導讀

提到數據科學的python包，大家想到的估計是numpy，pandas，scikit-learn之類的，這里給大家介紹一些不常用，但是非常有用的python包，就像是癢癢撓，雖然大部分時間用不上，但是真要用起來，還是挺爽的。

[[279538]]

Python是個了不起的語言。事實上，這是世界上發展最快的語言之一(感覺沒有之一，就是最快的)。在數據科學領域和開發領域，一次又一次的為我們提供便利。整個Python的生態和庫使之成為所有用戶都適用(初學者和高級用戶)。Python之所以這么成功，原因之一就在于它的庫，讓Python變得靈活快速。

這篇文章中，我們會看一些不太常用的數據科學的庫，除了pandas，scikit-learn，matplotlib等。盡管說到數據科學，我們想到的就是pandas和scikit-learn，了解一下其他的python的庫也沒什么壞處。下面就是另外一些數據科學中可能會用到的Python庫。

Wget

從網絡獲取數據是Python科學家非常重要的任務。Wget是一個免費的工具，可以從Web上非交互式的下載文件，支持HTTP, HTTPS, 和 FTP協議，同樣支持HTTP代理。由于是非交互式的，所以可以后臺運行，用戶沒有登錄也可以。所以下次你需要從網上下載圖片的時候，可以試試wget。

安裝:

$ pip install wget 

例子:

import wget 
url = 'http://www.futurecrew.com/skaven/song_files/mp3/razorback.mp3' 
filename = wget.download(url) 
100% [................................................] 3841532 / 3841532 
filename 
'razorback.mp3' 

Pendulum

這個是干啥的呢，你在處理日期時間的時候搞得頭大的時候，Pendulum就很適合你，這包是用來簡化日期時間的操作的，具體使用可以看 這里 。

安裝:

$ pip install pendulum 

例子:

import pendulum 
dt_toronto = pendulum.datetime(2012, 1, 1, tz='America/Toronto') 
dt_vancouver = pendulum.datetime(2012, 1, 1, tz='America/Vancouver') 
print(dt_vancouver.diff(dt_toronto).in_hours()) 
3 

imbalanced-learn

大多數的分類問題中，當所有的類別中的樣本的數量大致相同時，效果是最好的，也就是樣本均衡。但是在實際情況中，往往都是非均衡的數據，這往往會影響訓練的過程以及后面的預測。幸好，這個庫可以幫我們解決這個問題。這個和scikit-learn兼容，是scikit-learn-contrib的一部分。下次可以試試。

安裝:

pip install -U imbalanced-learn 
# or 
conda install -c conda-forge imbalanced-learn 

例子:

請參考文檔。

FlashText

在清洗NLP相關的數據的時候，往往需要替換一些關鍵詞或者提取一些關鍵詞。通常，可以用正則表達式來干這個活，不過正則條件的數量上千的時候，就會很頭大。FlashText是基于FlashText算法的一個模塊，提供了這種情況下的一個替代工具，FlashText最好的地方在于運行時間是和搜索的條件的數量不相關的。更多的信息可以看這里。

安裝:

$ pip install flashtext 

例子:

提取關鍵詞

from flashtext import KeywordProcessor 
keyword_processor = KeywordProcessor() 
# keyword_processor.add_keyword(<unclean name>, <standardised name>) 
keyword_processor.add_keyword('Big Apple', 'New York') 
keyword_processor.add_keyword('Bay Area') 
keywords_found = keyword_processor.extract_keywords('I love Big Apple and Bay Area.') 
keywords_found 
['New York', 'Bay Area'] 

替換關鍵詞

keyword_processor.add_keyword('New Delhi', 'NCR region') 
new_sentence = keyword_processor.replace_keywords('I love Big Apple and new delhi.') 
new_sentence 
'I love New York and NCR region.' 

Fuzzywuzzy

名字聽起來怪怪的，不過在字符匹配的時候，用起來還是爽爽的。可以輕松的實現字符比例，token比例等。還可以在不同的數據集中進行匹配。

安裝:

$ pip install fuzzywuzzy 

例子:

from fuzzywuzzy import fuzz 
from fuzzywuzzy import process 
# Simple Ratio 
fuzz.ratio("this is a test", "this is a test!") 
97 
# Partial Ratio 
fuzz.partial_ratio("this is a test", "this is a test!") 
 100 

PyFlux

時間序列的處理是機器學習領域經常遇到的問題。PyFlux就是專門用來處理時間序列問題的開源Python庫。這個庫里有一系列的時間序列模型如ARIMA, GARCH 和VAR 等。簡單來說，PyFlux提供了時間序列到概率的建模，值的一試。

安裝

pip install pyflux 

例子

參考這里 。

Ipyvolume

交流結果是數據科學的非常重要的方面。結果可視化是個非常重要的優勢。IPyvolume是個3D可視化庫，不過這還是在pre-1.0的階段，可以這樣類別一下， IPyvolume是對3維數據的可視化，matplotlib是對二維數據的可視化。具體可以看 這里。

安裝

Using pip 
$ pip install ipyvolume 
Conda/Anaconda 
$ conda install -c conda-forge ipyvolume 

例子

• 標記

• 渲染

Dash

這是個創建web應用的用戶生產的Python框架。基于Flask寫的，可以用來構建數據可視化的app，這些app可以在網絡瀏覽器上渲染。用戶手冊可見 這里.

安裝

pip install dash==0.29.0 # The core dash backend 
pip install dash-html-components==0.13.2 # HTML components 
pip install dash-core-components==0.36.0 # Supercharged components 
pip install dash-table==3.1.3 # Interactive DataTable component (new!) 

例子

Gym

Gym來自OpenAI，用來做強化學習。兼容所有的數值計算庫，如TensorFlow，Theano等。這個庫提供了一個問題測試的環境，你可以用這個環境來實驗你的強化學習算法。這些環境共享界面，使你可以寫通用的算法。

安裝

pip install gym 

例子

結論

這是我選的一些有用但是不常用的python庫，如果你知道其他的話，可以繼續添加，別忘了先試試。