在本文中，我們會(huì)研究一些用于數(shù)據(jù)科學(xué)任務(wù)的 Python 庫(kù)，而不是常見(jiàn)的比如 panda、scikit-learn 和 matplotlib 等的庫(kù)。盡管像 panda 和 scikit-learn 這樣的庫(kù)，是在機(jī)器學(xué)習(xí)任務(wù)中經(jīng)常出現(xiàn)的，但是了解這個(gè)領(lǐng)域中的其它 Python 產(chǎn)品總是很有好處的。

一、Wget

從網(wǎng)絡(luò)上提取數(shù)據(jù)是數(shù)據(jù)科學(xué)家的重要任務(wù)之一。Wget 是一個(gè)免費(fèi)的實(shí)用程序，可以用于從網(wǎng)絡(luò)上下載非交互式的文件。它支持 HTTP、HTTPS 和 FTP 協(xié)議，以及通過(guò) HTTP 的代理進(jìn)行文件檢索。由于它是非交互式的，即使用戶(hù)沒(méi)有登錄，它也可以在后臺(tái)工作。所以下次當(dāng)你想要下載一個(gè)網(wǎng)站或者一個(gè)頁(yè)面上的所有圖片時(shí)，wget 可以幫助你。

安裝：

$ pip install wget

例子：

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(duì)于那些在 python 中處理日期時(shí)間時(shí)會(huì)感到沮喪的人來(lái)說(shuō)，Pendulum 很適合你。它是一個(gè)簡(jiǎn)化日期時(shí)間操作的 Python 包。它是 Python 原生類(lèi)的簡(jiǎn)易替代。請(qǐng)參閱文檔深入學(xué)習(xí)。

安裝：

$ pip install pendulum

例子：

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(dāng)每個(gè)類(lèi)的樣本數(shù)量基本相同時(shí)，大多數(shù)分類(lèi)算法的效果是最好的，即需要保持?jǐn)?shù)據(jù)平衡。但現(xiàn)實(shí)案例中大多是不平衡的數(shù)據(jù)集，這些數(shù)據(jù)集對(duì)機(jī)器學(xué)習(xí)算法的學(xué)習(xí)階段和后續(xù)預(yù)測(cè)都有很大影響。幸運(yùn)的是，這個(gè)庫(kù)就是用來(lái)解決此問(wèn)題的。它與 scikit-learn 兼容，是 scikit-lear-contrib 項(xiàng)目的一部分。下次當(dāng)你遇到不平衡的數(shù)據(jù)集時(shí)，請(qǐng)嘗試使用它。

安裝：

$ pip install -U imbalanced-learn

# 或者

$ conda install -c conda-forge imbalanced-learn

例子：

使用方法和例子請(qǐng)參考文檔。

四、FlashText

在 NLP 任務(wù)中，清理文本數(shù)據(jù)往往需要替換句子中的關(guān)鍵字或從句子中提取關(guān)鍵字。通常，這種操作可以使用正則表達(dá)式來(lái)完成，但是如果要搜索的術(shù)語(yǔ)數(shù)量達(dá)到數(shù)千個(gè)，這就會(huì)變得很麻煩。Python 的 FlashText 模塊是基于 FlashText 算法為這種情況提供了一個(gè)合適的替代方案。FlashText 最棒的一點(diǎn)是，不管搜索詞的數(shù)量如何，運(yùn)行時(shí)間都是相同的。你可以在這里了解更多內(nèi)容。

安裝：

$ pip install flashtext

例子：

提取關(guān)鍵字

from flashtext import KeywordProcessor
keyword_processor = KeywordProcessor()

# keyword_processor.add_keyword(<unclean name>, <standardised name>)

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']

替換關(guān)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(gè)庫(kù)的名字聽(tīng)起來(lái)很奇怪，但是在字符串匹配方面，fuzzywuzzy 是一個(gè)非常有用的庫(kù)。可以很方便地實(shí)現(xiàn)計(jì)算字符串匹配度、令牌匹配度等操作，也可以很方便地匹配保存在不同數(shù)據(jù)庫(kù)中的記錄。

