Python 中一些被低估的庫有哪些？

---

在本文中，我們將學習一些被低估的 Python 庫。以下是 Python 中一些被低估的庫的列表：

• Emmett

• Jam.py

• Missingo

• Emot

• Shogun

• Blaze

• Bamboolib

• Swifter

• Caffe

• Myia

• Featuretools

• Altair

• AutoViz

Emmett

Emmett Web 框架是第一個被嚴重低估和忽視的軟體包。Emmett Web 框架非常靈活，可用於 Web 開發中的許多不同應用程式。

另一個優點是 Emmett Web 框架相對易於使用。它使用類似 Flask 的語法，如果您已經熟悉 Flask，則學習起來相對簡單。

Jam.py

Jam.py 是此列表中下一個被低估的 Python 軟體包。Jam.py 是另一個擅長一項任務的 Web 框架。該程式用於建立資料驅動的儀表板，並且非常擅長此操作。此軟體包的一個特別酷的功能是，您甚至不需要知道如何程式設計即可使用它。該軟體包將啟動 Web 伺服器會話。然後可以透過 Web 瀏覽器加入此會話，並且您可以使用互動式整合開發環境，同時在大多數情況下忽略您的程式碼。

在我看來，這是一種非常酷的儀表板方法。即使是經驗豐富的程式設計師也會欣賞不必編寫任何程式碼。這使得 Jam.py 成為 Python 使用者和非程式設計師的非常酷且獨特的解決方案。

Missingo

Missingo 可以透過更有效地使用資料視覺化來幫助管理缺失值。Missingo 包含四種基於 matplotlib 的圖表型別，以便更好地理解缺失資料。這些由條形圖組成。熱圖、矩陣和樹狀圖都可用。

Emot

表情符號現在被每個人普遍使用。對於處理自然語言處理的開發人員來說，執行涉及表情符號的任務可能很困難。Emot 是一個允許開發人員從文字資料中去除表情符號的庫。此庫與 Python 2 和 Python 3 都非常有效。

Shogun

Shogun 是此列表中下一個專注於機器學習的軟體包。Shogun 是一個機器學習庫，最初是用 C++ 構建的，隨後透過 API 轉換為 Python。儘管 Shogun 沒有堅持 Sklearn 為機器學習建立的 Python 程式語言的標準約定，但該軟體包仍然包含足夠的程式碼來很好地支援其模型。該軟體實際上非常強大且易於使用。

Blaze

談到 Blaze，Blaze 模組僅僅是冰山一角。Blaze 是一組工具的集合，通常在 Python 中用於高效能計算和機器學習。一個使加速 Python 演算法（如 Dask）變得簡單的模組總是受歡迎的。Blaze 生態系統中有很多非常有用的工具。

回到 Blaze 軟體包，此軟體包用於一致地查詢各種型別的資料儲存。blaze 可用於輕鬆地在格式之間移動資料，並使 SQL、Hadoop/Spark 和本地資料都能夠使用一致的呼叫進行操作。

Bamboolib

資料分析和視覺化是最關鍵但最耗時和最困難的過程。

Bamboolib 是 pandas DataFrame 的圖形使用者介面 (GUI)，允許開發人員在 Jupyter Notebook 或 JupyterLab 中使用 Python。它以一個智慧且非常有用的庫而聞名，用於分析、想象和管理資訊。由於它不需要任何編碼技能，因此不懂程式設計的人也可以使用它。

Swifter

Swifter 是一個只有一個簡單函式的庫——它使 apply() 操作的速度更快。這是透過使用專門為 Pandas Series 物件設計的效率更高的 apply() 方法來實現的。

Caffe

Caffe 是一個深度學習框架，其設計理念是表達性、速度和模組化。該軟體包很棒，並且由於其模組化特性，該框架非常通用且高效。所有元件都是模組化的，並協同工作以形成網路。還非常重視速度，因此對於包含的一些出色且快速的模型，絕對值得一試。

Myia

我們想包含此軟體包，因為我們認為它非常棒。Myia 是一種為高效能設計的程式語言。它可以透過 Python 訪問，並專注於比 Python 更快。其理念是在後臺執行 Myia，同時在前臺編寫 Python。

Featuretools

另一個非常重要的軟體是 Featuretools。特徵工程可能很困難，尤其是在您不確定要從哪些特徵中進行工程設計時。另一方面，Featuretools 試圖透過自動化特徵選擇來解決此確切問題。在某些方面，自動化機器學習很有趣。無論喜劇如何，我們都強烈建議您檢視此軟體包，因為它有很多可以節省大量時間的應用程式。

Altair

在該列表中的所有模組中，我們強烈建議您下載 Altair。Altair 是一個統計繪圖自動化軟體包。從表面上看，這似乎是一個相當奇怪的想法。說實話，我們對該軟體的功能表示懷疑。另一方面，Altair 生成了一些我們資料非常驚人的視覺化效果，這些效果非常有洞察力。觀察人工智慧為我們進行選擇和視覺化是一次令人驚訝的體驗。

AutoViz

用於執行探索性資料分析任務的最被低估的庫之一。該庫可用於資料視覺化活動，並且可以處理大型資料集。可以使用單個程式碼來檢索資料視覺化。只需輸入 JSON、CSV 或 txt 檔案，該庫將幫助您進行視覺化。

結論

此列表表明，我們很幸運擁有 Python 豐富且不斷擴充套件的工具生態系統。由於每個任務都有如此多的出色解決方案，資料科學家可能必須執行每個任務，我們甚至最終獲得了某些工作領域的自動化解決方案。憑藉這些出色的軟體包，Python 的傑作現已完成。