雷锋网按：本文作者为 ActiveWizards 的数据顾问 Igor Bobriakov，雷锋网林立宏与 Raey Raey Li 编译。

Igor Bobriakov

近年来，Python 在数据科学行业扮演着越来越重要的角色。因此，我根据近来的使用体验，在本文中列出了对数据科学家、工程师们最有用的那些库。

由于这些库都开源了，我们从Github上引入了提交数，贡献者数和其他指标，这可以作为库流行程度的参考指标。

核心库

1. NumPy (提交数: 15980, 贡献者数: 522)

当开始处理Python中的科学任务，Python的SciPy Stack肯定可以提供帮助，它是专门为Python中科学计算而设计的软件集合（不要混淆SciPy库，它是SciPy Stack的一部分，和SciPy Stack的社区）这样我们开始来看一下吧。然而，SciPy Stack相当庞大，其中有十几个库，我们把焦点放在核心包上（特别是最重要的）。

关于建立科学计算栈，最基本的包是Numpy（全称为Numerical Python）。它为Python中的n维数组和矩阵的操作提供了大量有用的功能。该库提供了NumPy数组类型的数学运算向量化，可以改善性能，从而加快执行速度。

2. SciPy (提交数: 17213, 贡献者数: 489)

SciPy是一个工程和科学软件库。雷锋网(公众号：雷锋网)再次提醒，你需要理解SciPy Stack和SciPy库之间的区别。

SciPy包含线性代数，优化，集成和统计的模块。SciPy库的主要功能是建立在NumPy上，从而它的数组大量的使用了NumPy的。它通过其特定子模块提供有效的数值例程，并作为数字积分、优化和其他例程。SciPy的所有子模块中的功能都有详细的说明 ——又是一个SciPy非常有帮助的点。

3. Pandas (提交数: 15089, 贡献者数：762)

Pandas是一个Python包，旨在通过“标记”和“关系”数据进行工作，简单直观。Pandas是数据整理的完美工具。它设计用于快速简单的数据操作，聚合和可视化。

库中有两个主要的数据结构：

• “系列”（Series），一维

  

• “数据帧”（Data Frames），二维

  

例如，当您要从这两种类型的结构中接收到一个新的Dataframe时，通过传递一个Series，您将收到一个单独的行到DataFrame的DF：

这里稍微列出了你可以用Pandas做的事情：

• 轻松删除并添加数据帧（DataFrame）中的列

• 将数据结构转换为数据帧（DataFrame）对象

• 处理丢失的数据，表示为NaN

• 功能强大的分组

Google趋势记录

trends.google.com

GitHub请求历史记录

datascience.com/trends

可视化

4.Matplotlib (提交数: 21754, 贡献者数: 588)

又一个SciPy Stack核心软件包以及 Python库，Matplotlib为轻松生成简单而强大的可视化而量身定制。它是一个顶尖的软件（在NumPy，SciPy和Pandas的帮助下），它使Python成为像MatLab或Mathematica这样的科学工具的竞争对手。

然而，这个库是低层级的，这意味着你需要编写更多的代码才能达到高级的可视化效果，而且通常会比使用更多的高级工具付出更多的努力，但总体上这些努力是值得的。

只要付出一点你就可以做任何可视化：

• 线图

• 散点图

• 条形图和直方图

• 饼状图;

• 茎图

• 轮廓图

• 场图

• 频谱图

还有使用Matplotlib创建标签，网格，图例和许多其他格式化实体的功能。基本上，一切都是可定制的。

该库由不同的平台支持，并使用不同的GUI套件来描述所得到的可视化。不同的IDE（如IPython）都支持Matplotlib的功能。

还有一些额外的库可以使可视化变得更加容易。

5. Seaborn (提交数: 1699, 贡献者数: 71)

Seaborn主要关注统计模型的可视化；这种可视化包括热图，这些热图（heat map）总结数据但仍描绘整体分布。Seaborn基于Matplotlib，并高度依赖于此。

6. Bokeh (提交数: 15724, 贡献者数: 223)

另一个很不错的可视化库是Bokeh，它针对交互式可视化。与以前的库相比，它独立于Matplotlib。正如我们提到的，Bokeh的主要焦点是交互性，它通过现代浏览器以数据驱动文档（d3.js）的风格呈现。

7. Plotly (提交数: 2486, 贡献者数: 33)

最后，关于Plotly的话。它是一个基于Web用于构建可视化的工具箱，提供API给一些编程语言（Python在内）。在plot.ly网站上有一些强大的、上手即用的图形。为了使用Plotly，你将需要设置API密钥。图形将在服务器端处理，并发布到互联网，但有一种方法可以避免。

Google趋势记录

trends.google.com

GitHub请求历史记录

datascience.com/trends

机器学习

8. SciKit-Learn (提交数：21793, 贡献者数：842)

Scikits是Scikits Stack额外的软件包，专为像图像处理和机器学习辅助等特定功能而设计。对于机器学习辅助，scikit-learn是所有软件包里最突出的一个。它建立在SciPy之上，并大量利用它的数学运算。

scikit-learn给常见的机器学习算法公开了一个简洁、一致的接口，可简单地将机器学习带入生产系统中。该库中集成了有质量的代码和良好的文档、简单易用并且十分高效，是使用Python进行机器学习的实际行业标准。

