【導讀】作者匯總了2018年針對數(shù)據(jù)科學家/AI的***庫、repos、包和工具。本文對其進行了梳理，列舉了人工智能和數(shù)據(jù)科學的七大Python庫。

本文作者Favio Vázquez從2018年開始發(fā)布《數(shù)據(jù)科學和人工智能每周文摘：Python & R》系列文章，為數(shù)據(jù)科學家介紹***的庫、repos、packages以及工具。

一年結(jié)束，作者列出了2018年的7大***的Python庫，這些庫確實地改進了研究人員的工作方式。

[[255006]]

7. AdaNet ———快速靈活的AutoML框架

[[255007]]

https://github.com/tensorflow/adanet

AdaNet是一個輕量級的、可擴展的TensorFlow AutoML框架，用于使用AdaNet算法訓練和部署自適應(yīng)神經(jīng)網(wǎng)絡(luò)[Cortes et al. ICML 2017]。AdaNet結(jié)合了多個學習子網(wǎng)絡(luò)，以減輕設(shè)計有效的神經(jīng)網(wǎng)絡(luò)所固有的復(fù)雜性。

這個軟件包將幫助你選擇***的神經(jīng)網(wǎng)絡(luò)架構(gòu)，實現(xiàn)一種自適應(yīng)算法，用于學習作為子網(wǎng)絡(luò)集合的神經(jīng)架構(gòu)。

你需要了解TensorFlow才能使用這個包，因為它實現(xiàn)了TensorFlow Estimator，但這將通過封裝訓練、評估、預(yù)測和導出服務(wù)來幫助你簡化機器學習編程。

你可以構(gòu)建一個神經(jīng)網(wǎng)絡(luò)的集合，這個庫將幫助你優(yōu)化一個目標，以平衡集合在訓練集上的性能和將其泛化到未見過數(shù)據(jù)的能力之間的權(quán)衡。

安裝

安裝adanet之前需將TensorFlow升級到1.7或以上：

$ pip install "tensorflow>=1.7.0"

從源代碼安裝

要從源代碼進行安裝，首先需要安裝bazel。

下一步，復(fù)制adanet和cd到它的根目錄:

$ git clone https://github.com/tensorflow/adanet && cd adanet

從adanet根目錄運行測試：

$ cd adanet
$ bazel test -c opt //...

確認一切正常后，將adanet安裝為pip包。

現(xiàn)在，可以對adanet進行試驗了。

import adanet

用法

有關(guān)AdaNet的詳細用法，請閱讀官方教程：

https://github.com/tensorflow/adanet/tree/master/adanet/examples/tutorials

https://ai.googleblog.com/2018/10/introducing-adanet-fast-and-flexible.html?m=1

6. TPOT——一個自動化的Python機器學習工具

[[255009]]

https://github.com/EpistasisLab/tpot

之前我介紹過Auto-Keras，這是一個很棒的AutoML庫。現(xiàn)在我們有另一個非常有趣的工具——TPOT。

TPOT全稱是基于樹的pipeline優(yōu)化工具(Tree-based Pipeline Optimization Tool)，這是一個非常棒Python自動機器學習工具，使用遺傳編程優(yōu)化機器學習pipeline。

TPOT可以自動化許多東西，包括生命特性選擇、模型選擇、特性構(gòu)建等等。如果你是Python機器學習者，很幸運，TPOT是構(gòu)建在Scikit-learn之上的，所以它生成的所有代碼看起來應(yīng)該很熟悉。

它的作用是通過智能地探索數(shù)千種可能的pipeline來自動化機器學習中最繁瑣的部分，找到最適合你的數(shù)據(jù)的pipeline，然后為你提供***的 Python 代碼。

