科普程式猿，讓你事半功倍的小眾Python庫

WGET

提取數據，特別是從網路中提取數據是數據科學家的重要任務之一。Wget 是一個免費的工具，用於以非交互式方式從 Web 上下載文件。它支持 HTTP、HTTPS 和 FTP 協議，通過 HTTP 代理進行檢索。由於它是非交互式的，即使用戶沒有登錄，它也可以在後台工作。所以，如果你想下載一個網站或一個頁面上的所有圖片，wget 會幫助你。

安裝：

$ pip install wget

示例：

import wget

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

filename = wget.download(url)

100% 3841532 / 3841532

filename

'razorback.mp3'

IMBALANCED-LEARN

可以看出，當每個類的樣本數量相等即平衡時，大多數分類算法的工作效果最好。但現實生活中充滿了不平衡的數據集，這些數據集對機器學習的學習階段和後續預測都有影響。創建這個庫是為了解決這個問題。它與 scikit-learn 兼容，並且是 scikit-learn-contrib 項目的一部分。下次遇到不平衡的數據集時，可以嘗試一下。

安裝：

pip install -U imbalanced-learn

# or

conda install -c conda-forge imbalanced-learn

示例：

有關用法和示例，請參考：http://imbalancedlearn.org/en/stable/api.html。

FLASHTEXT

在 NLP 任務中，清理文本數據通常需要替換句子中的關鍵詞或從句子中提取關鍵詞。通常，這樣的操作可以用正則表達式來完成，但是如果要搜尋的詞匯量過大，操作就會變得麻煩。Python 中基於 FlashText 算法的 FlashText 模塊，為這種情況提供了一個合適的替代方案。FlashText 最大的優點是搜尋詞數量不影響運行時長。更多相關信息請見：https://flashtext.readthedocs.io/en/latest/#。

安裝：

$ pip install flashtext

示例

提取關鍵詞：

from flashtext import KeywordProcessor

keyword_processor = KeywordProcessor

# keyword_processor.add_keyword(<unclean name>, <standardised name>)

keyword_processor.add_keyword('Big Apple', 'New York')

keyword_processor.add_keyword('Bay Area')

keywords_found = keyword_processor.extract_keywords('I love Big Apple and Bay Area.')

keywords_found

['New York', 'Bay Area']

替換關鍵詞：

keyword_processor.add_keyword('New Delhi', 'NCR region')

new_sentence = keyword_processor.replace_keywords('I love Big Apple and new delhi.')

new_sentence

'I love New York and NCR region.'

更多使用示例，請參閱官方文檔。

FUZZYWUZZY

雖然名字聽起來很奇怪，但涉及到字符串匹配時，fuzzywuzzy 是一個非常有用的庫，可以很容易地做到諸如字符串比較比率、token 比率等操作。對於匹配不同數據庫中的記錄也很方便。

安裝：

$ pip install fuzzywuzzy

示例：

from fuzzywuzzy import fuzz

from fuzzywuzzy import process

# Simple Ratio

fuzz.ratio("this is a test", "this is a test!")

97

# Partial Ratio

fuzz.partial_ratio("this is a test", "this is a test!")

100

更多有趣的例子可以在 GitHub 上找到：https://github.com/seatgeek/fuzzywuzzy。

PYFLUX

時間序列分析是機器學習領域最常見的問題之一。PyFlux 是 Python 中為處理時間序列問題而創建的開源庫。該庫有一系列極好的時間序列模型，包括但不限於 ARIMA、 GARCH 和 VAR 模型。簡而言之，PyFlux 提供了一個時間序列建模的概率方法。值得嘗試。

安裝：

pip install pyflux

示例：

有關用法和示例，請參考：https://pyflux.readthedocs.io/en/latest/index.html。

IPYVOLUME

交流結果是數據科學的一個基本方面。能夠將結果可視化是一個很大的優勢。IPyvolume 是一個用於在 Jupyter notebook 中可視化 3d 體積和字形（如 3d 散點圖）的 Python 庫，只需少量配置即可。然而，它目前還處於前 1.0 版。IPyvolume 的 volshow 之於 3d 數組，就像 matplotlib 的 imshow 之於 2d 數組一樣。更多相關信息請見：https://ipyvolume.readthedocs.io/en/latest/?badge=latest。

安裝：

Using pip

$ pip install ipyvolume

Conda/Anaconda

$ conda install -c conda-forge ipyvolume

DASH

Dash 是一個用於構建 web 應用程序的高效 Python 框架。它寫在 Flask、Plotly.js 和 React.js 之上，將下拉列表、滑塊和圖形等 UI 元素與你的分析性 Python 代碼直接相連，無需 javascript。Dash 非常適合構建數據可視化應用程序。然後這些應用程序可以在 web 瀏覽器中進行渲染。用戶指南請見：https://dash.plot.ly/。

安裝：

pip install dash==0.29.0 # The core dash backend

pip install dash-html-components==0.13.2 # HTML components

pip install dash-core-components==0.36.0 # Supercharged components

pip install dash-table==3.1.3 # Interactive DataTable component (new!)

示例：

下圖示例顯示了具有下拉功能的高度交互圖。當用戶在下拉列表中選擇一個值時，應用程序代碼會動態地將 Google Finance 的數據導出為 Pandas DataFrame。資源：https://gist.github.com/chriddyp/3d2454905d8f01886d651f207e2419f0。

GYM

來自 OpenAI 的 Gym 是一個開發和對比強化學習算法的工具包。它兼容於任何數值計算庫，如 TensorFlow 或 Theano。Gym 庫是一個測試問題的集合，也被稱為環境——可以用它來計算你的強化學習算法。這些環境有一個共享的接口，允許你寫通用算法。

安裝：

pip install gym

示例：

運行環境 CartPole-v0 的 1000 個時間步驟實例，在每個步驟渲染環境。

閱讀其他環境請見：https://gym.openai.com/。

結論

這些是作者為數據科學挑選的實用 python 庫，而非常見的 numpy、panda 等。值得一試。