作者根據(jù)每周發(fā)布總結的系列文章，匯總了2018年針對數(shù)據(jù)科學家/AI的最佳庫、repos、包和工具。本文對其進行了梳理，列舉了人工智能和數(shù)據(jù)科學的七大Python庫。

本文作者Favio Vázquez從2018年開始發(fā)布《數(shù)據(jù)科學和人工智能每周文摘：Python & R》系列文章，為數(shù)據(jù)科學家介紹最好的庫、repos、packages以及工具。

一年結束，作者列出了2018年的7大最好的Python庫，這些庫確實地改進了研究人員的工作方式。

7. AdaNet?———快速靈活的AutoML框架

https://github.com/tensorflow/adanet

AdaNet是一個輕量級的、可擴展的TensorFlow AutoML框架，用于使用AdaNet算法訓練和部署自適應神經網(wǎng)絡[Cortes et al. ICML 2017]。AdaNet結合了多個學習子網(wǎng)絡，以減輕設計有效的神經網(wǎng)絡所固有的復雜性。

這個軟件包將幫助你選擇最優(yōu)的神經網(wǎng)絡架構，實現(xiàn)一種自適應算法，用于學習作為子網(wǎng)絡集合的神經架構。

你需要了解TensorFlow才能使用這個包，因為它實現(xiàn)了TensorFlow Estimator，但這將通過封裝訓練、評估、預測和導出服務來幫助你簡化機器學習編程。

你可以構建一個神經網(wǎng)絡的集合，這個庫將幫助你優(yōu)化一個目標，以平衡集合在訓練集上的性能和將其泛化到未見過數(shù)據(jù)的能力之間的權衡。

安裝

安裝adanet之前需將TensorFlow升級到1.7或以上：

$pipinstall"tensorflow>=1.7.0"

從源代碼安裝

要從源代碼進行安裝，首先需要安裝bazel。

下一步，復制adanet和cd到它的根目錄:

$gitclonehttps://github.com/tensorflow/adanet&&cdadanet

從adanet根目錄運行測試：

$cdadanet$bazeltest-copt//...

確認一切正常后，將adanet安裝為pip包。

現(xiàn)在，可以對adanet進行試驗了。

importadanet

用法

有關AdaNet的詳細用法，請閱讀官方教程：

https://github.com/tensorflow/adanet/tree/master/adanet/examples/tutorials

https://ai.googleblog.com/2018/10/introducing-adanet-fast-and-flexible.html?m=1

6. TPOT——一個自動化的Python機器學習工具

https://github.com/EpistasisLab/tpot

之前我介紹過Auto-Keras，這是一個很棒的AutoML庫。現(xiàn)在我們有另一個非常有趣的工具——TPOT。

TPOT全稱是基于樹的pipeline優(yōu)化工具(Tree-based Pipeline Optimization Tool)，這是一個非常棒Python自動機器學習工具，使用遺傳編程優(yōu)化機器學習pipeline。

TPOT可以自動化許多東西，包括生命特性選擇、模型選擇、特性構建等等。如果你是Python機器學習者，很幸運，TPOT是構建在Scikit-learn之上的，所以它生成的所有代碼看起來應該很熟悉。

它的作用是通過智能地探索數(shù)千種可能的pipeline來自動化機器學習中最繁瑣的部分，找到最適合你的數(shù)據(jù)的pipeline，然后為你提供最佳的 Python 代碼。

它的工作原理如下：

安裝

安裝TPOT之前，請先閱讀教程：

http://epistasislab.github.io/tpot/installing/

然后，運行以下代碼：

pipinstalltpot

例子：

首先讓我們從基本的Iris數(shù)據(jù)集開始：

1fromtpotimportTPOTClassifier 2fromsklearn.datasetsimportload_iris 3fromsklearn.model_selectionimporttrain_test_split 4 5#Loadirisdataset 6iris=load_iris() 7 8#Splitthedata 910X_trainX_train,X_test,y_train,y_test=train_test_split(iris.data,iris.target,11train_size=0.75,test_size=0.25)1213#FittheTPOTclassifier1415tpot=TPOTClassifier(verbosity=2,max_time_mins=2)16tpot.fit(X_train,y_train)1718#Exportthepipeline19tpot.export('tpot_iris_pipeline.py')

我們在這里構建了一個非?；镜腡POT pipeline，它將嘗試尋找最佳ML pipeline來預測iris.target。然后保存這個pipeline。之后，我們要做的就非常簡單了——加載生成的.py文件，你將看到：

