超越NumPy和Pandas：三個鮮為人知的Python庫
Python是世界上使用最廣泛的編程語言之一，并為開發人員提供了大量的庫。
然而，當涉及到數據處理和科學計算時，用戶通常會想到諸如Numpy、Pandas或SciPy等庫。
在本文中，將介紹3個你可能感興趣的Python庫。
1.Dask
Dask簡介
Dask是一個靈活的并行計算庫，可實現大規模數據處理的分布式計算和并行計算。
那么，為什么用戶要使用Dask呢？正如他們在其網站上所說的：
【Dask】：https://www.dask.org/
Python已經發展成為數據分析和通用編程中的主流語言。這種增長得益于像NumPy、Pandas和scikit-learn等計算庫。然而，這些包并不適用于超越單臺機器的規模。當數據集超過內存時，Dask被開發出來原生地擴展這些包及其周邊生態系統，以適應多核機器和分布式集群。
因此，正如他們所說，Dask的一個常見用途是：
【鏈接】：https://docs.dask.org/en/latest/dataframe.html
當需要像使用Pandas一樣常用時，使用Dask DataFrame，通常是因為Pandas在處理數據量或計算速度方面存在問題：
- 處理大型數據集，即使這些數據集無法容納在內存中
- 通過使用多個內核加速長時間計算
- 對使用標準Pandas操作的大型數據集進行分布式計算，例如groupby、join和時間序列計算
因此，當需要處理巨大的Pandas數據幀時，Dask是一個不錯的選擇。這是因為Dask可以：
允許用戶在筆記本電腦上處理100GB以上的數據集，或者在工作站上處理1TB以上的數據集。
這是一個相當了不起的結果。
在幕后發生的情況是：
Dask DataFrames協調許多按索引排列的Pandas DataFrames/Series。Dask DataFrame以行為單位進行分區，通過索引值對行進行分組，以提高效率。這些Pandas對象可以存在于磁盤上或其他機器上。
因此，有類似的如下情況：
Dask和Pandas數據幀的區別。
運行中的Dask的一些功能展示
首先，需要安裝Dask。可以通過pip或conda進行安裝，如下所示：
$ pip install dask[complete]
or
$ conda install dask功能一：打開 csv 文件
可以展示Dask的第一個功能，即如何打開CSV文件。可以這樣做，如下所示：
import dask.dataframe as dd
# 使用Dask加載大型CSV文件
df_dask = dd.read_csv('my_very_large_dataset.csv')
# 在Dask DataFrame上執行操作
mean_value_dask = df_dask['column_name'].mean().compute()因此，正如在代碼中看到的，本文使用Dask的方式與Pandas非常相似。尤其是：
- 使用read_csv()方法與Pandas完全相同
- 截取列的方式與Pandas完全相同。事實上，如果有一個名為df的Pandas數據框架，我們會這樣截取一列：df['column_name']。
- 將mean()方法應用于截取的列，這與Pandas類似，但這里還需要添加compute()方法。
此外，即使打開CSV文件的方法與Pandas相同，Dask也能毫不費力地處理超過單臺機器內存容量的大型數據集。
這意味著，除了在Pandas中無法打開大型數據幀，而在Dask中可以打開之外，無法看到任何實際的差異。
功能二：擴展機器學習工作流程
可以使用Dask創建一個具有大量樣本的分類數據集。然后可以將其分割為訓練集和測試集，使用機器學習模型擬合訓練集，并計算測試集的預測結果。
可以這樣做，如下所示：
import dask_ml.datasets as dask_datasets
from dask_ml.linear_model import LogisticRegression
from dask_ml.model_selection import train_test_split
# 使用Dask加載分類數據集
X, y = dask_datasets.make_classification(n_samples=100000, chunks=1000)
# 將數據分割為訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y)
# 并行訓練邏輯回歸模型
model = LogisticRegression()
model.fit(X_train, y_train)
# 對測試集進行預測
y_pred = model.predict(X_test).compute()該示例強調了Dask處理大規模數據集的能力，即使是在機器學習問題的情況下，也可以通過在多個內核之間分布計算來實現。
具體而言，可以使用dask_datasets.make_classification()方法為分類問題創建一個“Dask dataset” ，并且可以指定樣本數量和塊大小（甚至是非常巨大的數量）。
與之前類似，預測結果是通過compute()方法獲得的。
# 注意：
# 在這種情況下，可能需要安裝模塊`dask_ml`。
# 可以按以下方式進行安裝：
$ pip install dask_ml功能三：高效圖像處理
Dask所利用的并行處理能力也可以應用于圖像處理。
特別是可以打開多個圖像，調整其大小，并保存調整后的圖像。可以按以下方式操作：
import dask.array as da
import dask_image.imread
from PIL import Image
# 使用Dask加載圖像集合
images = dask_image.imread.imread('image*.jpg')
# 并行調整圖像大小
resized_images = da.stack([da.resize(image, (300, 300)) for image in images])
