[[198069]]

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(yàn)，在本文中列出了對(duì)數(shù)據(jù)科學(xué)家、工程師們最有用的那些庫(kù)。

由于這些庫(kù)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(kù)流行程度的參考指標(biāo)。

核心庫(kù)

1. NumPy (提交數(shù): 15980, 貢獻(xiàn)者數(shù): 522)

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(jì)算而設(shè)計(jì)的軟件集合(不要混淆SciPy庫(kù)，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(gè)庫(kù)，我們把焦點(diǎn)放在核心包上(特別是最重要的)。

關(guān)于建立科學(xué)計(jì)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(kù)提供了NumPy數(shù)組類型的數(shù)學(xué)運(yùn)算向量化，可以改善性能，從而加快執(zhí)行速度。

2. SciPy (提交數(shù): 17213, 貢獻(xiàn)者數(shù): 489)

SciPy是一個(gè)工程和科學(xué)軟件庫(kù)。雷鋒網(wǎng)再次提醒，你需要理解SciPy Stack和SciPy庫(kù)之間的區(qū)別。

SciPy包含線性代數(shù)，優(yōu)化，集成和統(tǒng)計(jì)的模塊。SciPy庫(kù)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(gè)SciPy非常有幫助的點(diǎn)。

3. Pandas (提交數(shù): 15089, 貢獻(xiàn)者數(shù)：762)

Pandas是一個(gè)Python包，旨在通過“標(biāo)記”和“關(guān)系”數(shù)據(jù)進(jìn)行工作，簡(jiǎn)單直觀。Pandas是數(shù)據(jù)整理的***工具。它設(shè)計(jì)用于快速簡(jiǎn)單的數(shù)據(jù)操作，聚合和可視化。

庫(kù)中有兩個(gè)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(gè)新的Dataframe時(shí)，通過傳遞一個(gè)Series，您將收到一個(gè)單獨(dú)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(duì)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(shì)記錄

trends.google.com

GitHub請(qǐng)求歷史記錄

datascience.com/trends

可視化

4.Matplotlib (提交數(shù): 21754, 貢獻(xiàn)者數(shù): 588)

又一個(gè)SciPy Stack核心軟件包以及 Python庫(kù)，Matplotlib為輕松生成簡(jiǎn)單而強(qiáng)大的可視化而量身定制。它是一個(gè)***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(jìng)爭(zhēng)對(duì)手。

然而，這個(gè)庫(kù)是低層級(jí)的，這意味著你需要編寫更多的代碼才能達(dá)到高級(jí)的可視化效果，而且通常會(huì)比使用更多的高級(jí)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(diǎn)你就可以做任何可視化：

• 線圖
• 散點(diǎn)圖
• 條形圖和直方圖
• 餅狀圖;
• 莖圖
• 輪廓圖
• 場(chǎng)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(shí)體的功能。基本上，一切都是可定制的。

該庫(kù)由不同的平臺(tái)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(kù)可以使可視化變得更加容易。

5. Seaborn (提交數(shù): 1699, 貢獻(xiàn)者數(shù): 71)

Seaborn主要關(guān)注統(tǒng)計(jì)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。 

6. Bokeh (提交數(shù): 15724, 貢獻(xiàn)者數(shù): 223)

另一個(gè)很不錯(cuò)的可視化庫(kù)是Bokeh，它針對(duì)交互式可視化。與以前的庫(kù)相比，它獨(dú)立于Matplotlib。正如我們提到的，Bokeh的主要焦點(diǎn)是交互性，它通過現(xiàn)代瀏覽器以數(shù)據(jù)驅(qū)動(dòng)文檔(d3.js)的風(fēng)格呈現(xiàn)。

7. Plotly (提交數(shù): 2486, 貢獻(xiàn)者數(shù): 33)

***，關(guān)于Plotly的話。它是一個(gè)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(shì)記錄

trends.google.com

GitHub請(qǐng)求歷史記錄

datascience.com/trends

機(jī)器學(xué)習(xí)

8. SciKit-Learn (提交數(shù)：21793, 貢獻(xiàn)者數(shù)：842)

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(jì)。對(duì)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(gè)。它建立在SciPy之上，并大量利用它的數(shù)學(xué)運(yùn)算。

scikit-learn給常見的機(jī)器學(xué)習(xí)算法公開了一個(gè)簡(jiǎn)潔、一致的接口，可簡(jiǎn)單地將機(jī)器學(xué)習(xí)帶入生產(chǎn)系統(tǒng)中。該庫(kù)中集成了有質(zhì)量的代碼和良好的文檔、簡(jiǎn)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(shí)際行業(yè)標(biāo)準(zhǔn)。

