Python 中一些被低估的库有哪些？

---

在本文中，我们将学习一些被低估的 Python 库。以下是 Python 中一些被低估的库的列表：

• Emmett

• Jam.py

• Missingo

• Emot

• Shogun

• Blaze

• Bamboolib

• Swifter

• Caffe

• Myia

• Featuretools

• Altair

• AutoViz

Emmett

Emmett Web 框架是第一个被严重低估和忽视的软件包。Emmett Web 框架非常灵活，可用于 Web 开发中的许多不同应用程序。

另一个优点是 Emmett Web 框架相对易于使用。它使用类似 Flask 的语法，如果您已经熟悉 Flask，则学习起来相对简单。

Jam.py

Jam.py 是此列表中下一个被低估的 Python 软件包。Jam.py 是另一个擅长一项任务的 Web 框架。该程序用于创建数据驱动的仪表板，并且非常擅长此操作。此软件包的一个特别酷的功能是，您甚至不需要知道如何编程即可使用它。该软件包将启动 Web 服务器会话。然后可以通过 Web 浏览器加入此会话，并且您可以使用交互式集成开发环境，同时在大多数情况下忽略您的代码。

在我看来，这是一种非常酷的仪表板方法。即使是经验丰富的程序员也会欣赏不必编写任何代码。这使得 Jam.py 成为 Python 用户和非程序员的非常酷且独特的解决方案。

Missingo

Missingo 可以通过更有效地使用数据可视化来帮助管理缺失值。Missingo 包含四种基于 matplotlib 的图表类型，以便更好地理解缺失数据。这些由条形图组成。热图、矩阵和树状图都可用。

Emot

表情符号现在被每个人普遍使用。对于处理自然语言处理的开发人员来说，执行涉及表情符号的任务可能很困难。Emot 是一个允许开发人员从文本数据中去除表情符号的库。此库与 Python 2 和 Python 3 都非常有效。

Shogun

Shogun 是此列表中下一个专注于机器学习的软件包。Shogun 是一个机器学习库，最初是用 C++ 构建的，随后通过 API 转换为 Python。尽管 Shogun 没有坚持 Sklearn 为机器学习建立的 Python 编程语言的标准约定，但该软件包仍然包含足够的代码来很好地支持其模型。该软件实际上非常强大且易于使用。

Blaze

谈到 Blaze，Blaze 模块仅仅是冰山一角。Blaze 是一组工具的集合，通常在 Python 中用于高性能计算和机器学习。一个使加速 Python 算法（如 Dask）变得简单的模块总是受欢迎的。Blaze 生态系统中有很多非常有用的工具。

回到 Blaze 软件包，此软件包用于一致地查询各种类型的数据存储。blaze 可用于轻松地在格式之间移动数据，并使 SQL、Hadoop/Spark 和本地数据都能够使用一致的调用进行操作。

Bamboolib

数据分析和可视化是最关键但最耗时和最困难的过程。

Bamboolib 是 pandas DataFrame 的图形用户界面 (GUI)，允许开发人员在 Jupyter Notebook 或 JupyterLab 中使用 Python。它以一个智能且非常有用的库而闻名，用于分析、想象和管理信息。由于它不需要任何编码技能，因此不懂编程的人也可以使用它。

Swifter

Swifter 是一个只有一个简单函数的库——它使 apply() 操作的速度更快。这是通过使用专门为 Pandas Series 对象设计的效率更高的 apply() 方法来实现的。

Caffe

Caffe 是一个深度学习框架，其设计理念是表达性、速度和模块化。该软件包很棒，并且由于其模块化特性，该框架非常通用且高效。所有组件都是模块化的，并协同工作以形成网络。还非常重视速度，因此对于包含的一些出色且快速的模型，绝对值得一试。

Myia

我们想包含此软件包，因为我们认为它非常棒。Myia 是一种为高性能设计的编程语言。它可以通过 Python 访问，并专注于比 Python 更快。其理念是在后台运行 Myia，同时在前台编写 Python。

Featuretools

另一个非常重要的软件是 Featuretools。特征工程可能很困难，尤其是在您不确定要从哪些特征中进行工程设计时。另一方面，Featuretools 试图通过自动化特征选择来解决此确切问题。在某些方面，自动化机器学习很有趣。无论喜剧如何，我们都强烈建议您查看此软件包，因为它有很多可以节省大量时间的应用程序。

Altair

在该列表中的所有模块中，我们强烈建议您下载 Altair。Altair 是一个统计绘图自动化软件包。从表面上看，这似乎是一个相当奇怪的想法。说实话，我们对该软件的功能表示怀疑。另一方面，Altair 生成了一些我们数据非常惊人的可视化效果，这些效果非常有洞察力。观察人工智能为我们进行选择和可视化是一次令人惊讶的体验。

AutoViz

用于执行探索性数据分析任务的最被低估的库之一。该库可用于数据可视化活动，并且可以处理大型数据集。可以使用单个代码来检索数据可视化。只需输入 JSON、CSV 或 txt 文件，该库将帮助您进行可视化。

结论

此列表表明，我们很幸运拥有 Python 丰富且不断扩展的工具生态系统。由于每个任务都有如此多的出色解决方案，数据科学家可能必须执行每个任务，我们甚至最终获得了某些工作领域的自动化解决方案。凭借这些出色的软件包，Python 的杰作现已完成。