1importnumpyasnp 2fromsklearn.kernel_approximationimportRBFSampler 3fromsklearn.model_selectionimporttrain_test_split 4fromsklearn.pipelineimportmake_pipeline 5fromsklearn.treeimportDecisionTreeClassifier 6#NOTE:Makesurethattheclassislabeled'class'inthedatafile 7tpot_data=np.recfromcsv('PATH/TO/DATA/FILE',delimiter='COLUMN_SEPARATOR',dtype=np.float64) 8features=np.delete(tpot_data.view(np.float64).reshape(tpot_data.size,-1),tpot_data.dtype.names.index('class'),axis=1) 9training_features,testing_features,training_classes,testing_classes=10train_test_split(features,tpot_data['class'],random_state=42)11exported_pipeline=make_pipeline(12RBFSampler(gamma=0.8500000000000001),13DecisionTreeClassifier(criterion="entropy",max_depth=3,min_samples_leaf=4,min_samples_split=9)14)15exported_pipeline.fit(training_features,training_classes)16results=exported_pipeline.predict(testing_features)

就是這樣。你已經以一種簡單但強大的方式為Iris數(shù)據(jù)集構建一個分類器。

現(xiàn)在我們來看看MNIST的數(shù)據(jù)集：

1fromtpotimportTPOTClassifier 2fromsklearn.datasetsimportload_digits 3fromsklearn.model_selectionimporttrain_test_split 4 5#loadandsplitdataset 6digitsdigits==load_digitsload_di() 7X_train,X_test,y_train,y_test=train_test_split(digits.data,digits.target, 8train_size=0.75,test_size=0.25) 910#FittheTPOTclassifier11tpot=TPOTClassifier(verbosity=2,max_time_mins=5,population_size=40)12tpot.fit(X_train,y_train)1314#Exportpipeline15tpot.export('tpot_mnist_pipeline.py')

接下來我們再次加載生成的 .py文件，你將看到：

1importnumpyasnp 2fromsklearn.model_selectionimporttrain_test_split 3fromsklearn.neighborsimportKNeighborsClassifier 4#NOTE:Makesurethattheclassislabeled'class'inthedatafile 5tpot_data=np.recfromcsv('PATH/TO/DATA/FILE',delimiter='COLUMN_SEPARATOR',dtype=np.float64) 6features=np.delete(tpot_data.view(np.float64).reshape(tpot_data.size,-1),tpot_data.dtype.names.index('class'),axis=1) 7training_features,testing_features,training_classes,testing_classes= 8train_test_split(features,tpot_data['class'],random_state=42) 9exported_pipeline=KNeighborsClassifier(n_neighbors=4,p=2,weights="distance")10exported_pipeline.fit(training_features,training_classes)11results=exported_pipeline.predict(testing_features)

5. SHAP?——一個解釋任何機器模型輸出的統(tǒng)一方法

https://github.com/slundberg/shap

解釋機器學習模型并不容易。然而，它對許多商業(yè)應用程序來說非常重要。幸運的是，有一些很棒的庫可以幫助我們完成這項任務。在許多應用程序中，我們需要知道、理解或證明輸入變量在模型中的運作方式，以及它們如何影響最終的模型預測。

SHAP (SHapley Additive exPlanations)是一種解釋任何機器學習模型輸出的統(tǒng)一方法。SHAP將博弈論與局部解釋聯(lián)系起來，并結合了之前的幾種方法。

安裝

SHAP可以從PyPI安裝

pipinstallshap

或conda -forge

condainstall-cconda-forgeshap

用法

有很多不同的模型和方法可以使用這個包。在這里，我將以DeepExplainer中的一個例子為例。

Deep SHAP是深度學習模型中SHAP值的一種高速近似算法，它基于與DeepLIFT的連接，如SHAP的NIPS論文所述(https://arxiv.org/abs/1802.03888）。

