数据科学家一定要收藏的十个最佳 Python 库_文化 & 方法_Javin Paul



 写点什么

如果你希望做数据科学家或者机器学习工程师，希望能找到用于数据科学、机器学习、数据分析和深度学习的最佳 Python 库，这篇文章将会对你有很大的帮助。

数据科学家需要一种能够对数据进行清理、转换、分析和可视化的工具，本文提到的这 10 款工具可以帮助你成为更优秀的数据科学家。

对于刚开始从事数据科学和机器学习的人来说，我首先要恭喜你们，因为你们已经做出了正确的决定并且学习了有用的技术。但是学习这些技术并不容易，有很多选择要做，每个选择都有自己的结果。

当我开始我的机器学习和数据科学之旅时，我不得不从 R 和 Python 这两种编程语言中选择合适的，因为这两种语言都做得很好。

我最后还是选择了 Python，原因是 Python 的社区规模更大，通用性更高，并且之前也有过编写 Python 代码的经历。不过，我之所以选择 Python 作为数据科学和机器学习的原因，那就是 Python 有很多非常棒的库。

今天，我将向你介绍其中一些很棒的库，如 TensorFlow、NumPy、Pandas、SciPy、Scikit-learn、Seaborn、Keras 和 Matplotlib。我知道还有很多库，但以我有限的经验和接触，到目前为止我只听说过本文提到的这些主要库。

当我遇到新的库时，我肯定会在这个列表中添加新的库，但在此之前，了解这些库会对你有很大帮助，特别是如果你也在使用 Python 学习数据科学、人工智能和机器学习。

不管你是新手，还是对数据科学有一定的研究，学习这些库能让你更有效率，也能提升你的形象。另外，如果你是个新手，我推荐你从实践课程开始，从头学习 Python 和数据科学。

不多说了，下面是对一些最流行的数据科学和机器学习的 Python 库的基本介绍。为使说明简洁，我尽量说明简短，并给出它的资源，以了解更多信息。

由于我也在学习 Python 和机器学习，那么将来我会对这些库进行详细的阐述，因为你至少需要一篇文章来详细说明它们。

1、TensorFlow

这是最流行的机器学习库之一，你很有可能已经听说过它了。你可能知道 TensorFlow 来自谷歌，是由他们的谷歌大脑团队发明的，并用于 RankBrain 算法，该算法为谷歌搜索引擎上的数百万个搜索问题提供动力。

一般来说，它是一个符号数学库，也被用于机器学习应用，如神经网络。TensorFlow 有很多应用，你可以在网上找到很多故事，比如一个日本农民如何使用 TensorFlow 来分拣黄瓜。

项目地址：https://github.com/tensorflow/tensorflow

2、Keras

创建机器学习和基于深度学习的解决方案的主要问题之一是，实现它们可能很繁琐，需要编写许多行复杂的代码。Keras 是一个库，使你更容易创建这些深度学习解决方案。

只需几行代码，你就可以创建一个可能需要数百行传统代码的模型。

项目地址：https://github.com/keras-team/keras

3、Scikit-learn

这是另一个流行的机器学习的 Python 库。事实上，Scikit-learn 是机器学习的主要库。它有用于预处理、交叉验证和其他类似目的的算法和模块。

其中一些算法涉及回归、决策树、集合建模和非监督学习算法，如聚类。

项目地址：https://github.com/scikit-learn/scikit-learn

4、NumPy

NumPy 是另一个用于机器学习和重度计算的精彩 Python 库。NumPy 促进了简单而有效的数字计算。它有许多其他的库建立在它的基础上，如 Pandas。

你至少应该确保学习 NumPy 数组，它是基本的，在机器学习、数据科学和基于人工智能的程序中有很多应用。

项目地址：https://github.com/numpy/numpy

5、SciPy

这是一个用于科学和技术计算的 Python 库。它将为你提供科学和技术计算所需的所有工具。

它有优化、线性代数、积分、插值、特殊函数、快速傅立叶变换、信号和图像处理、独依赖估计求解器和其他任务等模块。

有一个很好的免费课程来学习 SciPy 与 Python：《深度学习的先决条件：Python 中的 Numpy 栈》（Deep Learning Prerequisites: The Numpy Stack in Python）。这是我的最爱，有超过 10 万名其他开发者也报名参加了这个课程。你可以在它转换为付费课程之前看看这个。

项目地址：https://github.com/scipy/scipy