它的工作原理如下：

安裝

安裝TPOT之前，請先閱讀教程：

http://epistasislab.github.io/tpot/installing/

然后，運行以下代碼：

pip install tpot 

例子：

首先讓我們從基本的Iris數(shù)據(jù)集開始：

 1from tpot import TPOTClassifier 
 2from sklearn.datasets import load_iris 
 3from sklearn.model_selection import train_test_split 
 4 
 5# Load iris dataset 
 6iris = load_iris() 
 7 
 8# Split the data 
 9 
10X_trainX_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, 
11 train_size=0.75, test_size=0.25) 
12 
13# Fit the TPOT classifier  
14 
15tpot = TPOTClassifier(verbosity=2, max_time_mins=2) 
16tpot.fit(X_train, y_train) 
17 
18# Export the pipeline 
19tpot.export('tpot_iris_pipeline.py') 

我們在這里構(gòu)建了一個非常基本的TPOT pipeline，它將嘗試尋找***ML pipeline來預(yù)測iris.target。然后保存這個pipeline。之后，我們要做的就非常簡單了——加載生成的.py文件，你將看到：

 1import numpy as np 
 2from sklearn.kernel_approximation import RBFSampler 
 3from sklearn.model_selection import train_test_split 
 4from sklearn.pipeline import make_pipeline 
 5from sklearn.tree import DecisionTreeClassifier 
 6# NOTE: Make sure that the class is labeled 'class' in the data file 
 7tpot_data = np.recfromcsv('PATH/TO/DATA/FILE', delimiter='COLUMN_SEPARATOR', dtype=np.float64) 
 8features = np.delete(tpot_data.view(np.float64).reshape(tpot_data.size, -1), tpot_data.dtype.names.index('class'), axis=1) 
 9training_features, testing_features, training_classes, testing_classes =  
10 train_test_split(features, tpot_data['class'], random_state=42) 
11exported_pipeline = make_pipeline( 
12 RBFSampler(gamma=0.8500000000000001), 
13 DecisionTreeClassifier(criterion="entropy", max_depth=3, min_samples_leaf=4, min_samples_split=9) 
14) 
15exported_pipeline.fit(training_features, training_classes) 
16results = exported_pipeline.predict(testing_features) 

就是這樣。你已經(jīng)以一種簡單但強大的方式為Iris數(shù)據(jù)集構(gòu)建一個分類器。

現(xiàn)在我們來看看MNIST的數(shù)據(jù)集：

1from tpot import TPOTClassifier 
 2from sklearn.datasets import load_digits 
 3from sklearn.model_selection import train_test_split 
 4 
 5# load and split dataset  
 6digitsdigits == load_digitsload_di () 
 7X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, 
 8 train_size=0.75, test_size=0.25) 
 9 
10# Fit the TPOT classifier  
11tpot = TPOTClassifier(verbosity=2, max_time_mins=5, population_size=40) 
12tpot.fit(X_train, y_train) 
13 
14# Export pipeline 
15tpot.export('tpot_mnist_pipeline.py') 

接下來我們再次加載生成的 .py文件，你將看到：

 1import numpy as np 
 2from sklearn.model_selection import train_test_split 
 3from sklearn.neighbors import KNeighborsClassifier 
 4# NOTE: Make sure that the class is labeled 'class' in the data file 
 5tpot_data = np.recfromcsv('PATH/TO/DATA/FILE', delimiter='COLUMN_SEPARATOR', dtype=np.float64) 
 6features = np.delete(tpot_data.view(np.float64).reshape(tpot_data.size, -1), tpot_data.dtype.names.index('class'), axis=1) 
 7training_features, testing_features, training_classes, testing_classes =  
 8 train_test_split(features, tpot_data['class'], random_state=42) 
 9exported_pipeline = KNeighborsClassifier(n_neighbors=4, p=2, weights="distance") 
10exported_pipeline.fit(training_features, training_classes) 
11results = exported_pipeline.predict(testing_features) 

5. SHAP ——一個解釋任何機器模型輸出的統(tǒng)一方法

https://github.com/slundberg/shap

解釋機器學習模型并不容易。然而，它對許多商業(yè)應(yīng)用程序來說非常重要。幸運的是，有一些很棒的庫可以幫助我們完成這項任務(wù)。在許多應(yīng)用程序中，我們需要知道、理解或證明輸入變量在模型中的運作方式，以及它們?nèi)绾斡绊懽罱K的模型預(yù)測。

