5个神话般的Python数据科学软件包

我们都可能知道动态的Data-Science三重奏，Numpy，Pandas和Matplotlib。即使这些都是奇妙的软件包，也有数百万个用于Pythonic机器学习的软件包，其中有些未被充分理解，而其中某些却是完全未知的！

您知道这些软件包吗?

因此，我们都可能知道动态的Data-Science三重奏，Numpy，Pandas和Matplotlib。

您可能熟悉这些软件包及其工作方式。 当然，您可能还会喜欢使用其他一些很酷的软件包，例如Plotly，Seaborne，Scikit-Learn，Tensorflow和Pytorch。 即使这些都是奇妙的软件包，也有数百万个用于Pythonic机器学习的软件包，其中有些未被充分理解，而其中某些却是完全未知的!

№1：Gleam

您听说过Plotly，听说过Matplotlib，也许还听过Seaborn，但您可能没有听说过Gleam。 Gleam是用于创建带有页面，面板和按钮的交互式可视化效果的出色工具。 这些交互式Web可视化也完全与Web集成在一起，这意味着您可以将它们放入从网站到端点的任何内容中! Gleam使用wtforms进行交互，并且可以使用任何范围的不同可视化工具来实际显示数据。

如果您想要一个很酷的交互式窗格，基本上可以使用任何图形库，那么Gleam是适合您的模块!

№2：Table

好吧，我知道你在想什么，

"为什么不只使用Pandas?"

这当然是一个可行的论点。 Table包使该清单成为Pandas的轻巧替代品。 与使用Pandas.py相比，使用Table.py读取海量数据集要容易得多，这实际上是使其成为该列表的唯一原因。 总的来说，我会说在某些情况下这可能是工作的包，但在大多数情况下，我只会坚持

import pandas as pd

№3：Shogun

> (src = https://www.shogun-toolbox.org/)

Shogun是用C ++编写的机器学习库，它也恰好具有Python端口。 Shogun的一大优点是，它可以在多种不同的编程语言中使用，并且在这方面相对统一。 如果您要使用Python学习Shogun，则可以利用该知识并将其应用于它支持的任何其他语言，这真是太神奇了!

Shogun拥有广泛的前沿机器学习算法，这无疑是任何科学家都可以欣赏的。 当然，它也是开源的，并且根据GNU通用许可发布，这总是一个加分!

№4：OpenCV

OpenCV是另一个很棒的机器学习程序包，实际上是最初由Intel开发的。 尽管有专有的根源，但是OpenCV是开源的，并根据FreeBSD许可许可证发布。 OpenCV真正很棒的一件事是它专注于实时计算机视觉。 与Shogun一样，OpenCV最初是用C ++编写的，但是具有Python和其他语言的接口。

№5：Mlpy

> (src = http://mlpy.sourceforge.net/)

Mlpy为有监督和无监督学习提供了广泛的最新机器学习方法。 与同行不同的是，它旨在为数据科学提供一种多合一的方法。 尽管此时它有点过时，但无疑是Pythonic机器学习引起的巨大包装爆炸的一个很好的起步器。 尽管年代久远，但我认为仍然值得一试。 这是由于其易用性，有趣的算法以及包容性。

Mlpy试图创建一种在重现性，调制和效率之间取得平衡的包装。 我认为此软件包之所以成功，是因为尽管许多对口产品的更新频率更高，当然也包括行业标准，但许多此类想法似乎在翻译中却以一种或另一种方式丢失了。 这是有道理的，因为这些都是由大量开发人员用C编写的庞大程序包，但是，我想说这可能是使用它们的不利方面。

结论

这样就可以了，我认为有五个软件包是无法识别的，它们所取得的成就也没有得到什么好评。 尽管这些软件包确实很酷，但我可以肯定，您可以将数百个甚至不是数千个其他很酷的模块添加到您的Pip环境中，这些模块也很棒而且闻所未闻!

Python有一个压倒性的生态系统和许多可挖掘的软件包，而这正是使其变得如此强大的部分原因! 不断学习如何使用新模块将使您的知识库不断扩展，并使您的程序员头脑活跃!