雷鋒網(公眾號：雷鋒網)按：本文作者為 ActiveWizards 的數據顧問 Igor Bobriakov，雷鋒網林立宏與 Raey Raey Li 編譯。
Igor Bobriakov
近年來，Python 在數據科學行業扮演著越來越重要的角色。因此，我根據近來的使用體驗，在本文中列出了對數據科學家、工程師們最有用的那些庫。
由於這些庫都開源了，我們從Github上引入了提交數，貢獻者數和其他指標，這可以作為庫流行程度的參考指標。
核心庫1. NumPy (提交數: 15980, 貢獻者數: 522)當開始處理Python中的科學任務，Python的SciPy Stack肯定可以提供幫助，它是專門為Python中科學計算而設計的軟體集合（不要混淆SciPy庫，它是SciPy Stack的一部分，和SciPy Stack的社區）這樣我們開始來看一下吧。然而，SciPy Stack相當龐大，其中有十幾個庫，我們把焦點放在核心包上（特別是最重要的）。
關於建立科學計算棧，最基本的包是Numpy（全稱為Numerical Python）。它為Python中的n維數組和矩陣的操作提供了大量有用的功能。該庫提供了NumPy數組類型的數學運算向量化，可以改善性能，從而加快執行速度。
2. SciPy (提交數: 17213, 貢獻者數: 489)SciPy是一個工程和科學軟體庫。雷鋒網再次提醒，你需要理解SciPy Stack和SciPy庫之間的區別。
SciPy包含線性代數，優化，集成和統計的模塊。SciPy庫的主要功能是建立在NumPy上，從而它的數組大量的使用了NumPy的。它通過其特定子模塊提供有效的數值例程，並作為數字積分、優化和其他例程。SciPy的所有子模塊中的功能都有詳細的說明 ——又是一個SciPy非常有幫助的點。
3. Pandas (提交數: 15089, 貢獻者數：762)Pandas是一個Python包，旨在通過「標記」和「關係」數據進行工作，簡單直觀。Pandas是數據整理的完美工具。它設計用於快速簡單的數據操作，聚合和可視化。
庫中有兩個主要的數據結構：
「系列」（Series），一維
「數據幀」（Data Frames），二維
例如，當您要從這兩種類型的結構中接收到一個新的Dataframe時，通過傳遞一個Series，您將收到一個單獨的行到DataFrame的DF：
這裡稍微列出了你可以用Pandas做的事情：
輕鬆刪除並添加數據幀（DataFrame）中的列
將數據結構轉換為數據幀（DataFrame）對象
處理丟失的數據，表示為NaN
功能強大的分組
Google趨勢記錄
trends.google.com
GitHub請求歷史記錄
datascience.com/trends
可視化4.Matplotlib (提交數: 21754, 貢獻者數: 588)又一個SciPy Stack核心軟體包以及 Python庫，Matplotlib為輕鬆生成簡單而強大的可視化而量身定製。它是一個頂尖的軟體（在NumPy，SciPy和Pandas的幫助下），它使Python成為像MatLab或Mathematica這樣的科學工具的競爭對手。
然而，這個庫是低層級的，這意味著你需要編寫更多的代碼才能達到高級的可視化效果，而且通常會比使用更多的高級工具付出更多的努力，但總體上這些努力是值得的。
只要付出一點你就可以做任何可視化：
線圖
散點圖
條形圖和直方圖
餅狀圖;
莖圖
輪廓圖
場圖
頻譜圖
還有使用Matplotlib創建標籤，網格，圖例和許多其他格式化實體的功能。基本上，一切都是可定製的。
該庫由不同的平臺支持，並使用不同的GUI套件來描述所得到的可視化。不同的IDE（如IPython）都支持Matplotlib的功能。
還有一些額外的庫可以使可視化變得更加容易。
5. Seaborn (提交數: 1699, 貢獻者數: 71)Seaborn主要關注統計模型的可視化；這種可視化包括熱圖，這些熱圖（heat map）總結數據但仍描繪整體分布。Seaborn基於Matplotlib，並高度依賴於此。
6. Bokeh (提交數: 15724, 貢獻者數: 223)
另一個很不錯的可視化庫是Bokeh，它針對交互式可視化。與以前的庫相比，它獨立於Matplotlib。正如我們提到的，Bokeh的主要焦點是交互性，它通過現代瀏覽器以數據驅動文檔（d3.js）的風格呈現。
7. Plotly (提交數: 2486, 貢獻者數: 33)最後，關於Plotly的話。它是一個基於Web用於構建可視化的工具箱，提供API給一些程式語言（Python在內）。在plot.ly網站上有一些強大的、上手即用的圖形。為了使用Plotly，你將需要設置API密鑰。圖形將在伺服器端處理，並發布到網際網路，但有一種方法可以避免。
Google趨勢記錄
trends.google.com
GitHub請求歷史記錄
datascience.com/trends
機器學習8. SciKit-Learn (提交數：21793, 貢獻者數：842)Scikits是Scikits Stack額外的軟體包，專為像圖像處理和機器學習輔助等特定功能而設計。對於機器學習輔助，scikit-learn是所有軟體包裡最突出的一個。它建立在SciPy之上，並大量利用它的數學運算。
scikit-learn給常見的機器學習算法公開了一個簡潔、一致的接口，可簡單地將機器學習帶入生產系統中。該庫中集成了有質量的代碼和良好的文檔、簡單易用並且十分高效，是使用Python進行機器學習的實際行業標準。
