keras/
https://pypi.org/project/elephas/
https://databricks.github.io/spark-deep-learning/site/index.html
隨著越來越多的用例需要花費大量的精力和時間，深度學(xué)習(xí)問題變得越來越重要。然而，使用像 Apache Spark 這樣的分布式計算系統(tǒng)，處理如此多的數(shù)據(jù)要容易得多，這再次擴展了深入學(xué)習(xí)的可能性。
因此，dist-keras、elephas 和 spark-deep-learning 都在迅速流行和發(fā)展，而且很難挑出一個庫，因為它們都是為解決共同的任務(wù)而設(shè)計的。這些包允許你在 Apache Spark 的幫助下直接訓(xùn)練基于 Keras 庫的神經(jīng)網(wǎng)絡(luò)。Spark-deep-learning 還提供了使用 Python 神經(jīng)網(wǎng)絡(luò)創(chuàng)建管道的工具。
06 自然語言處理
17. NLTK
官網(wǎng)：https://www.nltk.org/
NLTK 是一組庫，一個用于自然語言處理的完整平臺。在 NLTK 的幫助下，你可以以各種方式處理和分析文本，對文本進行標記和標記，提取信息等。NLTK 也用于原型設(shè)計和建立研究系統(tǒng)。
18. SpaCy
官網(wǎng)：https://spacy.io/
SpaCy 是一個具有優(yōu)秀示例、API 文檔和演示應(yīng)用程序的自然語言處理庫。這個庫是用 Cython 語言編寫的，Cython 是 Python 的 C 擴展。它支持近 30 種語言，提供了簡單的深度學(xué)習(xí)集成，保證了健壯性和高準確率。SpaCy 的另一個重要特性是專為整個文檔處理設(shè)計的體系結(jié)構(gòu)，無須將文檔分解成短語。
19. Gensim
官網(wǎng)：https://radimrehurek.com/gensim/
Gensim 是一個用于健壯語義分析、主題建模和向量空間建模的 Python 庫，構(gòu)建在Numpy和Scipy之上。它提供了流行的NLP算法的實現(xiàn)，如 word2vec。盡管 gensim 有自己的 models.wrappers.fasttext實現(xiàn)，但 fasttext 庫也可以用來高效學(xué)習(xí)詞語表示。
07 數(shù)據(jù)采集
20. Scrapy
官網(wǎng)：https://scrapy.org/
Scrapy 是一個用來創(chuàng)建網(wǎng)絡(luò)爬蟲，掃描網(wǎng)頁和收集結(jié)構(gòu)化數(shù)據(jù)的庫。此外，Scrapy 可以從 API 中提取數(shù)據(jù)。由于該庫的可擴展性和可移植性，使得它用起來非常方便。
結(jié)論
本文上述所列就是數(shù)據(jù)科學(xué)領(lǐng)域中豐富的 Python 庫集合。一些新的現(xiàn)代庫越來越受歡迎，而那些已經(jīng)成為經(jīng)典的數(shù)據(jù)科學(xué)任務(wù)的庫也在不斷改進。
下表顯示了 GitHub 活動的詳細統(tǒng)計數(shù)據(jù)：
原文鏈接：
https://activewizards.com/blog/top-20-python-libraries-for-data-science-in-2018/
據(jù)統(tǒng)計，99%的大咖都完成了這個神操作
▼
更多精彩
在公眾號后臺對話框輸入以下關(guān)鍵詞
查看更多優(yōu)質(zhì)內(nèi)容！
PPT?|?報告?|?讀書?|?書單
大數(shù)據(jù)?|?揭秘?|?人工智能?|?AI
Python?|?機器學(xué)習(xí)?|?深度學(xué)習(xí)?|?神經(jīng)網(wǎng)絡(luò)
可視化?|?區(qū)塊鏈?|?干貨?|?數(shù)學(xué)
猜你想看
做決定前別拍腦袋：兩個成功案例看懂A/B測試
豬年AI會凉？沒關(guān)系，AI已經(jīng)凉過很多次了
酒駕、超速、加塞、路怒、拒載？來吧，我們專治各種不服
一文讀懂電動汽車的前世今生，未來已來，大勢所趨
Q:?哪些庫是你最常用的？
歡迎留言與大家分享
覺得不錯，請把這篇文章分享給你的朋友
轉(zhuǎn)載 / 投稿請聯(lián)系：baiyu@hzbook.com
更多精彩，請在后臺點擊“歷史文章”查看
總結(jié)
以上是生活随笔為你收集整理的盘点20个最好的数据科学Python库（附链接）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 运营、AI、Python数据分析，这3场
- 下一篇： 啥是佩奇？爷爷，我用Python给你画一