共计 3014 个字符，预计需要花费 8 分钟才能阅读完成。
💡 作者：韩信子 @ShowMeAI
📘 数据分析实战系列：https://www.showmeai.tech/tutorials/40
📘 机器学习实战系列：https://www.showmeai.tech/tutorials/41
📘 本文地址：https://www.showmeai.tech/article-detail/286
📢 申明：版权所有，转载请分割平台与作者并注明出处
📢 珍藏 ShowMeAI 查看更多精彩内容
低代码开发，顾名思义，指的是软件开发过程中只须要编写大量代码就够了。与传统开发方式相比，低代码大幅缩小了编写代码的工作量，这使其具备了更快的速度、更短的开发工夫与更低的老本。
无代码 / 低代码机器学习平台（和库）的衰亡，减速了代码开发速度。借助于这些平台和框架，数据科学家们在沉重的摸索钻研和大量的编程工作之间，获得更好的均衡。
在本篇内容中，ShowMeAI 给大家总结了最值得学习 & 应用 Python 低代码机器学习库，笼罩数据迷信最热门的几大方向——数据分析 & 简略开掘 、 机器学习 、 深度学习。
📌 数据分析 & 简略开掘
💡 D-Tale
D-Tale 是一个易于应用的低代码 Python 库，通过将 Flask 编写的后端与 React 编写的前端相结合，与 Jupyter Notebook 无缝集成，能够查看和剖析 Pandas 状态的数据，包含 DataFrame、Series、MultiIndex、DatetimeIndex 和 RangeIndex。
D-Tale 是 SAS 到 Python 转换的产物，最后是基于 SAS 的 perl 脚本包装器，当初是基于 Pandas 数据结构的轻量级 Web 客户端。
大家能够在 D -Tale 的官网 📘Github 查看它的具体教程和用法，也能够返回 📘在线平台 操作体验。
💡 AutoViz
对于低代码摸索式数据分析工作，AutoViz 是 Python 中另一个不错的抉择。在性能方面，它只需编写一行代码即可应用 AutoViz 实现任何数据集的主动可视化。
AutoViz 可能联合工作确定哪些特色是最重要的，而后通过仅应用那些主动抉择的元素来绘制和出现信息。而且 AutoViz 速度极快，可视化能够在几秒钟内实现。
大家能够查看官网 📘AutoViz 示例 Jupyter Notebook 进行学习。
💡 Lux
Lux 工具库是一个十分主动的数据分析可视化工具。无需做太多的数据预处理，它会主动依据数据生成一系列候选图表，依据理论须要从中做抉择即可。这大大减少了制作图表所需的工夫以及数据预处理工作量。
大家能够通过 Lux 的官网 📘GitHub 页面理解更多用法细节。
💡 Pandas-Profiling
pandas-profiling 库主动针对 pandas DataFrame 格局的数据生成数据分析报告。
最终的后果以交互式 HTML 报告出现，蕴含以下信息：
- 类型推断：字段列的类型
- 要点：类型、惟一值、缺失值
- 分位数统计：包含最小值、Q1、中位数、Q3、最大值、范畴、四分位间距
- 描述性统计：包含均值、众数、标准差、总和、中值相对差、变异系数、峰度、偏度等
- 直方图：分类和数字
- 相关性：Spearman、Pearson 和 Kendall 矩阵
- 缺失值：矩阵、计数、热图和缺失值的树状图
- 文本剖析：理解文本数据的类别（大写、空格）、脚本（拉丁文、西里尔文）和块（ASCII）
- 文件和图像剖析：提取文件大小、创立日期和尺寸，并扫描截断的图像或蕴含 EXIF 信息的图像
大家能够在 pandas-profiling 的我的项目 📘GitHub 页面获取具体应用办法。
📌 机器学习
💡 PyCaret
PyCaret 是 Python 中的一个开源、低代码机器学习库，可主动执行机器学习工作流。它也是一个端到端的机器学习和模型管理工具，能够成倍地放慢试验周期，晋升工作开发效率。
与其余开源机器学习库相比，PyCaret 有着显著的低代码特质，可仅用几行代码实现本来须要数百行代码实现的工作，尤其是对于密集的试验迭代过程能够大大提速。PyCaret 实质上是围绕多个机器学习库和框架封装而成，包含大家相熟的 Scikit-Learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt 和 Ray 等。
大家能够通过 Pycaret 的 📘官网文档，📘官网 GitHub，📘官网教程 理解更多应用细节。
📌 深度学习
💡 PyTorch Lightning
PyTorch Lightning 是一个利用在深度学习 / 神经网络的 Python 低代码库，为 PyTorch 提供高级接口。
它具备高性能和轻量级的架构，以一种将钻研与工程拆散的形式来构建 PyTorch 代码，使深度学习试验更容易了解和反复。借助它能轻松构建分布式硬件上的可扩大深度学习模型。
官网介绍说，PyTorch Lightning 的设计是为了让大家能够将更多的工夫花在钻研上，而不是花在工程上。大家能够通过 PyTorch Lightning 的 📘官方网站 理解更多应用细节。
💡 Hugging Face Transformers
Hugging Face Transformers 是 Hugging Face 的开源深度学习工具库。借助 Transformers，大家能够十分不便疾速地下载最先进的预训练模型，利用在本人的场景中，或者基于本人的数据做再训练。
因为官网提供的大量预训练模型，咱们能够缩小计算费用（因为无需从头训练）。丰盛的模型笼罩多种数据类型和业务源，包含：
- 文本：对文本进行分类、信息抽取、问答零碎、机器翻译、摘要生成，文本生成（笼罩 100 多种语言）
- 图像：图像分类、指标检测和图像宰割
- 音频：语音辨认和音频分类
PyTorch、TensorFlow 和 JAX 是三个最驰名的深度学习库，transformers 的对这三个框架都反对得很好，甚至能够在一个框架中用三行代码训练模型，在另一个框架中加载模型并进行推理。
大家能够通过 Hugging Face Transformers 的 📘官方网站 和 📘GitHub 理解更多应用细节。
参考资料
- 📘 D-Tale 官网 Github: https://github.com/man-group/dtale
- 📘 AutoViz 官网示例 Jupyter Notebook: https://github.com/AutoViML/AutoViz/tree/master/Examples
- 📘 Lux 官网 GitHub: https://github.com/lux-org/lux
- 📘 pandas-profiling 我的项目 GitHub: https://github.com/ydataai/pandas-profiling
- 📘 Pycaret 官网文档: https://pycaret.gitbook.io/
- 📘 Pycaret 官网 GitHub: https://www.github.com/pycaret/pycaret
- 📘 Pycaret 官网教程: https://pycaret.gitbook.io/docs/get-started/tutorials
- 📘 PyTorch Lightning 官方网站: https://www.pytorchlightning.ai/
- 📘 Hugging Face Transformers 官方网站: https://huggingface.co/
- 📘 Hugging Face Transformers GitHub: https://github.com/huggingface/transformers
