T特別是數(shù)據(jù)科學領域，擁有大量的工具和庫，使我們能夠從數(shù)據(jù)中提取知識。然而，在常用的Python庫（如NumPy，Pandas，Matplotlib，Seaborn，scikit-learn等）的表面之下，存在一個鮮為人知但功能強大的庫的寶庫，它們可以為您的機器學習工作流程提供顯著的推動力。

有哪些常見的機器學習庫？

機器學習項目主要由NumPy，Pandas，Matplotlib，Seaborn和Scikit-Learn等庫支持。NumPy具有強大的數(shù)組操作能力，對于數(shù)值計算是必不可少的。Pandas 通過其 DataFrame 結構簡化了數(shù)據(jù)處理和分析。為了創(chuàng)建引人入勝的數(shù)據(jù)可視化表示，Matplotlib和Seaborn是不可或缺的資源。Scikit-Learn為各種機器學習任務（如聚類，回歸和分類）提供了一個全面的工具包。當共同利用這些資源時，數(shù)據(jù)科學家能夠有效地審查、評估和建模數(shù)據(jù)。

低調機器學習庫

? 熊貓分析

Python 熊貓分析模塊是自動進行探索性數(shù)據(jù)分析 （EDA） 的強大工具。它會生成一份廣泛的報告，其中包含有關數(shù)據(jù)集的有見地的信息，包括要保留哪些變量以及要刪除哪些變量。

from pandas_profiling import ProfileReportprofile = ProfileReport(df, title='Dataset Report', explorative=True)profile.to_notebook_iframe()

使用時，該庫提供了對正在處理的數(shù)據(jù)的幾個重要見解。其中一些包括：

概述：*本節(jié)概述了數(shù)據(jù)集，包括變量和觀測值的數(shù)量以及不同類型的變量。*

相關性 — 本節(jié)使用熱圖來說明數(shù)據(jù)集中變量之間的關系。它允許在各種相關圖之間切換，包括皮爾遜的 r、肯德爾的 τ、斯皮爾曼的 ρ 和 Phik （φk）。

警告 — 本節(jié)包含有關具有大量零、NaN 值和高度基數(shù)分類變量的變量的注意事項。

? 缺失

這個用于可視化數(shù)據(jù)集中缺失數(shù)據(jù)的驚人工具是Python missingno包。它提供了許多功能來幫助分析師和數(shù)據(jù)科學家理解其數(shù)據(jù)中缺失值的分布和存在。它提供了一些驚人的可視化效果，例如：

矩陣圖 — 這描繪了數(shù)據(jù)集中 NULL/NAN/缺失值的整個存在的視覺圖片。

pip install missingnoimport missingno as msnomsno.matrix(df)

條形圖 — 這將創(chuàng)建每個要素列的值計數(shù)的條形圖，不包括每個要素列中的缺失值。

msno.bar(df, color="dodgerblue", sort="ascending", figsize=(8,6), fontsize=8)

熱圖 — 這可用于創(chuàng)建關聯(lián)熱圖，以識別和分析列之間的相關性。

msno.heatmap(df)

登多圖 — 這提供了不同特征之間的相關性和缺失信息存在的分層表示。

msno.dendrogram(df)

? 皮卡雷特

適用于 Python 的開源低代碼 PyCaret 機器學習模塊嘗試自動執(zhí)行評估和對比回歸和分類的機器學習算法所涉及的關鍵過程。它旨在縮短從假設到見解所需的時間，因此經(jīng)驗豐富的數(shù)據(jù)科學家和新手都可以從中受益。

許多機器學習項目階段，包括特征工程、模型訓練、評估和數(shù)據(jù)預處理，都由 PyCaret 自動化。此外，它還提供了比較多個機器學習模型和微調超參數(shù)的功能。

您可以使用 pip 安裝 PyCaret：

pip install pycaret

要使用 PyCaret 進行分類，您可以通過以下方式執(zhí)行此操作：

from pycaret.classification import *clf = setup(data, target='target_column')best = compare_models()

要使用 PyCaret 進行回歸，您可以通過以下方式執(zhí)行此操作：

from pycaret.regression import *clf = setup(data, target='target_column')best = compare_models()

? 鐘擺

在 Python 中管理日期和時間的一個非常有用的工具是鐘擺包。在處理日期和時間時，它提供了比 Python 內置的日期時間模塊更可靠、對開發(fā)人員友好的 API。您可以使用 Pendulum 快速完成日期和時間的格式化、解析和算術運算等活動。它是管理應用程序中與時間相關的數(shù)據(jù)的有效工具，因為它還提供時區(qū)和持續(xù)時間計算等功能。

該庫的一些關鍵功能包括：

DateTime 實例 — 使用 now（） 函數(shù)獲取當前日期和時間，或使用 datetime（） 函數(shù)獲取 特定日期和時間，您可以構建 DateTime 對象。使用 local（） 函數(shù)，您還可以構建具有特定時區(qū)的 DateTime 實例。

import pendulumdt = pendulum.datetime(2020, 11, 27)print(dt)local = pendulum.local(2020, 11,27)print(local)print(local.timezone.name)

時區(qū)轉換 — 庫的 in_timezone（） 和 convert（） 函數(shù)使在多個時區(qū)之間切換變得簡單。

utc_time = pendulum.now('UTC')kolkata_time = utc_time.in_timezone('Asia/Kolkata')print('Current Date Time in Kolkata =', kolkata_time)Sydney_tz = pendulum.timezone('Australia/Sydney')sydney_time = sydney_tz.convert(utc_time)print('Current Date Time in Sydney =', sydney_time)

日期時間操作 — 可以使用 add（） 和 subtract（） 函數(shù)調整日期和時間 。每個方法都會生成一個新的 DateTime 實例。

dt = pendulum.parse('1997-11-21T22:00:00', tz = 'Asia/Calcutta')print(dt)dt = pendulum.from_format('2020/11/21', 'YYYY/MM/DD')print(dt)

持續(xù)時間和周期計算 — 庫中的 duration（） 函數(shù)允許您生成可在 DateTime 實例中添加或減去的持續(xù)時間。 period（） 函數(shù)還可用于確定兩個 DateTime 實例之間的時間間隔。

time_delta = pendulum.duration(days = 2, hours = 10, years = 2)print(time_delta)print('future date =', pendulum.now() time_delta)start = pendulum.datetime(2021, 1, 1)end = pendulum.datetime(2021, 1, 31)period = pendulum.period(start, end)print(period.days)

結論

總之，用于機器學習的隱藏 Python 庫提供了有價值的工具，可以促進您的項目。從高效的時間管理到增強的數(shù)據(jù)可視化，這些資源擴展了您的能力。探索這些隱藏的寶石可以提高工作效率和工作的準確性。隨著 Python 的發(fā)展，嘗試鮮為人知的庫是保持領先地位的明智之舉。如果您嘗試過上述任何庫，請告訴我。我很想聽聽你最喜歡的低調Python ML庫，如果它們不在這篇文章中，那就更多了！在評論中讓我知道！