安裝：

$ pip install fuzzywuzzy

例子：

from fuzzywuzzy import fuzz
from fuzzywuzzy import process

# 簡(jiǎn)單匹配度

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

更多有趣例子可以在 GitHub 倉(cāng)庫(kù)找到。

六、PyFlux

時(shí)間序列分析是機(jī)器學(xué)習(xí)領(lǐng)域中最常見(jiàn)的問(wèn)題之一。PyFlux 是 Python 中的一個(gè)開(kāi)源庫(kù)，它是為處理時(shí)間序列問(wèn)題而構(gòu)建的。該庫(kù)擁有一系列優(yōu)秀的現(xiàn)代時(shí)間序列模型，包括但不限于 ARIMA、GARCH 和 VAR 模型。簡(jiǎn)而言之，PyFlux 為時(shí)間序列建模提供了一種概率方法。值得嘗試一下。

安裝

pip install pyflux

例子

詳細(xì)用法和例子請(qǐng)參考官方文檔。

七、Ipyvolume

結(jié)果展示也是數(shù)據(jù)科學(xué)中的一個(gè)重要方面。能夠?qū)⒔Y(jié)果進(jìn)行可視化將具有很大優(yōu)勢(shì)。IPyvolume 是一個(gè)可以在 Jupyter notebook 中可視化三維體和圖形（例如三維散點(diǎn)圖等）的 Python 庫(kù)，并且只需要少量配置。但它目前還是 1.0 之前的版本階段。用一個(gè)比較恰當(dāng)?shù)谋扔鱽?lái)解釋就是：IPyvolume 的 volshow 對(duì)于三維數(shù)組就像 matplotlib 的 imshow 對(duì)于二維數(shù)組一樣好用。可以在這里獲取更多。

使用 pip

$ pip install ipyvolume

使用 Conda/Anaconda

$ conda install -c conda-forge ipyvolume

例子

動(dòng)畫(huà)

體繪制

八、Dash

Dash 是一個(gè)高效的用于構(gòu)建 web 應(yīng)用程序的 Python 框架。它是在 Flask、Plotly.js 和 React.js 基礎(chǔ)上設(shè)計(jì)而成的，綁定了很多比如下拉框、滑動(dòng)條和圖表的現(xiàn)代 UI 元素，你可以直接使用 Python 代碼來(lái)寫(xiě)相關(guān)分析，而無(wú)需再使用 javascript。Dash 非常適合構(gòu)建數(shù)據(jù)可視化應(yīng)用程序。然后，這些應(yīng)用程序可以在 web 瀏覽器中呈現(xiàn)。用戶(hù)指南可以在這里獲取。

安裝

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

例子下面的例子展示了一個(gè)具有下拉功能的高度交互式圖表。當(dāng)用戶(hù)在下拉菜單中選擇一個(gè)值時(shí)，應(yīng)用程序代碼將動(dòng)態(tài)地將數(shù)據(jù)從 Google Finance 導(dǎo)出到 panda DataFrame。

九、Gym

OpenAI 的 Gym 是一款用于增強(qiáng)學(xué)習(xí)算法的開(kāi)發(fā)和比較工具包。它兼容任何數(shù)值計(jì)算庫(kù)，如 TensorFlow 或 Theano。Gym 庫(kù)是測(cè)試問(wèn)題集合的必備工具，這個(gè)集合也稱(chēng)為環(huán)境 —— 你可以用它來(lái)開(kāi)發(fā)你的強(qiáng)化學(xué)習(xí)算法。這些環(huán)境有一個(gè)共享接口，允許你進(jìn)行通用算法的編寫(xiě)。

安裝

pip install gym

例子這個(gè)例子會(huì)運(yùn)行CartPole-v0環(huán)境中的一個(gè)實(shí)例，它的時(shí)間步數(shù)為 1000，每一步都會(huì)渲染整個(gè)場(chǎng)景。

總結(jié)

以上這些有用的數(shù)據(jù)科學(xué) Python 庫(kù)都是我精心挑選出來(lái)的，不是常見(jiàn)的如 numpy 和 pandas 等庫(kù)。如果你知道其它庫(kù)，可以添加到列表中來(lái)，請(qǐng)?jiān)谙旅娴脑u(píng)論中提一下。另外別忘了先嘗試運(yùn)行一下它們。