数据科学家常用的 Python 库有哪些？

---

本文介绍了数据科学家最常用的 Python 库。

NumPy

NumPy 是最广泛使用的用于科学计算的开源 Python 库之一。其内置的数学函数允许进行闪电般的快速计算，并支持多维数据和大型矩阵。线性代数也使用它。NumPy 数组通常优于列表，因为它占用更少的内存，并且更方便和高效。

根据其网站，NumPy 是一个旨在促进 Python 数值计算的开源项目。它设计于 2005 年，基于 Numeric 和 Numarray 库的早期工作。NumPy 的主要优势之一是它是在修改后的 BSD 许可证下发布的，因此它将永远免费使用。

Pandas

在数据科学领域，Pandas 是一个广泛使用的开源库。它主要用于数据分析、操作和清理。Pandas 允许轻松进行数据建模和数据分析活动，而无需编写大量代码。根据其网站，Pandas 是一个快速、强大、通用且简单的开源数据分析和操作工具。

Matplotlib

Matplotlib 是一个用 Python 编写的庞大的可视化工具包，可用于创建静态和动态可视化。大量第三方程序，包括各种更高级别的绘图界面（Seaborn、HoloViews、ggplot 等），增强并构建在 Matplotlib 的功能之上。

Matplotlib 的目标是与 MATLAB 一样功能强大，并且额外的好处是可以与 Python 兼容。它还具有开源和免费的优势。它允许用户使用多种绘图类型（例如散点图、直方图、条形图、误差图和箱线图）来可视化数据。此外，所有可视化只需几行代码即可创建。

Seaborn

Seaborn 是一个功能强大的界面，用于构建视觉上吸引人且富有洞察力的统计可视化，这对于从数据中获取见解和研究数据至关重要。它是另一个流行的基于 Matplotlib 的 Python 数据可视化工具包。此 Python 模块与 NumPy 和 pandas 数据结构紧密集成。Seaborn 的核心原则是将可视化标准化作为数据探索和分析的一部分。因此，其图表算法使用包含详细数据集的数据帧。

Plotly

使用流行的开源程序 Plotly 创建交互式图形和图表。使用 Plotly 创建的数据可视化可以导出到 HTML 文件、在 Jupyter notebook 和使用 Dash 的 Web 应用程序中查看或保存到云端。基于 Plotly JavaScript 库 (plotly.js)。

包括 40 多种不同类型的图表，例如散点图、直方图、折线图、条形图、饼图、误差条、箱线图、多轴、sparklines、树状图和三维图表。除了标准的数据可视化工具外，Plotly 还提供更专业的选项，例如等值线图。

在交互式可视化或仪表板式显示方面，Plotly 是 Matplotlib 和 Seaborn 的一个不错的替代品。它现在可以在 MIT 许可证下使用。

Scikit-Learn

Scikit-learn 对于机器学习至关重要。作为 Python 机器学习库，scikit-learn 被广泛使用。此开源 Python 库在 BSD 许可证下分发，结合了 NumPy、SciPy 和 Matplotlib 的功能，适合在商业环境中使用。它减少并加速了分析数据以进行未来预测的过程。

虽然 scikit-learn 最初于 2007 年作为 Google Summer of Code 项目启动，但此后一直通过机构和私人资金进行维护。

scikit-learn 最棒的部分是它非常易于使用。

用于机器学习的 Python 库

LightGBM

LightGBM 是一个著名的开源梯度提升库，它利用基于树的算法。它具有以下优点 -

• 提高了训练的效率和速度。

• 减少内存使用

• 更高的准确性

• 支持并行、分布式和 GPU 学习

• 能够处理海量数据

它可以执行监督分类以及回归问题。要了解有关此出色框架的更多信息，请访问其官方文档或 GitHub。

XGBoost

XGBoost 是另一个广泛使用的分布式梯度提升工具包，其目标是可移植性、适应性和性能。它允许在梯度提升框架内使用机器学习技术。XGBoost 以梯度提升决策树 (GBDT) 的形式提供了一种并行树提升技术，可以快速准确地解决各种数据科学问题。相同的代码可以在主要分布式环境（Hadoop、SGE、MPI）中解决无限数量的问题。

近年来，XGBoost 帮助个人和团队赢得几乎所有 Kaggle 结构化数据竞赛的事实，促使其迅速普及。

Python 中的其他机器学习库包括CatBoost、Statsmodels和RAPIDS. AI cuDF 和 cuML、Optuna等。

用于深度学习的 Python 库

TensorFlow

TensorFlow 由 Google 的 Brain 团队创建，是一个流行的开源高性能数值计算工具包，对于深度学习研究至关重要。

如项目网站所述，TensorFlow 是一个开源的综合机器学习框架。它为机器学习领域的工作人员提供了各种形式的资源，如工具、框架和社区。

PyTorch

PyTorch 是一个机器学习框架，它加速了从研究原型到生产部署的过渡。它是一个旨在用于 GPU 和 CPU 上的深度学习的张量库，被认为是 TensorFlow 的替代品。PyTorch 的受欢迎程度已经扩展到在 Google 趋势中超过 TensorFlow 的程度。

它由 Facebook 创建和维护，目前在 BSD 许可下获得许可。

Keras

Keras 是一个为人类而不是机器人设计的深度学习应用程序编程接口。Keras 以用户体验为中心构建，提供统一且简单的 API，减少典型用例所需的点击次数，并提供清晰且响应式的错误信号。由于 Keras 易于使用，因此 TensorFlow 的 TF 2.0 版本使其成为默认 API。

Keras 提供了一种更简单的方法来表达神经网络，以及一些构建模型、数据集处理、图形可视化和其他任务的最佳工具。

Python 中的其他深度学习库包括FastAI、PyTorch Lightning等。

用于自然语言处理的 Python 库

• NLTK

• spaCy

• Gensim

• Hugging Face Transformers

结论

通过阅读本文，我们了解了一些数据科学家中最知名的 Python 库。