深度學(xué)習(xí)—— Keras / TensorFlow / Theano

在深度學(xué)習(xí)方面，Python中最著名和最便的庫(kù)之一是Keras，它可以在TensorFlow或Theano框架上運(yùn)行。讓我們來看一下它們的一些細(xì)節(jié)。

9.Theano. (提交數(shù)：25870, 貢獻(xiàn)者數(shù)：300)

首先讓我們談?wù)凾heano。

Theano是一個(gè)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(yùn)算和表達(dá)式。此庫(kù)是被編譯的，可實(shí)現(xiàn)在所有架構(gòu)上的高效運(yùn)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(yùn)算 。另外，該庫(kù)還優(yōu)化了GPU和CPU的使用，使數(shù)據(jù)密集型的計(jì)算平臺(tái)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(jì)算出合理的結(jié)果。

10. TensorFlow. (提交數(shù): 16785,貢獻(xiàn)者數(shù): 795)

TensorFlow來自Google的開發(fā)人員，它是數(shù)據(jù)流圖計(jì)算的開源庫(kù)，為機(jī)器學(xué)習(xí)不斷打磨。它旨在滿足谷歌對(duì)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(shí)應(yīng)用中。

TensorFlow的關(guān)鍵特征是它的多層節(jié)點(diǎn)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(shí)別和圖像對(duì)象識(shí)別提供了支持。

11. Keras. (提交數(shù): 3519,貢獻(xiàn)者數(shù): 428)

***我們來看看Keras。它是一個(gè)用Python編寫的開源的庫(kù)，用于在高層的接口上構(gòu)建神經(jīng)網(wǎng)絡(luò)。它簡(jiǎn)單易懂，具有高級(jí)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(jì)中的簡(jiǎn)約方法旨在通過建立緊湊型系統(tǒng)進(jìn)行快速、簡(jiǎn)便的實(shí)驗(yàn)。

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(jiǎn)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(shì)歷史

trends.google.com

GitHub請(qǐng)求歷史記錄

datascience.com/trends

自然語言處理

12. NLTK (提交數(shù): 12449,貢獻(xiàn)者數(shù): 196)

這個(gè)庫(kù)的名稱“Natural Language Toolkit”，代表自然語言工具包，顧名思義，它用于符號(hào)學(xué)和統(tǒng)計(jì)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(diǎn)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(shí)體名稱識(shí)別，建立語料庫(kù)，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(dòng)總結(jié)。

13. Gensim (提交數(shù): 2878,貢獻(xiàn)者數(shù): 179)

它是一個(gè)用于Python的開源庫(kù)，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(gè)庫(kù)是為了高效處理大量文本而設(shè)計(jì)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(shí)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(cè)，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(kù))。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(kù)。

谷歌發(fā)展趨勢(shì)歷史

trends.google.com

GitHub請(qǐng)求歷史記錄

datascience.com/trends

數(shù)據(jù)挖掘，統(tǒng)計(jì)學(xué)

14. Scrapy (提交數(shù): 6325,貢獻(xiàn)者數(shù): 243)

Scrapy庫(kù)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(jì)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(kù)在界面設(shè)計(jì)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。

15. Statsmodels (提交數(shù): 8960,貢獻(xiàn)者數(shù): 119)

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(jì)模型的估算方法進(jìn)行數(shù)據(jù)挖掘，并執(zhí)行統(tǒng)計(jì)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(shí)間序列分析模型，各種估計(jì)方法得出統(tǒng)計(jì)結(jié)果。

這個(gè)庫(kù)還提供了廣泛的標(biāo)定功能，專門用于大數(shù)據(jù)統(tǒng)計(jì)中的性能優(yōu)化工作。

總結(jié)

許多數(shù)據(jù)科學(xué)家和工程師認(rèn)為這些庫(kù)是***的，并值得關(guān)注，或者需要或多或少了解它們。 以下是每個(gè)庫(kù)在Github上的詳細(xì)統(tǒng)計(jì)資料：

當(dāng)然，這不是完全詳盡的列表，還有許多其他的庫(kù)和框架也是值得關(guān)注。一個(gè)很好的例子是SciKit的不同軟件包各自專注一個(gè)特定的領(lǐng)域，如SciKit-Image是用于處理圖像的。