Python中最受歡迎的科學類庫有哪些

Python有以下三個特點：易用性和靈活性、全行業(yè)高接受度，大量的Python科學軟件包可用于數(shù)據可視化，機器學習，自然語言處理，復雜數(shù)據分析等，所有這些因素使得Python成為科學計算的絕佳工具。

Pandas

數(shù)據科學和機器學習應用都是關于數(shù)據。大多數(shù)數(shù)據集都不是整潔的，它們需要對項目進行某種清理和操作。Pandas是一個庫，允許加載、清理和操作數(shù)據。你可以使用SQL等替代方法進行數(shù)據操作和數(shù)據庫管理，但是Pandas對于希望成為開發(fā)人員(或至少是MVP開發(fā)人員)的數(shù)據科學家來說更簡單、更適用。

Numpy

在包括計算機視覺在內的許多數(shù)據科學項目中，陣列是最重要的數(shù)據類型。Numpy是一個強大的Python庫，它允許你使用數(shù)組，操縱數(shù)組，并有效地對數(shù)組應用算法。學習Numpy對于我后面提到的其他一些庫來說是必要的。

SciKitLearn

此庫是多種類型的機器學習模型和預處理工具的工具包。如果你正在做機器學習項目，則有可能不需要SciKitLearn。

Keras 或 PyTorch

神經網絡，特別是深度神經網絡模型，是數(shù)據科學和機器學習中非常流行的模型。許多計算機視覺和自然語言處理方法都依賴于這些方法，使用某些Python庫可以幫助你訪問神經網絡工具，TensorFlow是最有名的一個，但我相信初學者很難從 TensorFlow開始。

我建議你學習Keras，它是Tensorflow的接口(API)。Keras使你作為人類能夠輕松測試不同的神經網絡架構，甚至構建自己的神經網絡架構，最近流行的另一個選擇是PyTorch。

Ipywidgets

在用戶界面方面，你必須在傳統(tǒng)外觀的用戶界面和基于web的用戶界面之間進行選擇。你可以使用PyQT或TkInter之類的庫來構建傳統(tǒng)的用戶界面，但我的建議是，如果可能的話，開發(fā)出可以在瀏覽器上運行的網頁應用程序。

要做到這一點，你需要使用一個在瀏覽器中提供一組小部件的庫。ipywidgets為Jupyter筆記本提供了一組豐富的小部件。

Requests

如今，許多數(shù)據科學應用程序都使用API(應用程序編程接口)，簡單地說，通過API，你可以請求服務器應用程序為你提供對數(shù)據庫的訪問權限或為你執(zhí)行特定任務。

例如，Google地圖API可以從你那里獲得兩個位置以及它們之間的回程時間，若沒有API，就必須重新發(fā)明輪子，Requests是一個與API對話的庫。如今，不使用API很難成為一名數(shù)據科學家。

Plotly

繪制不同類型的圖形是數(shù)據科學項目的重要組成部分。盡管Python中最流行的繪圖庫是matplotlib，但我發(fā)現(xiàn)Plotly更專業(yè)、更易于使用、更靈活，Plotly中的繪圖類型和繪圖工具非常多，Plotly的另一個優(yōu)點是它的設計，與復雜的 matplotlib 圖形相比，它看起來更加簡潔易懂。

JupyterNotebook 和Voila

要實現(xiàn)第一個數(shù)據科學應用程序，你需要學習的最后一個工具是最簡單的。首先，ipywidgets在Jupyter筆記本中工作，你需要使用Jupyter來創(chuàng)建應用程序。我相信你們中的許多人已經在使用Jupyter筆記本進行模型構建和探索分析，現(xiàn)在，將 Jupyter 筆記本視為前端開發(fā)的工具。

此外，你還需要使用Voila，這是一個可以啟動的第三方工具，它隱藏了 Jupyter 筆記本的所有代碼部件。當你通過Voila啟動Jupyter筆記本應用程序時，它就像一個web應用程序。甚至你也可以在AWS EC2機器上運行Voila和Jupyter筆記本，并從互聯(lián)網訪問你的簡單應用程序。

利用本文提到的7個庫，就可以構建人們使用的數(shù)據科學應用程序，如果你能夠精通這些工具，就可以在幾個小時內構建mvp，并通過實際用戶測試想法。

在此之后，如果決定擴展應用程序，除了HTML、CSS和JS代碼之外，還可以使用更專業(yè)的工具，如Flask和Django。