九個超實用的數據科學Python庫

在本文中，我們會研究一些用於資料科學任務的 Python 函式庫，而不是常見的像是 panda、scikit-learn 和 matplotlib 等的函式庫。儘管像 panda 和 scikit-learn 這樣的函式庫，是在機器學習任務中經常出現的，但是了解這個領域中的其它 Python 產品總是很有好處的。

一、Wget

從網路上擷取資料是資料科學家的重要任務之一。 Wget 是一個免費的實用程序，可用於從網路上下載非互動式的檔案。它支援 HTTP、HTTPS 和 FTP 協議，以及透過 HTTP 的代理進行檔案檢索。由於它是非互動式的，即使用戶沒有登錄，它也可以在後台工作。所以下次當你想要下載一個網站或一個頁面上的所有圖片時，wget 可以幫助你。

安裝：

$ pip install wget

範例：

import wget url = 'http://www.futurecrew.com/skaven/song_files/mp3/razorback.mp3' filename = wget.download(url) 100% [................................................] 3841532 / 3841532 filename 'razorback.mp3'

二、Pendulum

#對於那些在python 中處理日期時間時會感到沮喪的人來說， Pendulum 很適合你。它是一個簡化日期時間操作的 Python 套件。它是 Python 原生類別的簡易替代。請參閱文件深入學習。

安裝：

$ pip install pendulum

範例：

import pendulum dt_toronto = pendulum.datetime(2012, 1, 1, tz='America/Toronto') dt_vancouver = pendulum.datetime(2012, 1, 1, tz='America/Vancouver') print(dt_vancouver.diff(dt_toronto).in_hours()) 3

三、imbalanced-learn

可以看出，當每個類別的樣本數基本上相同時，大多數分類演算法的效果是最好的，即需要保持資料平衡。但現實案例中大多是不平衡的資料集，這些資料集對機器學習演算法的學習階段和後續預測都有很大影響。幸運的是，這個函式庫就是用來解決這個問題的。它與 scikit-learn 相容，是 scikit-lear-contrib 計畫的一部分。下次當你遇到不平衡的資料集時，請嘗試使用它。

安裝：

$ pip install -U imbalanced-learn # 或者 $ conda install -c conda-forge imbalanced-learn

範例：

使用方法和範例請參考文件。

四、FlashText

在 NLP 任務中，清理文字資料往往需要替換句子中的關鍵字或從句子中提取關鍵字。通常，這種操作可以使用正規表示式來完成，但是如果要搜尋的術語數量達到數千個，這就會變得很麻煩。 Python 的 FlashText 模組是基於 FlashText 演算法為這種情況提供了一個合適的替代方案。 FlashText 最棒的一點是，不管搜尋字詞的數量如何，運行時間都是相同的。你可以在這裡了解更多內容。

安裝：

$ pip install flashtext

範例：

#提取關鍵字

from flashtext import KeywordProcessor keyword_processor = KeywordProcessor() # keyword_processor.add_keyword(, ) keyword_processor.add_keyword('Big Apple', 'New York') keyword_processor.add_keyword('Bay Area') keywords_found = keyword_processor.extract_keywords('I love Big Apple and Bay Area.') keywords_found ['New York', 'Bay Area']

取代關鍵字

keyword_processor.add_keyword('New Delhi', 'NCR region') new_sentence = keyword_processor.replace_keywords('I love Big Apple and new delhi.') new_sentence 'I love New York and NCR region.' Fuzzywuzzy

五、fuzzywuzzy

這個函式庫的名字聽起來很奇怪，但是在字串匹配方面，fuzzywuzzy 是一個非常有用的函式庫。可以很方便地實現計算字串匹配度、令牌匹配度等操作，也可以很方便地匹配保存在不同資料庫中的記錄。

安裝：

$ pip install fuzzywuzzy

範例：

from fuzzywuzzy import fuzz from fuzzywuzzy import process # 简单匹配度 fuzz.ratio("this is a test", "this is a test!") 97 # 模糊匹配度 fuzz.partial_ratio("this is a test", "this is a test!") 100

更多有趣範例可以在 GitHub 倉庫找到。

六、PyFlux

時間序列分析是機器學習領域中最常見的問題之一。 PyFlux 是 Python 中的一個開源函式庫，它是為處理時間序列問題而建構的。本函式庫擁有一系列優秀的現代時間序列模型，包括但不限於 ARIMA、GARCH 和 VAR 模型。簡而言之，PyFlux 為時間序列建模提供了一種機率方法。值得嘗試。

安裝

pip install pyflux

七、Ipyvolume

結果展示也是資料科學中的重要面向。能夠將結果進行視覺化將具有很大優勢。 IPyvolume 是一個可以在 Jupyter notebook 中可視化三維和圖形（例如三維散點圖等）的 Python 庫，並且只需要少量配置。但它目前還是 1.0 之前的版本階段。用一個比較恰當的比喻來解釋就是：IPyvolume 的 volshow 對於三維數組就像 matplotlib 的 imshow 對於二維數組一樣好用。可以在這裡獲取更多。

使用pip

$ pip install ipyvolume

使用Conda/Anaconda

$ conda install -c conda-forge ipyvolume

例子

pip install dash==0.29.0# 核心 dash 后端 pip install dash-html-components==0.13.2# HTML 组件 pip install dash-core-components==0.36.0# 增强组件 pip install dash-table==3.1.3# 交互式 DataTable 组件（最新！）

九、Gym

OpenAI 的 Gym 是一款用于增强学习算法的开发和比较工具包。它兼容任何数值计算库，如 TensorFlow 或 Theano。Gym 库是测试问题集合的必备工具，这个集合也称为环境 —— 你可以用它来开发你的强化学习算法。这些环境有一个共享接口，允许你进行通用算法的编写。

安装

pip install gym

例子这个例子会运行CartPole-v0环境中的一个实例，它的时间步数为 1000，每一步都会渲染整个场景。

总结

以上这些有用的数据科学 Python 库都是我精心挑选出来的，不是常见的如 numpy 和 pandas 等库。如果你知道其它库，可以添加到列表中来，请在下面的评论中提一下。另外别忘了先尝试运行一下它们。

以上是九個超實用的數據科學Python庫的詳細內容。更多資訊請關注PHP中文網其他相關文章！