共计 3701 个字符，预计需要花费 10 分钟才能阅读完成。
前言
Python 是一个很棒的语言。它是世界上倒退最快的编程语言之一。它一次又一次地证实了在开发人员职位中和跨行业的数据迷信职位中的实用性。整个 Python 及其库的生态系统使它成为全世界用户（初学者和高级用户）的适合抉择。它的胜利和风行的起因之一是它弱小的第三方库的汇合，这些库使它能够放弃生机和高效。
在本文中，咱们会钻研一些用于数据迷信工作的 Python 库，而不是常见的比方 panda、scikit-learn 和 matplotlib 等的库。只管像 panda 和 scikit-learn 这样的库，是在机器学习工作中经常出现的，然而理解这个畛域中的其它 Python 产品总是很有益处的。
一、Wget
从网络上提取数据是数据科学家的重要工作之一。Wget 是一个收费的实用程序，能够用于从网络上下载非交互式的文件。它反对 HTTP、HTTPS 和 FTP 协定，以及通过 HTTP 的代理进行文件检索。因为它是非交互式的，即便用户没有登录，它也能够在后盾工作。所以下次当你想要下载一个网站或者一个页面上的所有图片时，wget 能够帮忙你。
装置：
$ pip install wget例子：
import wgeturl = 'http://www.futurecrew.com/skaven/song_files/mp3/razorback.mp3'filename = wget.download(url)100% [................................................] 3841532 / 3841532filename'razorback.mp3'### Pendulum二、Pendulum
对于那些在 python 中解决日期工夫时会感到丧气的人来说，Pendulum 很适宜你。它是一个简化日期工夫操作的 Python 包。它是 Python 原生类的繁难代替。请参阅文档深刻学习。
装置：
$ pip install pendulum例子：
import pendulumdt_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 三、imbalanced-learn
能够看出，当每个类的样本数量基本相同时，大多数分类算法的成果是最好的，即须要保持数据均衡。但事实案例中大多是不均衡的数据集，这些数据集对机器学习算法的学习阶段和后续预测都有很大影响。侥幸的是，这个库就是用来解决此问题的。它与 scikit-learn 兼容，是 scikit-lear-contrib 我的项目的一部分。下次当你遇到不均衡的数据集时，请尝试应用它。
装置：
pip install -U imbalanced-learn# 或者 conda install -c conda-forge imbalanced-learn例子：
应用办法和例子请参考文档。
四、FlashText
在 NLP 工作中，清理文本数据往往须要替换句子中的关键字或从句子中提取关键字。通常，这种操作能够应用正则表达式来实现，然而如果要搜寻的术语数量达到数千个，这就会变得很麻烦。Python 的 FlashText 模块是基于 FlashText 算法为这种状况提供了一个适合的代替计划。FlashText 最棒的一点是，不论搜索词的数量如何，运行工夫都是雷同的。你能够在这里理解更多内容。
装置：
$ pip install flashtext例子：
提取关键字
from flashtext import KeywordProcessorkeyword_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']替换关键字
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五、fuzzywuzzy
这个库的名字听起来很奇怪，然而在字符串匹配方面，fuzzywuzzy 是一个十分有用的库。能够很不便地实现计算字符串匹配度、令牌匹配度等操作，也能够很不便地匹配保留在不同数据库中的记录。
装置：
$ pip install fuzzywuzzy例子：
from fuzzywuzzy import fuzzfrom fuzzywuzzy import process# 简略匹配度 fuzz.ratio("this is a test", "this is a test!")97# 含糊匹配度 fuzz.partial_ratio("this is a test", "this is a test!") 100更多乏味例子能够在 GitHub 仓库找到。
六、PyFlux
工夫序列剖析是机器学习畛域中最常见的问题之一。PyFlux 是 Python 中的一个开源库，它是为解决工夫序列问题而构建的。该库领有一系列优良的古代工夫序列模型，包含但不限于 ARIMA、GARCH 和 VAR 模型。简而言之，PyFlux 为工夫序列建模提供了一种概率办法。值得尝试一下。
装置
pip install pyflux例子
具体用法和例子请参考官网文档。
七、Ipyvolume
后果展现也是数据迷信中的一个重要方面。可能将后果进行可视化将具备很大劣势。IPyvolume 是一个能够在 Jupyter notebook 中可视化三维体和图形（例如三维散点图等）的 Python 库，并且只须要大量配置。但它目前还是 1.0 之前的版本阶段。用一个比拟失当的比喻来解释就是：IPyvolume 的 volshow 对于三维数组就像 matplotlib 的 imshow 对于二维数组一样好用。能够在这里获取更多。
应用 pip
$ pip install ipyvolume应用 Conda/Anaconda
$ conda install -c conda-forge ipyvolume例子
- 动画
- 体绘制
八、Dash
Dash 是一个高效的用于构建 web 应用程序的 Python 框架。它是在 Flask、Plotly.js 和 React.js 根底上设计而成的，绑定了很多比方下拉框、滑动条和图表的古代 UI 元素，你能够间接应用 Python 代码来写相干剖析，而无需再应用 javascript。Dash 非常适合构建数据可视化应用程序。而后，这些应用程序能够在 web 浏览器中出现。用户指南能够在这里获取。
装置
pip install dash==0.29.0 # 外围 dash 后端 pip install dash-html-components==0.13.2 # HTML 组件 pip install dash-core-components==0.36.0 # 加强组件 pip install dash-table==3.1.3 # 交互式 DataTable 组件（最新！）例子 上面的例子展现了一个具备下拉性能的高度交互式图表。当用户在下拉菜单中抉择一个值时，利用程序代码将动静地将数据从 Google Finance 导出到 panda DataFrame。
九、Gym
OpenAI 的 Gym 是一款用于加强学习算法的开发和比拟工具包。它兼容任何数值计算库，如 TensorFlow 或 Theano。Gym 库是测试问题汇合的必备工具，这个汇合也称为环境 —— 你能够用它来开发你的强化学习算法。这些环境有一个共享接口，容许你进行通用算法的编写。
装置
pip install gym例子 这个例子会运行 CartPole-v0 环境中的一个实例，它的工夫步数为 1000，每一步都会渲染整个场景。
总结
以上这些有用的数据迷信 Python 库都是我精心筛选进去的，不是常见的如 numpy 和 pandas 等库。如果你晓得其它库，能够增加到列表中来，请在上面的评论中提一下。另外别忘了先尝试运行一下它们。