下面這個例子可以看到SHAP如何被用來解釋MNIST數(shù)據(jù)集的Keras模型結果：

#thisisthecodefromhttps://github.com/keras-team/keras/blob/master/examples/mnist_cnn.pyfrom__future__importprint_functionimportkerasfromkeras.datasetsimportmnistfromkeras.modelsimportSequentialfromkeras.layersimportDense,Dropout,Flattenfromkeras.layersimportConv2D,MaxPooling2DfromkerasimportbackendasKbatch_size=128num_classes=10epochs=12#inputimagedimensionsimg_rows,img_cols=28,28#thedata,splitbetweentrainandtestsets(x_train,y_train),(x_test,y_test)=mnist.load_data()ifK.image_data_format()=='channels_first':x_train=x_train.reshape(x_train.shape[0],1,img_rows,img_cols)x_test=x_test.reshape(x_test.shape[0],1,img_rows,img_cols)input_shape=(1,img_rows,img_cols)else:x_train=x_train.reshape(x_train.shape[0],img_rows,img_cols,1)x_test=x_test.reshape(x_test.shape[0],img_rows,img_cols,1)input_shape=(img_rows,img_cols,1)x_train=x_train.astype('float32')x_test=x_test.astype('float32')x_train/=255x_test/=255print('x_trainshape:',x_train.shape)print(x_train.shape[0],'trainsamples')print(x_test.shape[0],'testsamples')#convertclassvectorstobinaryclassmatricesy_train=keras.utils.to_categorical(y_train,num_classes)y_test=keras.utils.to_categorical(y_test,num_classes)model=Sequential()model.add(Conv2D(32,kernel_size=(3,3),activation='relu',input_shape=input_shape))model.add(Conv2D(64,(3,3),activation='relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.25))model.add(Flatten())model.add(Dense(128,activation='relu'))model.add(Dropout(0.5))model.add(Dense(num_classes,activation='softmax'))model.compile(loss=keras.losses.categorical_crossentropy,optimizer=keras.optimizers.Adadelta(),metrics=['accuracy'])model.fit(x_train,y_train,batch_size=batch_size,epochs=epochs,verbose=1,validation_data=(x_test,y_test))score=model.evaluate(x_test,y_test,verbose=0)print('Testloss:',score[0])print('Testaccuracy:',score[1])

更多示例：

https://github.com/slundberg/shap#sample-notebooks

4. Optimus——使用 Python 和 Spark 輕松實現(xiàn)敏捷數(shù)據(jù)科學工作流

https://github.com/ironmussa/Optimus

Optimus V2旨在讓數(shù)據(jù)清理更容易。這個API的設計對新手來說超級簡單，對使用pandas的人來說也非常熟悉。Optimus擴展了Spark DataFrame功能，添加了.rows和.cols屬性。

使用Optimus，你可以以分布式的方式清理數(shù)據(jù)、準備數(shù)據(jù)、分析數(shù)據(jù)、創(chuàng)建分析器和圖表，并執(zhí)行機器學習和深度學習，因為它的后端有Spark、TensorFlow和Keras。

Optimus是數(shù)據(jù)科學敏捷方法的完美工具，因為它幾乎可以幫助你完成整個過程的所有步驟，并且可以輕松地連接到其他庫和工具。

Installation (pip):

pipinstalloptimuspyspark

用法

在這個示例中，你可以從 URL 加載數(shù)據(jù)，對其進行轉換，并應用一些預定義的清理功能：

fromoptimusimportOptimusop=Optimus()#Thisisacustomfunctiondeffunc(value,arg):return"thiswasanumber"df=op.load.url("https://raw.githubusercontent.com/ironmussa/Optimus/master/examples/foo.csv")df.rows.sort("product","desc").cols.lower(["firstName","lastName"]).cols.date_transform("birth","new_date","yyyy/MM/dd","dd-MM-YYYY").cols.years_between("birth","years_between","yyyy/MM/dd").cols.remove_accents("lastName").cols.remove_special_chars("lastName").cols.replace("product","taaaccoo","taco").cols.replace("product",["piza","pizzza"],"pizza").rows.drop(df["id"]<7)????.cols.drop("dummyCol")????.cols.rename(str.lower)????.cols.apply_by_dtypes("product",func,"string",?data_type="integer")????.cols.trim("*")????.show()

你可以將這個表格

轉換為這樣：

是不是很酷？這個庫還可以做更多事情，具體請閱讀：

https://www.hioptimus.com/

3. spacy——使用Python和Cython的工業(yè)級自然語言處理

https://spacy.io/

spaCy旨在幫助你完成實際的工作——構建真實的產品，或收集真實的見解。這個庫尊重你的時間，盡量避免浪費。它易于安裝，而且它的API簡單而高效。spaCy被視為自然語言處理的Ruby on Rails。

spaCy是為深度學習準備文本的最佳方法。它與TensorFlow、PyTorch、Scikit-learn、Gensim以及Python強大的AI生態(tài)系統(tǒng)的其他部分無縫交互。使用spaCy，你可以很容易地為各種NLP問題構建語言復雜的統(tǒng)計模型。

