您知道這些軟件包嗎?

因此，我們都可能知道動態的Data-Science三重奏，Numpy，Pandas和Matplotlib。

您可能熟悉這些軟件包及其工作方式。 當然，您可能還會喜歡使用其他一些很酷的軟件包，例如Plotly，Seaborne，Scikit-Learn，Tensorflow和Pytorch。 即使這些都是奇妙的軟件包，也有數百萬個用于Pythonic機器學習的軟件包，其中有些未被充分理解，而其中某些卻是完全未知的!

№1：Gleam

您聽說過Plotly，聽說過Matplotlib，也許還聽過Seaborn，但您可能沒有聽說過Gleam。 Gleam是用于創建帶有頁面，面板和按鈕的交互式可視化效果的出色工具。 這些交互式Web可視化也完全與Web集成在一起，這意味著您可以將它們放入從網站到端點的任何內容中! Gleam使用wtforms進行交互，并且可以使用任何范圍的不同可視化工具來實際顯示數據。

如果您想要一個很酷的交互式窗格，基本上可以使用任何圖形庫，那么Gleam是適合您的模塊!

№2：Table

好吧，我知道你在想什么，

"為什么不只使用Pandas?"

這當然是一個可行的論點。 Table包使該清單成為Pandas的輕巧替代品。 與使用Pandas.py相比，使用Table.py讀取海量數據集要容易得多，這實際上是使其成為該列表的唯一原因。 總的來說，我會說在某些情況下這可能是工作的包，但在大多數情況下，我只會堅持

import pandas as pd

№3：Shogun

> (src = https://www.shogun-toolbox.org/)

Shogun是用C ++編寫的機器學習庫，它也恰好具有Python端口。 Shogun的一大優點是，它可以在多種不同的編程語言中使用，并且在這方面相對統一。 如果您要使用Python學習Shogun，則可以利用該知識并將其應用于它支持的任何其他語言，這真是太神奇了!

Shogun擁有廣泛的前沿機器學習算法，這無疑是任何科學家都可以欣賞的。 當然，它也是開源的，并且根據GNU通用許可發布，這總是一個加分!

№4：OpenCV

OpenCV是另一個很棒的機器學習程序包，實際上是最初由Intel開發的。 盡管有專有的根源，但是OpenCV是開源的，并根據FreeBSD許可許可證發布。 OpenCV真正很棒的一件事是它專注于實時計算機視覺。 與Shogun一樣，OpenCV最初是用C ++編寫的，但是具有Python和其他語言的接口。

№5：Mlpy

> (src = http://mlpy.sourceforge.net/)

Mlpy為有監督和無監督學習提供了廣泛的最新機器學習方法。 與同行不同的是，它旨在為數據科學提供一種多合一的方法。 盡管此時它有點過時，但無疑是Pythonic機器學習引起的巨大包裝爆炸的一個很好的起步器。 盡管年代久遠，但我認為仍然值得一試。 這是由于其易用性，有趣的算法以及包容性。

Mlpy試圖創建一種在重現性，調制和效率之間取得平衡的包裝。 我認為此軟件包之所以成功，是因為盡管許多對口產品的更新頻率更高，當然也包括行業標準，但許多此類想法似乎在翻譯中卻以一種或另一種方式丟失了。 這是有道理的，因為這些都是由大量開發人員用C編寫的龐大程序包，但是，我想說這可能是使用它們的不利方面。

結論

這樣就可以了，我認為有五個軟件包是無法識別的，它們所取得的成就也沒有得到什么好評。 盡管這些軟件包確實很酷，但我可以肯定，您可以將數百個甚至不是數千個其他很酷的模塊添加到您的Pip環境中，這些模塊也很棒而且聞所未聞!

Python有一個壓倒性的生態系統和許多可挖掘的軟件包，而這正是使其變得如此強大的部分原因! 不斷學習如何使用新模塊將使您的知識庫不斷擴展，并使您的程序員頭腦活躍!