Python 資料分析庫有哪些不同的型別？

---

毫無疑問，Python 是僱主在資料科學家技能組合中尋找的首要內容之一。它已迅速成為資料科學行業中的標準語言。它在全球資料科學調查中反覆名列前茅，並且其普及程度還在不斷增長！

但是，是什麼讓 Python 如此受資料科學家青睞呢？

就像我們的身體由多個器官組成，每個器官都有不同的功能，而心臟則使它們都能正常運轉一樣，Python 的核心為我們提供了一個易於編碼、面向物件的高階語言（心臟）。對於每個任務類別，例如數學、資料探勘、資料探索和視覺化，我們都有一個特定的庫（器官）。

Matplotlib

這毫無疑問是最好的 Python 庫。可以從 Matplotlib 顯示的資料中建立故事。另一個繪製二維圖形的 SciPy Stack 庫是 Matplotlib。

何時使用？可以使用 Python 繪相簿 Matplotlib 提供的面向物件 API 將圖形包含到程式中。它大致模擬了 Python 程式語言的嵌入式 MATLAB。

Theano

Theano 是另一個有用的 Python 包，它幫助資料科學家執行涉及大型多維陣列的複雜計算。它更類似於 TensorFlow，但效率較低。

它被用於依賴分散式和平行計算的任務。它允許你指定、評估和最佳化支援陣列的數學運算。由於實現了 numpy.ndarray 函式，因此它與 NumPy 密切相關。

由於其構建在 GPU 上的基礎設施，它可以比 CPU 更快地處理任務。它適用於效能和穩定性增強，以提供所需的結果。

資料科學家經常使用其動態 C 程式碼生成器進行更快的評估。他們可以在模型中執行單元測試以查詢錯誤。

Scikit Learn

Sklearn 是資料科學資源的瑞士軍刀。它是資料科學工具箱中必不可少的工具，它將使你能夠克服最初看起來難以逾越的挑戰。簡單地說，它用於開發機器學習模型。

Scikit-learn 是最實用的 Python 機器學習庫。sklearn 包包含許多高效的機器學習和統計建模技術，包括分類、迴歸、聚類和降維。

Keras

用於建立和訓練深度神經網路程式碼的高階 TensorFlow API 稱為 Keras。它是一個開源的 Python 神經網路庫。使用 Keras 簡化的深度學習程式碼，處理文字、圖形和統計資料變得更加容易。

畢竟，是什麼讓 Keras 與 TensorFlow 不同呢？

雖然 TensorFlow 是一個用於不同機器學習應用程式的開源工具包，但 Keras 是一個用於神經網路的 Python 庫。雖然 Keras 僅提供高階 API，但 TensorFlow 提供高階和低階 API。由於 Keras 是為 Python 而建立的，因此它比 TensorFlow 更簡潔、模組化和可組合。

SciPy

SciPy 是一個流行的免費開源 Python 資料研究工具包，用於複雜計算（科學 Python）。SciPy 社群在 GitHub 上擁有大約 19,000 條評論和 600 名活躍貢獻者。由於它擴充套件了 NumPy 並提供了一些使用者友好且高效的方法，因此它通常用於科學和技術計算。

Plotly

Plotly 是一個經典的 Python 圖表繪製包。使用者可以匯入、複製、貼上或流式傳輸資料以進行分析和視覺化。Plotly 在沙箱中提供 Python（可以在其中執行功能有限的 Python）。沙盒一直難以理解，但我相信 Plotly 使它變得簡單。

何時使用？如果你希望生成和顯示圖形、編輯或懸停在文字上以獲取資訊，則可以使用 Plotly。Plotly 提供的另一個功能是將資訊傳送到雲伺服器。這很有趣！

BeautifulSoup

即將推出的 Python 資料科學庫稱為 BeautifulSoup。這個流行的 Python 庫的主要應用是網路爬蟲和資料抓取。使用者可能會從沒有足夠 CSV 或 API 的網站收集資料，BeautifulSoup 可以幫助他們進行資料抓取和必要的組織。

PyTorch

PyTorch 是資料科學家和研究人員最常用的機器學習庫之一。它幫助他們建立動態計算網路、由 GPU 加速的快速張量計算以及其他許多複雜任務。PyTorch API 在神經網路方法中很有用。

由於混合前端 PyTorch 平臺易於使用，我們可以進入圖模式進行最佳化。它為使用者提供了在非同步組活動中生成正確結果的本機功能，並支援點對點通訊。

如果軟體對 ONNX（開放神經網路交換）有本機支援，則可以匯出模型以使用視覺化工具、平臺、執行時和其他資源。PyTorch 最好的功能是它能夠提供基於雲的環境，以便在部署期間輕鬆擴充套件資源。

結論

這絕不是一個完整的列表，因為 Python 環境還包括大量其他用於開發演算法和執行機器學習任務的工具。許多這些工具將被從事基於 Python 的資料科學專案的軟體工程師和資料科學家使用，因為它們對於在 Python 中建立強大的 ML 模型至關重要。