[譯] 鮮為人知的資料科學 Python 庫

leeyang-tju發表於2018-12-05
資料科學Python

[譯] 鮮為人知的資料科學 Python 庫

PC：Hitesh Choudhary 來自於 Unsplash

Python 是一個很棒的語言。它是世界上發展最快的程式語言之一。它一次又一次地證明了在開發人員職位中和跨行業的資料科學職位中的實用性。整個 Python 及其庫的生態系統使它成為全世界使用者（初學者和高階使用者）的合適選擇。它的成功和流行的原因之一是它強大的第三方庫的集合，這些庫使它可以保持活力和高效。

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

Wget

從網路上提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式，可以用於從網路上下載非互動式的檔案。它支援 HTTP、HTTPS 和 FTP 協議，以及通過 HTTP 的代理進行檔案檢索。由於它是非互動式的，即使使用者沒有登入，它也可以在後臺工作。所以下次當你想要下載一個網站或者一個頁面上的所有圖片時，wget 可以幫助你。

安裝：

$ pip install wget
複製程式碼

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'
複製程式碼

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 包。它是 Python 原生類的簡易替代。請參閱文件深入學習。

安裝：

$ pip install pendulum
複製程式碼

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
複製程式碼

imbalanced-learn

可以看出，當每個類的樣本數量基本相同時，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，這個庫就是用來解決此問題的。它與 scikit-learn 相容，是 scikit-lear-contrib 專案的一部分。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
複製程式碼

例子：

使用方法和例子請參考文件。

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，不管搜尋詞的數量如何，執行時間都是相同的。你可以在這裡瞭解更多內容。

安裝：

$ pip install flashtext
複製程式碼

例子：

提取關鍵字

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']
複製程式碼

替換關鍵字

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.'
複製程式碼

更多實用案例，請參考官方文件。

Fuzzywuzzy

這個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儲存在不同資料庫中的記錄。

安裝：

$ pip install fuzzywuzzy
複製程式碼

例子：

from fuzzywuzzy import fuzz
from fuzzywuzzy import process

# 簡單匹配度

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
複製程式碼

更多有趣例子可以在 GitHub 倉庫找到。

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 中的一個開源庫，它是為處理時間序列問題而構建的。該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概率方法。值得嘗試一下。

安裝

pip install pyflux
複製程式碼

例子

詳細用法和例子請參考官方文件。

Ipyvolume

結果展示也是資料科學中的一個重要方面。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 中視覺化三維體和圖形（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 對於三維陣列就像 matplotlib 的 imshow 對於二維陣列一樣好用。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
複製程式碼

例子

  • 動畫

[譯] 鮮為人知的資料科學 Python 庫

  • 體繪製

[譯] 鮮為人知的資料科學 Python 庫

Dash

Dash 是一個高效的用於構建 web 應用程式的 Python 框架。它是在 Flask、Plotly.js 和 React.js 基礎上設計而成的，繫結了很多比如下拉框、滑動條和圖表的現代 UI 元素，你可以直接使用 Python 程式碼來寫相關分析，而無需再使用 javascript。Dash 非常適合構建資料視覺化應用程式。然後，這些應用程式可以在 web 瀏覽器中呈現。使用者指南可以在這裡獲取。

安裝

pip install dash==0.29.0  # 核心 dash 後端
pip install dash-html-components==0.13.2  # HTML 元件
pip install dash-core-components==0.36.0  # 增強元件
pip install dash-table==3.1.3  # 互動式 DataTable 元件（最新！）
複製程式碼

例子

下面的例子展示了一個具有下拉功能的高度互動式圖表。當使用者在下拉選單中選擇一個值時，應用程式程式碼將動態地將資料從 Google Finance 匯出到 panda DataFrame。原始碼在這裡

[譯] 鮮為人知的資料科學 Python 庫

Gym

OpenAI 的 Gym 是一款用於增強學習演算法的開發和比較工具包。它相容任何數值計算庫，如 TensorFlow 或 Theano。Gym 庫是測試問題集合的必備工具，這個集合也稱為環境 —— 你可以用它來開發你的強化學習演算法。這些環境有一個共享介面，允許你進行通用演算法的編寫。

安裝

pip install gym
複製程式碼

例子

這個例子會執行 CartPole-v0 環境中的一個例項，它的時間步數為 1000，每一步都會渲染整個場景。

[譯] 鮮為人知的資料科學 Python 庫

你可以在這裡獲取其它環境的相關資料。

總結

以上這些有用的資料科學 Python 庫都是我精心挑選出來的，不是常見的如 numpy 和 pandas 等庫。如果你知道其它庫，可以新增到列表中來，請在下面的評論中提一下。另外別忘了先嚐試執行一下它們。

如果發現譯文存在錯誤或其他需要改進的地方，歡迎到 掘金翻譯計劃 對譯文進行修改並 PR，也可獲得相應獎勵積分。文章開頭的 本文永久連結 即為本文在 GitHub 上的 MarkDown 連結。

掘金翻譯計劃 是一個翻譯優質網際網路技術文章的社群，文章來源為 掘金 上的英文分享文章。內容覆蓋 Android、iOS、前端、後端、區塊鏈、產品、設計、人工智慧等領域，想要檢視更多優質譯文請持續關注 掘金翻譯計劃、官方微博、知乎專欄。

相關文章