# 計算結果
result = resized_images.compute()
# 保存調整后的圖像
for i, image in enumerate(result):
resized_image = Image.fromarray(image)
resized_image.save(f'resized_image_{i}.jpg')因此，下面是整個過程：
- 使用dask_image.imread.imread("image*.jpg")方法打開當前文件夾中的所有".jpg"圖像（或者可以指定一個文件夾）。
- 使用da.stack()方法和列表推導式將所有圖像的大小調整為300x300。
- 使用compute()方法計算結果，就像之前一樣。
- 使用for循環保存所有調整過大小的圖像。
2.SymPy
Sympy簡介
如果需要進行數學計算，并希望使用Python進行操作，可以嘗試使用SymPy。
正如他們在網站上所寫的介紹那樣，Sympy是：
【Sympy】：https://www.sympy.org/en/index.html
一個用于符號數學的Python庫。它旨在成為一個功能齊全的計算機代數系統（CAS），同時保持代碼盡可能簡單，以便易于理解和擴展。SymPy完全使用Python編寫。
但是為什么要使用SymPy？他們提到：
SymPy具有以下特點：
- 免費：SymPy采用BSD許可證，既具有言論自由，也免費。
- 基于Python：SymPy完全使用Python編寫，并使用Python作為其語言。
- 輕量級：SymPy僅依賴于mpmath，這是一個用于任意浮點數算術的純Python庫，因此易于使用。
- 作為庫存在：除了作為交互工具使用外，SymPy還可以嵌入到其他應用程序中，并使用自定義函數進行擴展。
因此，它基本上具備了所有Python愛好者所喜愛的特性！
現在來查看一下它的部分功能。
SymPy的一些功能
首先，需要安裝它：
$ pip install sympy請注意：
如果寫成`$ pip install simpy`，將安裝另一個（完全不同的?。?。
因此，第二個字母是"y"，而不是"i"。功能一：解代數方程
如果需要解代數方程，可以這樣使用SymPy：
from sympy import symbols, Eq, solve
# 定義符號
x, y = symbols('x y')
# 定義方程
equation = Eq(x**2 + y**2, 25)
# 解方程
solutions = solve(equation, (x, y))
# 打印解
print(solutions)
>>>
[(-sqrt(25 - y**2), y), (sqrt(25 - y**2), y)]所以，這就是整個過程：
- 使用symbols()方法定義方程的符號。
- 使用Eq方法編寫代數方程。
- 使用solve()方法解方程。
正如上述所看到的，SymPy是一個非常易讀和用戶友好的Python庫。
功能二：計算導數
計算導數是在分析數據時可能需要的另一個數學任務，原因有很多。通常情況下，可能因為各種原因需要進行計算，而SymPy真正簡化了這個過程。實際上，可以這樣做，如下所示：
from sympy import symbols, diff
# 定義符號
x = symbols('x')
# 定義函數
f = x**3 + 2*x**2 + 3*x + 4
# 計算導數
derivative = diff(f, x)
# 打印導數
print(derivative)
>>>
3*x**2 + 4*x + 3因此，正如上述所看到的，這個過程非常簡單和容易自解釋：
- 使用symbols()方法定義要求導的函數的符號。
- 定義函數。
- 使用diff()計算導數，并指定函數和要計算導數的符號（這是一個絕對導數，但在具有x和y變量的函數的情況下，甚至也可以進行計算偏導數）。
如果進行測試，就會發現結果在2或3秒鐘內就會出現。因此，它的速度也相當快。
功能三：計算積分
當然，如果SymPy可以計算導數，它也可以計算積分。接下來嘗試做一下：
from sympy import symbols, integrate, sin
# 定義符號
x = symbols('x')
# 執行符號積分
integral = integrate(sin(x), x)
# 打印積分
print(integral)
>>>
-cos(x)所以，本文在這里使用integrate()方法，指定要積分的函數和積分變量。
3.Xarray
Xarray簡介
Xarray是一個擴展了NumPy特性和功能的Python庫，使用戶能夠使用帶有標簽的數組和數據集進行工作。
事實上，正如他們在官網上所說的那樣：
【Xarray】：https://docs.xarray.dev/en/stable/
Xarray使得在Python中處理帶有標簽的多維數組變得簡單、高效和有趣！
還有：
【鏈接】：https://docs.xarray.dev/en/stable/getting-started-guide/why-xarray.html
Xarray在類似于NumPy的原始多維數組之上引入了維度、坐標和屬性形式的標簽，這使得開發者的體驗更加直觀、簡潔，減少了錯誤的發生。
換句話說，它通過向數組維度添加標簽或坐標來擴展NumPy數組的功能。這些標簽提供了元數據，可以對多維數據進行更高級的分析和操作。
例如，在NumPy中，使用基于整數的索引訪問數組。
而在Xarray中，每個維度都可以關聯一個標簽，這樣就可以根據有意義的名稱更容易地理解和操作數據。
例如，在Xarray中，用戶可以使用arr.sel(x=0, y=1, z=2)來訪問數據，其中x、y和z是維度的標簽，而不是使用arr[0, 1, 2]來訪問數據。
這使得代碼更加易讀！
接下來查看一些Xarray的功能。
一些Xarray的功能
像往常一樣，首先要安裝它：
