13 个 Python 数据科学和机器学习库

　　13 个 Python 数据科学和机器学习库

　　Python 几乎总是数据科学家的最佳选择。这是由于它的*敏*感*词*性和简单性，但最重要的是，这要归功于社区和重要公司分发的开源软件包。由于是一种通用编程语言Python 被用于：

　　Web 开发用 Django 和 Flask、

　　数据科学、机器学习、网络安全等

　　

　　今天，我们将讨论每个数据科学家必须知道和应该使用的 13 个数据科学和机器学习库。

　　数据科学基础库

　　这些基本库使 Python 成为数据科学和机器学习的有利语言。以下软件包将使我们能够分析和可视化数据：

　　NumPy

　　是使用 Python 进行科学计算的基础包。

　　除此之外，它还包含一个强大的 N 维数组对象、复杂的（广播）函数、用于集成 C/C++ 的工具和 Fortran 代码。在线性代数、傅里叶变换和随机数功能中很有用。除了其明显的科学用途外，NumPy 还可以用作通用数据的高效多维容器。可以定义任意数据类型。这使 NumPy 可以无缝且快速地与各种数据库集成。

　　SciPy

　　在 NumPy 的基础上添加了一组用于操作和可视化数据的算法和高级命令。该软件包包括数值计算积分、求解微分方程、优化等功能。

　　pandas

　　实际上是可视化、读取和写入数据的最佳工具。我发现自己经常使用它—尤其是在处理 .csv 文件时。

　　Matplotlib

　　是用于创建 2D 绘图和图形的标准 Python 库。它使用起来非常灵活，但有点低级，因此绘制更复杂的图形或绘图有点棘手。但是，它是我经常使用的一个库——尤其是在处理不需要可视化的数据集时。所以，只是为了绘制我的模型的分数。

　　

　　机器学习库

　　机器学习位于人工智能和统计分析的交叉点。以下库为 Python 提供了应用许多机器学习活动的能力，从运行基本回归到形成复杂的神经网络。

　　scikit-learn

　　在 NumPy 和 SciPy 的基础上添加了一组用于常见机器学习和数据挖掘任务的算法，包括聚类、回归和分类。

　　它包含许多数据科学家使用的预训练机器学习模型，而不是创建自己的模型。显然，这取决于您需要使用什么 ML 模型。如果您正在为您的意图寻找非常具体的东西，那么创建自己的模型可能会更好。

　　Theano

　　使用 NumPy 的语法来优化和评估数学表达式。它使用 GPU 来加速其进程。Theano 的速度使其对于深度学习和其他计算复杂的任务特别有价值。我发现使用 TensorFlow 和 Keras 非常有用。

　　TensorFlow

　　Google 开发作为 DistBelief 的开源继承者，DistBelief 是他们之前用于训练神经网络的框架。TensorFlow 使用多层节点系统，可让您快速设置、训练和部署具有大型数据集的人工神经网络。它非常实用且易于使用。

　　它的创建者 Google 也使用它，并且有大量文章和教程提到了 TensorFlow。

　　pickle 是一个开源包，它允许我们序列化我们的 ML 模型。我选择 pickle 而不是许多其他模型序列化程序，因为我发现它非常易于使用且高效。这是共享模型或从其他程序使用模型的最有效方法之一。

　　数据挖掘和自然语言处理库

　　“数据挖掘是在大型数据集中发现模式的过程，涉及机器学习、统计和数据库系统交叉的方法。

　　数据挖掘是计算机科学和统计学的一个跨学科子领域，其总体目标是从数据集中（使用智能方法）提取信息，并将信息转换为可理解的结构以供进一步使用。” —维基百科

　　自然语言处理 (NLP) 是语言学、计算机科学、信息工程和人工智能的一个子领域，涉及计算机与人类（自然）语言之间的交互，特别是如何对计算机进行编程以处理和分析大量自然语言数据。” —维基百科

　　Scrapy是一个快速的高级网页抓取和网页抓取框架，用于抓取网站并从其页面中提取结构化数据。它可用于广泛的用途，从数据挖掘到监控和自动化测试。

　　NLTK

　　是一组专为自然语言处理而设计的库。它通常用于有关文本分类和分析的所有内容，从情感分析到聊天机器人。

　　Pattern

　　是Python 编程语言的网络挖掘模块。

　　它具有数据挖掘工具Google、Twitter 和 Wikipedia API、网络爬虫、HTML DOM 解析器）

　　自然语言处理（词性标注器、n-gram 搜索、情感分析、WordNet）、

　　机器学习（向量空间模型、聚类、SVM）、网络分析和 可视化。

　　seaborn是一个流行的可视化库，建立在 Matplotlib 的基础上。

　　与 Matplotilib 不同，它是一个高级包。这意味着我们可以轻松绘制更复杂类型的图，例如热图等。

　　Flask 是一个强大的基于 Python 的 Web 开发框架。但为什么它会出现在数据科学家需要知道的工具列表中呢？而Django 不是更适合 Web 开发吗？

　　好吧，有时您可能需要将您的 ML 模型嵌入到 Web 应用程序中，因为这意味着任何人都可以轻松地从 Internet 访问您的分类模型。甚至可以创建在线分类服务！

　　回答第二个问题：是的，Django 实际上更适合 Web 开发，而且使用起来也很简单，但不如 Flask 简单！

　　一般来说，我肯定会使用 Django 来构建一个普通的网站。但如果你只是想让你的模型嵌入到网站中，Flask 实际上更简单、更直观。

　　本文列出的所有库都是可以在线找到的开源包的一小部分。这些只是每个数据科学家都必须知道的基本数据科学和机器学习库。

　　继续探索！！！

　　

　　关于数据科学的ABC

　　定义数据科学前景

　　访谈录 女性进入数据科学领域

　　数据科学的颜值

　　数据科学讲故事

　　数据科学*敏*感*词*-算法

　　数据科学的soulmate-统计

　　数据科学的灵魂-软件

　　数据科学项目

　　数据科学项目的执行中学到的5个关键

　　数据科学 | 学习资源

　　数据科学应用酷案例