深度学习—— Keras / TensorFlow / Theano

在深度学习方面，Python中最着名和最便的库之一是Keras，它可以在TensorFlow或Theano框架上运行。让我们来看一下它们的一些细节。

9.Theano. (提交数：25870, 贡献者数：300)

首先让我们谈谈Theano。

Theano是一个Python软件包，它定义了与NumPy类似的多维数组，以及数学运算和表达式。此库是被编译的，可实现在所有架构上的高效运行。最初由蒙特利尔大学机器学习组开发，它主要用于满足机器学习的需求。

值得注意的是，Theano紧密结合了NumPy在低层次上的运算 。另外，该库还优化了GPU和CPU的使用，使数据密集型的计算平台性能更佳。

效率和稳定性微调保证了即使在数值很小的情况下，仍有更精确的结果，例如，即使只给出x的最小值，log（1 + x）仍能计算出合理的结果。

10. TensorFlow. (提交数: 16785,贡献者数: 795)

TensorFlow来自Google的开发人员，它是数据流图计算的开源库，为机器学习不断打磨。它旨在满足谷歌对训练神经网络的高需求，并且是基于神经网络的机器学习系统DistBelief的继任者。然而，TensorFlow并不限制于谷歌的科学应用范围 – 它可以通用于多种多样的现实应用中。

TensorFlow的关键特征是它的多层节点系统，可以在大型数据集上快速训练神经网络。这为谷歌的语音识别和图像对象识别提供了支持。

11. Keras. (提交数: 3519,贡献者数: 428)

最后我们来看看Keras。它是一个用Python编写的开源的库，用于在高层的接口上构建神经网络。它简单易懂，具有高级可扩展性。Keras使用Theano或TensorFlow作为后端，但微软现在正努力整合CNTK（微软的认知工具包）作为新的后端。

设计中的简约方法旨在通过建立紧凑型系统进行快速、简便的实验。

Keras真的容易上手，并在持续完善它的快速原型能力。它完全用Python编写，可被高度模块化和扩展。尽管它以易上手、简单和以高层次为导向，但是Keras足够有深度并且足够强大，去支持复杂的模型。

谷歌发展趋势历史

trends.google.com

GitHub请求历史记录

datascience.com/trends

自然语言处理

12. NLTK (提交数: 12449,贡献者数: 196)

这个库的名称“Natural Language Toolkit”，代表自然语言工具包，顾名思义，它用于符号学和统计学自然语言处理（NLP) 的常见任务。 NLTK旨在促进NLP及相关领域（语言学，认知科学人工智能等）的教学和研究，目前受到重点关注。

NLTK的功能允许很多操作，例如文本标记，分类和标记，实体名称识别，建立语料库，可以显示语言内部和各句子间的依赖性、词根、语义推理等。所有的构建模块都可以为不同的任务构建复杂的研究系统，例如情绪分析，自动总结。

13. Gensim (提交数: 2878,贡献者数: 179)

它是一个用于Python的开源库，为有向量空间模型和主题模型的工作提供了使用工具。这个库是为了高效处理大量文本而设计的，所以不仅可以进行内存处理，还可以通过广泛使用NumPy数据结构和SciPy操作来获得更高的效率。Gensim高效也易于使用。

Gensim旨在与原始和非结构化的数字文本一起使用。 它实现了诸如hierarchical Dirichlet processes（HDP），潜在语义分析（LSA）和潜在Dirichlet分配（LDA）之类的算法，以及tf-idf，随机预测，word2vec和document2vec，便于检查一组文档中有重复模式的文本 （通常称为语料库）。所有的算法均是无监督的，意味着不需要任何参数，唯一的输入只有语料库。

谷歌发展趋势历史

trends.google.com

GitHub请求历史记录

datascience.com/trends

数据挖掘，统计学

14. Scrapy (提交数: 6325,贡献者数: 243)

Scrapy库是用于从网络结构化检索数据（如联系人信息或URL）,可以用来设计crawling程序（也称为蜘蛛bots）。

它是开源的，使用用Python编写的。最开始只是如它的名字暗示的一样，只用来做scraping，但是它现在已经在完整的框架中发展，能够从API采集数据并作为通用的crawlers了。

该库在界面设计中标榜着“不要重复自己”  它推荐用户们编写泛化得到、可被重复使用的通用代码，从而构建和扩展大型的crawlers。

Scrapy的架构围绕着Spider class构建，这其中包含了crawler追从的一套指令。

15. Statsmodels (提交数: 8960,贡献者数: 119)

你可能从名字就猜出大概了，statsmodels使用户能够通过使用各种统计模型的估算方法进行数据挖掘，并执行统计判断和分析。

许多有用的特征是可被描述的，并通过使用线性回归模型，广义线性模型，离散选择模型，鲁棒线性模型，时间序列分析模型，各种估计方法得出统计结果。

这个库还提供了广泛的标定功能，专门用于大数据统计中的性能优化工作。

总结

许多数据科学家和工程师认为这些库是顶级的，并值得关注，或者需要或多或少了解它们。 以下是每个库在Github上的详细统计资料：

当然，这不是完全详尽的列表，还有许多其他的库和框架也是值得关注。一个很好的例子是SciKit的不同软件包各自专注一个特定的领域，如SciKit-Image是用于处理图像的。

本文作者：林立宏

2017-06-22 19:23