$ pip install xarray功能一：使用標注坐標
假設用戶想創建與溫度相關的一些數據，并且想將它們標記為緯度和經度等坐標?？梢赃@樣做：
import xarray as xr
import numpy as np
# 創建溫度數據
temperature = np.random.rand(100, 100) * 20 + 10
# 創建經緯度坐標數組
latitudes = np.linspace(-90, 90, 100)
longitudes = np.linspace(-180, 180, 100)
# 創建帶有標注坐標的Xarray數據數組
da = xr.DataArray(
temperature,
dims=['latitude', 'longitude'],
coords={'latitude': latitudes, 'longitude': longitudes}
)
# 使用標注坐標訪問數據
subset = da.sel(latitude=slice(-45, 45), lnotallow=slice(-90, 0))如果打印出來，就會得到
# 打印數據
print(subset)
>>>
array([[13.45064786, 29.15218061, 14.77363206, ..., 12.00262833,
16.42712411, 15.61353963],
[23.47498117, 20.25554247, 14.44056286, ..., 19.04096482,
15.60398491, 24.69535367],
[25.48971105, 20.64944534, 21.2263141 , ..., 25.80933737,
16.72629302, 29.48307134],
...,
[10.19615833, 17.106716 , 10.79594252, ..., 29.6897709 ,
20.68549602, 29.4015482 ],
[26.54253304, 14.21939699, 11.085207 , ..., 15.56702191,
19.64285595, 18.03809074],
[26.50676351, 15.21217526, 23.63645069, ..., 17.22512125,
13.96942377, 13.93766583]])
Coordinates:
* latitude (latitude) float64 -44.55 -42.73 -40.91 ... 40.91 42.73 44.55
* longitude (longitude) float64 -89.09 -85.45 -81.82 ... -9.091 -5.455 -1.818所以，接下來逐步了解這個過程：
- 將溫度值創建為一個NumPy數組。
- 將緯度和經度值定義為NumPy數組。
- 使用DataArray()方法將所有數據存儲在一個Xarray數組中。
- 使用sel()方法選擇了一個經緯度子集，該方法為子集選擇了我們想要的值。
這樣得到的結果也很容易閱讀，因此標簽在很多情況下非常有幫助。
功能二：處理缺失數據
假設用戶正在收集與一年中與溫度相關的數據。并且想知道數組中是否有空值。如下是用戶可以這樣做的方法：
import xarray as xr
import numpy as np
import pandas as pd
# 創建有缺失值的溫度數據
temperature = np.random.rand(365, 50, 50) * 20 + 10
temperature[0:10, :, :] = np.nan # Set the first 10 days as missing values
# 創建時間、緯度和經度坐標數組
times = pd.date_range('2023-01-01', periods=365, freq='D')
latitudes = np.linspace(-90, 90, 50)
longitudes = np.linspace(-180, 180, 50)
# 創建帶有缺失值的Xarray數據數組
da = xr.DataArray(
temperature,
dims=['time', 'latitude', 'longitude'],
coords={'time': times, 'latitude': latitudes, 'longitude': longitudes}
)
# 沿時間維度計算缺失值的數量
missing_count = da.isnull().sum(dim='time')
# 打印缺失值
print(missing_count)
>>>
array([[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10],
...,
[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0這樣，我們就得到了10個空數值。
此外，如果我們仔細查看代碼，就會發現我們可以將Pandas的方法應用到Xarray中，比如isnull.sum()，在本例中，它可以計算缺失值的總數。
功能三：處理和分析多維數據
當我們可以給數組貼標簽時，處理和分析多維數據的誘惑就會很大。那么，接下來跟隨本文進行嘗試。
例如，假設用戶仍在收集與特定緯度和經度相關的溫度數據。
我們可能想要計算溫度的平均值、最大值和中值。可以進行如下操作：
import xarray as xr
import numpy as np
import pandas as pd
# 創建合成溫度數據
temperature = np.random.rand(365, 50, 50) * 20 + 10
# 創建時間、緯度和經度坐標數組
times = pd.date_range('2023-01-01', periods=365, freq='D')