SHAP (SHapley Additive exPlanations)是一種解釋任何機器學習模型輸出的統(tǒng)一方法。SHAP將博弈論與局部解釋聯(lián)系起來，并結(jié)合了之前的幾種方法。

安裝

SHAP可以從PyPI安裝

pip install shap 

或conda -forge

conda install -c conda-forge shap 

用法

有很多不同的模型和方法可以使用這個包。在這里，我將以DeepExplainer中的一個例子為例。

Deep SHAP是深度學習模型中SHAP值的一種高速近似算法，它基于與DeepLIFT的連接，如SHAP的NIPS論文所述(https://arxiv.org/abs/1802.03888）。

下面這個例子可以看到SHAP如何被用來解釋MNIST數(shù)據(jù)集的Keras模型結(jié)果：

# this is the code from https://github.com/keras-team/keras/blob/master/examples/mnist_cnn.py 
from __future__ import print_function 
import keras 
from keras.datasets import mnist 
from keras.models import Sequential 
from keras.layers import Dense, Dropout, Flatten 
from keras.layers import Conv2D, MaxPooling2D 
from keras import backend as K 
batch_size = 128 
num_classes = 10 
epochs = 12 
# input image dimensions 
img_rows, img_cols = 28, 28 
# the data, split between train and test sets 
(x_train, y_train), (x_test, y_test) = mnist.load_data() 
if K.image_data_format() == 'channels_first': 
 x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols) 
 x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols) 
 input_shape = (1, img_rows, img_cols) 
else: 
 x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1) 
 x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1) 
 input_shape = (img_rows, img_cols, 1) 
x_train = x_train.astype('float32') 
x_test = x_test.astype('float32') 
x_train /= 255 
x_test /= 255 
print('x_train shape:', x_train.shape) 
print(x_train.shape[0], 'train samples') 
print(x_test.shape[0], 'test samples') 
# convert class vectors to binary class matrices 
y_train = keras.utils.to_categorical(y_train, num_classes) 
y_test = keras.utils.to_categorical(y_test, num_classes) 
model = Sequential() 
model.add(Conv2D(32, kernel_size=(3, 3), 
 activation='relu', 
 input_shape=input_shape)) 
model.add(Conv2D(64, (3, 3), activation='relu')) 
model.add(MaxPooling2D(pool_size=(2, 2))) 
model.add(Dropout(0.25)) 
model.add(Flatten()) 
model.add(Dense(128, activation='relu')) 
model.add(Dropout(0.5)) 
model.add(Dense(num_classes, activation='softmax')) 
model.compile(loss=keras.losses.categorical_crossentropy, 
 optimizer=keras.optimizers.Adadelta(), 
 metrics=['accuracy']) 
model.fit(x_train, y_train, 
 batch_size=batch_size, 
 epochs=epochs, 
 verbose=1, 
 validation_data=(x_test, y_test)) 
score = model.evaluate(x_test, y_test, verbose=0) 
print('Test loss:', score[0]) 
print('Test accuracy:', score[1]) 

更多示例：

https://github.com/slundberg/shap#sample-notebooks

4. Optimus——使用 Python 和 Spark 輕松實現(xiàn)敏捷數(shù)據(jù)科學工作流

[[255011]]

https://github.com/ironmussa/Optimus

Optimus V2旨在讓數(shù)據(jù)清理更容易。這個API的設(shè)計對新手來說超級簡單，對使用pandas的人來說也非常熟悉。Optimus擴展了Spark DataFrame功能，添加了.rows和.cols屬性。

使用Optimus，你可以以分布式的方式清理數(shù)據(jù)、準備數(shù)據(jù)、分析數(shù)據(jù)、創(chuàng)建分析器和圖表，并執(zhí)行機器學習和深度學習，因為它的后端有Spark、TensorFlow和Keras。

