python中令人惊艳的小众数据科学库

python是门很神奇的语言，历经时间和实践检验，受到开发者和数据科学家一致好评，目前已经是全世界发展最好的编程语言之一。简单易用，完整而庞大的第三方库生态圈，使得python成为编程小白和高级工程师的首选。

在本文中，我们会分享不同于市面上的python数据科学库（如numpy、padnas、scikit-learn、matplotlib等），尽管这些库很棒，但是其他还有一些不为人知，但同样优秀的库需要我们去探索去学习。

1. wget

从网络上获取数据被认为是数据科学家的必备基本技能，而wget是一套非交互的基于命令行的文件下载库。ta支持http、https和ftp协议，也支持使用ip代理。因为ta是非交互的，即使用户未登录，ta也可以在后台运行。所以下次如果你想从网络上下载一个页面，wget可以帮到你哦。

安装

pip isntall wget

用例

import wget

url = 'http://www.futurecrew.com/skaven/song_files/mp3/razorback.mp3'

filename = wget.download(url)

run and output

100% [................................................] 3841532 / 3841532
filename
'razorback.mp3'

2. pendulum

对于大多数python用户来说处理时期（时间）数据是一件令人抓狂的事情，好在pendulum专为你而来。它是python内置时间类的良好备选方案，更多内容可查看官方文档 https://pendulum.eustace.io/docs/

安装

pip install pendulum

用例

import pendulum

dt_toronto = pendulum.datetime(2012, 1, 1, tz='america/toronto')
dt_vancouver = pendulum.datetime(2012, 1, 1, tz='america/vancouver')
print(dt_vancouver.diff(dt_toronto).in_hours())

run and output

3

3.imbalanced-learn

常见的机器学习分类算法都默认输入的数据是均衡数据，即假设训练集数据有a和b两个类别，a和b数据量大体相当。如果a和b数据量差别巨大，那么训练的效果会不理想。在实际收集和整理的数据，其实绝大多数是非均衡数据，这对于机器学习分类算法真的是个很大的问题。好在有imbalanced-learn库可以很好的解决这个问题。该库兼容scikit-learn，并且是作为scikit-learn-contrib项目的一部分。当你再遇到非均衡数据，记得试试它哦！

安装

pip install -u imbalanced-learn
#或者
conda install -c conda-forge imbalanced-learn

该库有高质量的文档 http://imbalanced-learn.org/en/stable,目前该库支持scikit-learn、keras、tensorflow库

4. flashtext

在nlp任务重经常会遇到替换指代同一个意思的多个词语，或者从句子中抽取关键词。通常我们一般的做法是使用正则表达式来完成这些脏活累活，但如果要操作的词语数量达到几千上万，使用正则这种方法就会变得很麻烦。flashtext库是基于flashtext算法，该库的最强大之处在于程序运行时间不受操作词语数量影响，即运行时间与操作的词汇数量无关。 因此特别适合应用到 python文本分析 中去。

4.1 安装

pip install flashtext

4.2 用例

4.2.1 抽取关键词

我们都知道 big apple 指代纽约。所以抽取纽约这个城市词时候，我们要考虑到相同意思的不同词语。

from flashtext import keywordprocessor

#设置关键词处理器
keyword_processor = keywordprocessor()

#设置关键词及其近义词
keyword_processor.add_keyword('big apple', 'new york') #遇到big apple就会识别为new york
keyword_processor.add_keyword('bay area')

keywords_found = keyword_processor.extract_keywords("i love big apple and bay area.")

keywords_found

run and output

['new york', 'bay area']

4.2.2 替换关键词

我们也经常需要将原始文本进行处理，比如将new delhi（新德里）替换为ncr region（国家首都区）

keyword_processor.add_keyword('new delhi', 'ncr region')
new_sentence = keyword_processor.replace_keywords('i love big apple and new delhi.')
new_sentence

run and output

'i love new york and ncr region.'

想了解更多，请查看flasttext官方文档

https://flashtext.readthedocs.io/en/latest/#

5. fuzzywuzzy

这个库的名字就有点怪，但ta拥有强大的字符串匹配功能。可以轻松实现字符串比较比率（comparison ratios），分词比率（token ratios)等操作。它还可以方便地匹配保存在不同数据库中的记录。

安装

pip install fuzzywuzzy

用例

from fuzzywuzzy import fuzz
from fuzzywuzzy import process

# simple ratio
print(fuzz.ratio("this is a test", "this is a test!"))
# partial ratio
print(fuzz.partial_ratio("this is a test", "this is a test!"))

run and output!

97
100

更多有趣的例子可见 fuzzywuzzy库github账号 https://github.com/seatgeek/fuzzywuzzy

6.pyflux/pyfts.

在机器学习领域中经常遇到时间序列分析这种问题。pyflux是专门为解决时间序列问题而开发的python库。这个库提供了很多现代时间序列算法，单不仅仅限于arima、garch和var这三种模型。简而言之，pyflux为我们分析时间序列数据提供了可能，你值得拥有。

安装

pip install pyflux

pyflux用例可查看该库的文档 https://pyflux.readthedocs.io/en/latest/index.html

类似的时间序列库还有pyfts, 教程链接

https://towardsdatascience.com/a-short-tutorial-on-fuzzy-time-series-dcc6d4eb1b15

文档链接

https://pyfts.github.io/pyfts/.

7.ipyvolume

数据科学中一个重要的部分就是分析结果的展示与交流，而良好的视觉传达是很有优势的。ipyvolume是3d可视化库，可以以最小的初始化设置就能在jupyter notebook中使用。做一个恰当的类比：matplotlib的imshow是2d数组，而ipyvolume的volshow是3d数组。

安装

pip install ipyvolume
#或者
conda install -c conda-forge ipyvolume

用例

 

 

 

 

8. dash

dash是用来为开发web应用的高生产率工具库，该库基于flask、plotly.js和react.js，不需要懂javascript只用python就能让我们制作出美美的的ui元素，如下来列表、滑动条和图表。这些应用可以在浏览器中渲染，具体文档可查看 https://dash.plot.ly/

安装

pip install dash==0.29.0  
pip install dash-html-components==0.13.2  #dash库的html组件
pip install dash-core-components==0.36.0  #dash库核心组件
pip install dash-table==3.1.3  #交互数据库表单(新)

用例

下面是一个下拉式菜单，可以选择股票代码的pandas dataframe数据类型作为输入，渲染成动态交互的折线图

 

 

9. gym

gym是一个可以开发强化学习算法的工具包。 它兼容数值计算库，如tensorflow或theano。我们可以据此设计出强化学习算法，这些环境（测试问题）有公开的接口，允许我们写出通用的算法。

安装

pip install gym

用例

比如研究探月飞行器着落月球，科学家需要考虑如何才能准确着落到某个位置，并且保证安全降落。这就需要用到gym来做强化学习，学到规律