latitudes = np.linspace(-90, 90, 50)
longitudes = np.linspace(-180, 180, 50)
# 創建Xarray數據集
ds = xr.Dataset(
{
'temperature': (['time', 'latitude', 'longitude'], temperature),
},
coords={
'time': times,
'latitude': latitudes,
'longitude': longitudes,
}
)
# 對溫度數據進行統計分析
mean_temperature = ds['temperature'].mean(dim='time')
max_temperature = ds['temperature'].max(dim='time')
min_temperature = ds['temperature'].min(dim='time')
# 打印數值
print(f"mean temperature:\n {mean_temperature}\n")
print(f"max temperature:\n {max_temperature}\n")
print(f"min temperature:\n {min_temperature}\n")
>>>
mean temperature:
array([[19.99931701, 20.36395016, 20.04110699, ..., 19.98811842,
20.08895803, 19.86064693],
[19.84016491, 19.87077812, 20.27445405, ..., 19.8071972 ,
19.62665953, 19.58231185],
[19.63911165, 19.62051976, 19.61247548, ..., 19.85043831,
20.13086891, 19.80267099],
...,
[20.18590514, 20.05931149, 20.17133483, ..., 20.52858247,
19.83882433, 20.66808513],
[19.56455575, 19.90091128, 20.32566232, ..., 19.88689221,
19.78811145, 19.91205212],
[19.82268297, 20.14242279, 19.60842148, ..., 19.68290006,
20.00327294, 19.68955107]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0
max temperature:
array([[29.98465531, 29.97609171, 29.96821276, ..., 29.86639343,
29.95069558, 29.98807808],
[29.91802049, 29.92870312, 29.87625447, ..., 29.92519055,
29.9964299 , 29.99792388],
[29.96647016, 29.7934891 , 29.89731136, ..., 29.99174546,
29.97267052, 29.96058079],
...,
[29.91699117, 29.98920555, 29.83798369, ..., 29.90271746,
29.93747041, 29.97244906],
[29.99171911, 29.99051943, 29.92706773, ..., 29.90578739,
29.99433847, 29.94506567],
[29.99438621, 29.98798699, 29.97664488, ..., 29.98669576,
29.91296382, 29.93100249]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0
min temperature:
array([[10.0326431 , 10.07666029, 10.02795524, ..., 10.17215336,
10.00264909, 10.05387097],
[10.00355858, 10.00610942, 10.02567816, ..., 10.29100316,
10.00861792, 10.16955806],
[10.01636216, 10.02856619, 10.00389027, ..., 10.0929342 ,
10.01504103, 10.06219179],
...,
[10.00477003, 10.0303088 , 10.04494723, ..., 10.05720692,
10.122994 , 10.04947012],
[10.00422182, 10.0211205 , 10.00183528, ..., 10.03818058,
10.02632697, 10.06722953],
[10.10994581, 10.12445222, 10.03002468, ..., 10.06937041,
10.04924046, 10.00645499]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0然后，獲得了我們想要的結果，而且結果非常清晰易讀。
而且，正如之前所提到的，為了計算溫度的最大值、最小值和平均值，本文使用了應用于數組的Pandas函數。
結論
在本文中，展示了三個用于數據處理和科學計算的庫。
雖然SymPy可以替代其他工具和軟件，使我們能夠使用Python代碼進行數學計算，但Dask和Xarray擴展了其他庫的功能，在我們使用其他更常用的Python庫進行數據分析和處理時可能會遇到困難的情況下幫助我們。