Optimus是數(shù)據(jù)科學敏捷方法的***工具，因為它幾乎可以幫助你完成整個過程的所有步驟，并且可以輕松地連接到其他庫和工具。

Installation (pip):

pip install optimuspyspark 

用法

在這個示例中，你可以從 URL 加載數(shù)據(jù)，對其進行轉(zhuǎn)換，并應(yīng)用一些預(yù)定義的清理功能：

from optimus import Optimus 
op = Optimus() 
# This is a custom function 
def func(value, arg): 
 return "this was a number" 
df =op.load.url("https://raw.githubusercontent.com/ironmussa/Optimus/master/examples/foo.csv") 
df 
 .rows.sort("product","desc") 
 .cols.lower(["firstName","lastName"]) 
 .cols.date_transform("birth", "new_date", "yyyy/MM/dd", "dd-MM-YYYY") 
 .cols.years_between("birth", "years_between", "yyyy/MM/dd") 
 .cols.remove_accents("lastName") 
 .cols.remove_special_chars("lastName") 
 .cols.replace("product","taaaccoo","taco") 
 .cols.replace("product",["piza","pizzza"],"pizza") 
 .rows.drop(df["id"]<7) 
 .cols.drop("dummyCol") 
 .cols.rename(str.lower) 
 .cols.apply_by_dtypes("product",func,"string", data_type="integer") 
 .cols.trim("*") 
 .show() 

你可以將這個表格

轉(zhuǎn)換為這樣：

是不是很酷？這個庫還可以做更多事情，具體請閱讀：

https://www.hioptimus.com/

3. spacy——使用Python和Cython的工業(yè)級自然語言處理

[[255012]]

https://spacy.io/

spaCy旨在幫助你完成實際的工作——構(gòu)建真實的產(chǎn)品，或收集真實的見解。這個庫尊重你的時間，盡量避免浪費。它易于安裝，而且它的API簡單而高效。spaCy被視為自然語言處理的Ruby on Rails。

spaCy是為深度學習準備文本的***方法。它與TensorFlow、PyTorch、Scikit-learn、Gensim以及Python強大的AI生態(tài)系統(tǒng)的其他部分無縫交互。使用spaCy，你可以很容易地為各種NLP問題構(gòu)建語言復(fù)雜的統(tǒng)計模型。

安裝

pip3 install spacy 
$ python3 -m spacy download en 

這里，我們還下載了英語語言模型。你可以在這里找到德語，西班牙語，意大利語，葡萄牙語，法國語等版本的模型：

https://spacy.io/models/

下面是主頁面的一個示例：

# python -m spacy download en_core_web_sm 
import spacy 
# Load English tokenizer, tagger, parser, NER and word vectors 
nlp = spacy.load('en_core_web_sm') 
# Process whole documents 
text = (u"When Sebastian Thrun started working on self-driving cars at " 
 u"Google in 2007, few people outside of the company took him " 
 u"seriously. “I can tell you very senior CEOs of major American " 
 u"car companies would shake my hand and turn away because I wasn’t " 
 u"worth talking to,” said Thrun, now the co-founder and CEO of " 
 u"online higher education startup Udacity, in an interview with " 
 u"Recode earlier this week.") 
doc = nlp(text) 
# Find named entities, phrases and concepts 
for entity in doc.ents: 
 print(entity.text, entity.label_) 
# Determine semantic similarities 
doc1 = nlp(u"my fries were super gross") 
doc2 = nlp(u"such disgusting fries") 
similarity = doc1.similarity(doc2) 
print(doc1.text, doc2.text, similarity) 

在這個示例中，我們首先下載English tokenizer, tagger, parser, NER和word vectors。然后創(chuàng)建一些文本，打印找到的實體、短語和概念，***確定兩個短語的語義相似性。運行這段代碼，你會得到：

Sebastian Thrun PERSON 
Google ORG 
2007 DATE 
American NORP 
Thrun PERSON 
Recode ORG 
earlier this week DATE 
my fries were super gross such disgusting fries 0.7139701635071919 