安裝

pip3installspacy$python3-mspacydownloaden

這里，我們還下載了英語語言模型。你可以在這里找到德語，西班牙語，意大利語，葡萄牙語，法國語等版本的模型：

https://spacy.io/models/

下面是主頁面的一個示例：

#python-mspacydownloaden_core_web_smimportspacy#LoadEnglishtokenizer,tagger,parser,NERandwordvectorsnlp=spacy.load('en_core_web_sm')#Processwholedocumentstext=(u"WhenSebastianThrunstartedworkingonself-drivingcarsat"u"Googlein2007,fewpeopleoutsideofthecompanytookhim"u"seriously.“IcantellyouveryseniorCEOsofmajorAmerican"u"carcompanieswouldshakemyhandandturnawaybecauseIwasn’t"u"worthtalkingto,”saidThrun,nowtheco-founderandCEOof"u"onlinehighereducationstartupUdacity,inaninterviewwith"u"Recodeearlierthisweek.")doc=nlp(text)#Findnamedentities,phrasesandconceptsforentityindoc.ents:print(entity.text,entity.label_)#Determinesemanticsimilaritiesdoc1=nlp(u"myfriesweresupergross")doc2=nlp(u"suchdisgustingfries")similarity=doc1.similarity(doc2)print(doc1.text,doc2.text,similarity)

在這個示例中，我們首先下載English tokenizer, tagger, parser, NER和word vectors。然后創(chuàng)建一些文本，打印找到的實體、短語和概念，最后確定兩個短語的語義相似性。運行這段代碼，你會得到：

SebastianThrunPERSONGoogleORG2007DATEAmericanNORPThrunPERSONRecodeORGearlierthisweekDATEmyfriesweresupergrosssuchdisgustingfries0.7139701635071919

2. jupytext

對我來說，jupytext是年度最佳。幾乎所有人都在像Jupyter這樣的筆記本上工作，但是我們也在項目的更核心部分使用像PyCharm這樣的IDE。

好消息是，你可以在自己喜歡的IDE中起草和測試普通腳本，在使用Jupytext時可以將IDE作為notebook在Jupyter中打開。在Jupyter中運行notebook以生成輸出，關聯(lián).ipynb表示，并作為普通腳本或傳統(tǒng)Jupyter notebook 進行保存和分享。

下圖展示了這個包的作用：

可點擊下方鏈接查看原文中的GIF展示：

https://heartbeat.fritz.ai/top-7-libraries-and-packages-of-the-year-for-data-science-and-ai-python-r-6b7cca2bf000

安裝

pipinstalljupytext--upgrade

然后，配置Jupyter使用Jupytext：

使用jupyter notebook --generate-config生成Jupyter配置

編輯.jupyter/jupyter_notebook_config.py，并附加以下代碼：

c.NotebookApp.contents_manager_class="jupytext.TextFileContentsManager"

重啟Jupyter，即運行：

jupyternotebook

你可以在這里試試：

https://mybinder.org/v2/gh/mwouts/jupytext/master?filepath=demo

1.Chartify?——讓數(shù)據(jù)科學家很容易創(chuàng)建圖表的Python庫

https://xkcd.com/1945/

Chartify是Python的年度最佳庫。

在Python世界中創(chuàng)建一個像樣的圖很費時間。幸運的是，我們有像Seaborn之類的庫，但問題是他們的plots不是動態(tài)的。

然后就出現(xiàn)了Bokeh——這是一個超棒的庫，但用它來創(chuàng)造互動情節(jié)仍很痛苦。

Chartify建立在Bokeh之上，但它簡單得多。

Chartify的特性：

一致的輸入數(shù)據(jù)格式：轉換數(shù)據(jù)所需的時間更少。所有繪圖函數(shù)都使用一致、整潔的輸入數(shù)據(jù)格式。

智能默認樣式：創(chuàng)建漂亮的圖表，幾乎不需要自定義。

簡單API：API盡可能直觀和容易學習。

靈活性：Chartify是建立在Bokeh之上的，所以如果你需要更多的控制，你可以使用Bokeh的API。

安裝

Chartify可以通過pip安裝:

pip3installchartify

用法

假設我們想要創(chuàng)建這個圖表：

importpandasaspdimportchartify#Generateexampledatadata=chartify.examples.example_data()

現(xiàn)在，我們已經加載了一些示例數(shù)據(jù)，讓我們來做一些轉換：

total_quantity_by_month_and_fruit=(data.groupby([data['date']+pd.offsets.MonthBegin(-1),'fruit'])['quantity'].sum().reset_index().rename(columns={'date':'month'}).sort_values('month'))print(total_quantity_by_month_and_fruit.head())monthfruitquantity02017-01-01Apple712017-01-01Banana622017-01-01Grape132017-01-01Orange242017-02-01Apple8

現(xiàn)在我們可以把它畫出來：

#Plotthedatach=chartify.Chart(blank_labels=True,x_axis_type='datetime')ch.set_title("Stackedarea")ch.set_subtitle("Representchangesindistribution.")ch.plot.area(data_frame=total_quantity_by_month_and_fruit,x_column='month',y_column='quantity',color_column='fruit',stacked=True)ch.show('png')

超級容易創(chuàng)建一個互動的plot。

更多示例：