深度學習—— Keras / TensorFlow / Theano在深度學習方面，Python中最著名和最便的庫之一是Keras，它可以在TensorFlow或Theano框架上運行。讓我們來看一下它們的一些細節。
9.Theano. (提交數：25870, 貢獻者數：300)首先讓我們談談Theano。
Theano是一個Python軟體包，它定義了與NumPy類似的多維數組，以及數學運算和表達式。此庫是被編譯的，可實現在所有架構上的高效運行。最初由蒙特婁大學機器學習組開發，它主要用於滿足機器學習的需求。
值得注意的是，Theano緊密結合了NumPy在低層次上的運算 。另外，該庫還優化了GPU和CPU的使用，使數據密集型的計算平臺性能更佳。
效率和穩定性微調保證了即使在數值很小的情況下，仍有更精確的結果，例如，即使只給出x的最小值，log（1 + x）仍能計算出合理的結果。
10. TensorFlow. (提交數: 16785,貢獻者數: 795)TensorFlow來自Google的開發人員，它是數據流圖計算的開源庫，為機器學習不斷打磨。它旨在滿足谷歌對訓練神經網絡的高需求，並且是基於神經網絡的機器學習系統DistBelief的繼任者。然而，TensorFlow並不限制於谷歌的科學應用範圍 – 它可以通用於多種多樣的現實應用中。
TensorFlow的關鍵特徵是它的多層節點系統，可以在大型數據集上快速訓練神經網絡。這為谷歌的語音識別和圖像對象識別提供了支持。
11. Keras. (提交數: 3519,貢獻者數: 428)最後我們來看看Keras。它是一個用Python編寫的開源的庫，用於在高層的接口上構建神經網絡。它簡單易懂，具有高級可擴展性。Keras使用Theano或TensorFlow作為後端，但微軟現在正努力整合CNTK（微軟的認知工具包）作為新的後端。
設計中的簡約方法旨在通過建立緊湊型系統進行快速、簡便的實驗。
Keras真的容易上手，並在持續完善它的快速原型能力。它完全用Python編寫，可被高度模塊化和擴展。儘管它以易上手、簡單和以高層次為導向，但是Keras足夠有深度並且足夠強大，去支持複雜的模型。
谷歌發展趨勢歷史
trends.google.com
GitHub請求歷史記錄
datascience.com/trends
自然語言處理12. NLTK (提交數: 12449,貢獻者數: 196)這個庫的名稱「Natural Language Toolkit」，代表自然語言工具包，顧名思義，它用於符號學和統計學自然語言處理（NLP) 的常見任務。 NLTK旨在促進NLP及相關領域（語言學，認知科學人工智慧等）的教學和研究，目前受到重點關注。
NLTK的功能允許很多操作，例如文本標記，分類和標記，實體名稱識別，建立語料庫，可以顯示語言內部和各句子間的依賴性、詞根、語義推理等。所有的構建模塊都可以為不同的任務構建複雜的研究系統，例如情緒分析，自動總結。
13. Gensim (提交數: 2878,貢獻者數: 179)它是一個用於Python的開源庫，為有向量空間模型和主題模型的工作提供了使用工具。這個庫是為了高效處理大量文本而設計的，所以不僅可以進行內存處理，還可以通過廣泛使用NumPy數據結構和SciPy操作來獲得更高的效率。Gensim高效也易於使用。
Gensim旨在與原始和非結構化的數字文本一起使用。 它實現了諸如hierarchical Dirichlet processes（HDP），潛在語義分析（LSA）和潛在Dirichlet分配（LDA）之類的算法，以及tf-idf，隨機預測，word2vec和document2vec，便於檢查一組文檔中有重複模式的文本 （通常稱為語料庫）。所有的算法均是無監督的，意味著不需要任何參數，唯一的輸入只有語料庫。
谷歌發展趨勢歷史
trends.google.com
GitHub請求歷史記錄
datascience.com/trends
數據挖掘，統計學14. Scrapy (提交數: 6325,貢獻者數: 243)Scrapy庫是用於從網絡結構化檢索數據（如聯繫人信息或URL）,可以用來設計crawling程序（也稱為蜘蛛bots）。
它是開源的，使用用Python編寫的。最開始只是如它的名字暗示的一樣，只用來做scraping，但是它現在已經在完整的框架中發展，能夠從API採集數據並作為通用的crawlers了。
該庫在界面設計中標榜著「不要重複自己」 它推薦用戶們編寫泛化得到、可被重複使用的通用代碼，從而構建和擴展大型的crawlers。
Scrapy的架構圍繞著Spider class構建，這其中包含了crawler追從的一套指令。
15. Statsmodels (提交數: 8960,貢獻者數: 119)你可能從名字就猜出大概了，statsmodels使用戶能夠通過使用各種統計模型的估算方法進行數據挖掘，並執行統計判斷和分析。
許多有用的特徵是可被描述的，並通過使用線性回歸模型，廣義線性模型，離散選擇模型，魯棒線性模型，時間序列分析模型，各種估計方法得出統計結果。
這個庫還提供了廣泛的標定功能，專門用於大數據統計中的性能優化工作。
總結許多數據科學家和工程師認為這些庫是頂級的，並值得關注，或者需要或多或少了解它們。 以下是每個庫在Github上的詳細統計資料：
當然，這不是完全詳盡的列表，還有許多其他的庫和框架也是值得關注。一個很好的例子是SciKit的不同軟體包各自專注一個特定的領域，如SciKit-Image是用於處理圖像的。
via medium
雷鋒網版權文章，未經授權禁止轉載。詳情見轉載須知。