2. jupytext

[[255013]]

對我來說，jupytext是年度***。幾乎所有人都在像Jupyter這樣的筆記本上工作，但是我們也在項目的更核心部分使用像PyCharm這樣的IDE。

好消息是，你可以在自己喜歡的IDE中起草和測試普通腳本，在使用Jupytext時可以將IDE作為notebook在Jupyter中打開。在Jupyter中運行notebook以生成輸出，關(guān)聯(lián).ipynb表示，并作為普通腳本或傳統(tǒng)Jupyter notebook 進行保存和分享。

下圖展示了這個包的作用：

可點擊下方鏈接查看原文中的GIF展示：

https://heartbeat.fritz.ai/top-7-libraries-and-packages-of-the-year-for-data-science-and-ai-python-r-6b7cca2bf000

安裝

pip install jupytext --upgrade 

然后，配置Jupyter使用Jupytext：

使用jupyter notebook --generate-config生成Jupyter配置

編輯.jupyter/jupyter_notebook_config.py，并附加以下代碼：

c.NotebookApp.contents_manager_class = "jupytext.TextFileContentsManager" 

重啟Jupyter，即運行：

jupyter notebook 

你可以在這里試試：

https://mybinder.org/v2/gh/mwouts/jupytext/master?filepath=demo

1.Chartify ——讓數(shù)據(jù)科學家很容易創(chuàng)建圖表的Python庫

https://xkcd.com/1945/

Chartify是Python的年度***庫。

在Python世界中創(chuàng)建一個像樣的圖很費時間。幸運的是，我們有像Seaborn之類的庫，但問題是他們的plots不是動態(tài)的。

然后就出現(xiàn)了Bokeh——這是一個超棒的庫，但用它來創(chuàng)造互動情節(jié)仍很痛苦。

Chartify建立在Bokeh之上，但它簡單得多。

Chartify的特性：

• 一致的輸入數(shù)據(jù)格式：轉(zhuǎn)換數(shù)據(jù)所需的時間更少。所有繪圖函數(shù)都使用一致、整潔的輸入數(shù)據(jù)格式。
• 智能默認樣式：創(chuàng)建漂亮的圖表，幾乎不需要自定義。
• 簡單API：API盡可能直觀和容易學習。
• 靈活性：Chartify是建立在Bokeh之上的，所以如果你需要更多的控制，你可以使用Bokeh的API。

安裝

Chartify可以通過pip安裝:

pip3 install chartify 

用法

假設(shè)我們想要創(chuàng)建這個圖表：

import pandas as pd 
import chartify 
# Generate example data 
data = chartify.examples.example_data() 

現(xiàn)在，我們已經(jīng)加載了一些示例數(shù)據(jù)，讓我們來做一些轉(zhuǎn)換：

total_quantity_by_month_and_fruit = (data.groupby( 
 [data['date'] + pd.offsets.MonthBegin(-1), 'fruit'])['quantity'].sum() 
 .reset_index().rename(columns={'date': 'month'}) 
 .sort_values('month')) 
print(total_quantity_by_month_and_fruit.head()) 
month fruit quantity 
0 2017-01-01 Apple 7 
1 2017-01-01 Banana 6 
2 2017-01-01 Grape 1 
3 2017-01-01 Orange 2 
4 2017-02-01 Apple 8 

現(xiàn)在我們可以把它畫出來：

# Plot the data 
ch = chartify.Chart(blank_labels=True, x_axis_type='datetime') 
ch.set_title("Stacked area") 
ch.set_subtitle("Represent changes in distribution.") 
ch.plot.area( 
 data_frame=total_quantity_by_month_and_fruit, 
 x_column='month', 
 y_column='quantity', 
 color_column='fruit', 
 stacked=True) 
ch.show('png') 

超級容易創(chuàng)建一個互動的plot。

更多示例：

https://github.com/spotify/chartify