Các gói Python cung cấp một cách hiệu quả và thân thiện với người mới bắt đầu để giải quyết các vấn đề phức tạp trong tính toán khoa học, trực quan hóa dữ liệu, mô hình hóa dữ liệu và nhiều lĩnh vực khác. Cùng xem lại các gói Python phổ biến nhất năm 2021 dành cho nhà phân tích và phát triển dữ liệu
Với sự phát triển của khoa học dữ liệu và trí tuệ nhân tạo, Python trở thành một trong những ngôn ngữ lập trình phổ biến nhất. Nó được ưa thích bởi các tổ chức hàng đầu, bao gồm Netflix, Uber, IBM, AstraZeneca, NASA và CIA. Và Python không giới hạn trong khoa học dữ liệu và AI;
Python có một số tính năng chính khiến nó trở nên phổ biến. nó thân thiện với người mới bắt đầu, hỗ trợ nhiều con đường sự nghiệp và có một cộng đồng thân thiện. Tuy nhiên, một trong những lý do chính để học Python là hệ sinh thái phong phú và đa dạng của ngôn ngữ này. Hãy nghĩ về bất kỳ nhiệm vụ ngẫu nhiên nào và rất có thể Python có một mô-đun hoặc gói có thể giúp công việc của bạn hiệu quả hơn nhiều
Gói Python là gì?
Các nhiệm vụ phức tạp được giải quyết tốt hơn từng bước, từng nhiệm vụ một. Đó là lý do tại sao các lập trình viên tạo và sử dụng các mô-đun hoặc bộ mã liên quan được lưu trong các tệp riêng biệt và nhằm giải quyết các nhiệm vụ cụ thể
Khi bạn có nhiều mô-đun khác nhau, chắc chắn bạn sẽ muốn nhóm và sắp xếp chúng. Gói Python là một thư mục của một tập hợp các mô-đun. Giống như bạn sắp xếp các tệp máy tính của mình thành các thư mục và thư mục con, bạn có thể sắp xếp các mô-đun thành các gói và gói con
Mỗi gói phải chứa một tệp có tên __init__.py. Tệp này thường bao gồm mã khởi tạo cho gói tương ứng
Đây là một ví dụ về gói my_model với ba gói phụ. training,
import numpy as np x = np.arange[0,100] y = x*2 z = x**20 và
import numpy as np x = np.arange[0,100] y = x*2 z = x**21
Để truy cập mã từ gói Python, bạn có thể nhập toàn bộ gói hoặc các mô-đun và gói con cụ thể của gói đó
Ví dụ: để có quyền truy cập vào mã được xác định trong
import numpy as np x = np.arange[0,100] y = x*2 z = x**22, bạn có thể
- Nhập nguyên kiện với
import numpy as np x = np.arange[0,100] y = x*2 z = x**2
0; - Nhập gói phụ
import numpy as np x = np.arange[0,100] y = x*2 z = x**2
1 vớiimport numpy as np x = np.arange[0,100] y = x*2 z = x**2
2; - Nhập mô-đun
import numpy as np x = np.arange[0,100] y = x*2 z = x**2
2 bằng một trong hai đoạn mã này.
______2
Bạn không nhất thiết phải tạo các gói Python của riêng mình để tận hưởng những lợi ích của công cụ này. Có nhiều gói tích hợp và bên thứ ba mà bạn có thể sử dụng trong công việc của mình. Cùng điểm lại các package Python phổ biến nhất năm 2021
10 gói Python hàng đầu năm 2021
Các gói Python hợp lý hóa nhiều quy trình quan trọng, như phân tích và trực quan hóa dữ liệu, xây dựng mô hình học máy, thu thập dữ liệu phi cấu trúc từ web và xử lý thông tin hình ảnh và văn bản một cách hiệu quả. Dưới đây là một số gói Python quan trọng nhất năm 2021
1. NumPy
NumPy là công cụ chính để tính toán khoa học bằng Python. Nó kết hợp tính linh hoạt và đơn giản của Python với tốc độ của các ngôn ngữ như C và Fortran
NumPy được sử dụng cho
- Các phép toán mảng nâng cao [e. g. thêm, nhân, cắt, định hình lại, lập chỉ mục]
- Các hàm toán học toàn diện
- Tạo số ngẫu nhiên
- phương trình đại số tuyến tính
- Biến đổi Fourier, v.v.
Với NumPy, bạn sẽ có được sức mạnh tính toán của mã được biên dịch, trong khi sử dụng cú pháp Python có thể truy cập. Không có gì ngạc nhiên khi có một hệ sinh thái khổng lồ gồm các gói và thư viện Python dựa trên sức mạnh của NumPy. Chúng bao gồm các gói phổ biến như gấu trúc, Seaborn, SciPy, OpenCV và các gói khác
2. gấu trúc
Nếu bạn làm việc với dữ liệu dạng bảng, chuỗi thời gian hoặc ma trận, pandas là gói Python dành cho bạn. Nó được biết đến như một công cụ nhanh chóng, hiệu quả và dễ sử dụng để phân tích và thao tác dữ liệu. Nó hoạt động với các đối tượng khung dữ liệu; . Khung dữ liệu có hàng và cột giống như bảng cơ sở dữ liệu hoặc bảng tính Excel
Trong số những thứ khác, gấu trúc có thể được sử dụng cho
- Đọc/ghi dữ liệu từ/tới tệp CSV và Excel và cơ sở dữ liệu SQL
- Định hình lại và xoay vòng bộ dữ liệu
- Bộ dữ liệu cắt, lập chỉ mục và đặt con
- Tổng hợp và chuyển đổi dữ liệu
- Hợp nhất và tham gia tập dữ liệu
Nếu bạn muốn tìm hiểu cách sử dụng khung dữ liệu trong gấu trúc và cách tính toán số liệu thống kê mô tả bằng các hàm thống kê cơ bản của nó, hãy cân nhắc tham gia khóa học Python tương tác cho Khoa học dữ liệu này
3. Matplotlib
Matplotlib là thư viện khám phá và trực quan hóa dữ liệu phổ biến nhất. Bạn có thể sử dụng nó để tạo các biểu đồ cơ bản như biểu đồ đường, biểu đồ, biểu đồ phân tán, biểu đồ thanh và biểu đồ hình tròn. Bạn cũng có thể tạo các hình ảnh động và tương tác với thư viện này. Matplotlib là nền tảng của mọi thư viện trực quan hóa khác
Thư viện cung cấp rất nhiều tính linh hoạt liên quan đến các ô định dạng và kiểu dáng. Bạn có thể tự do lựa chọn cách hiển thị nhãn, lưới, chú thích, v.v. Tuy nhiên, để tạo các biểu đồ phức tạp và hấp dẫn trực quan, bạn sẽ cần viết khá nhiều mã
Ví dụ: giả sử chúng ta muốn vẽ hai biểu đồ đường. y = 2x và z = x2, với x thuộc khoảng [0;
Trước tiên, chúng tôi sẽ tính toán các biến này bằng NumPy
import numpy as np x = np.arange[0,100] y = x*2 z = x**2
Sau đó, chúng tôi sử dụng Matplotlib để tạo hai ô con cho hai chức năng và tùy chỉnh định dạng và kiểu của chúng
import matplotlib.pyplot as plt %matplotlib inline plt.show[] fig, axes = plt.subplots[nrows=1, ncols=2, figsize=[12,2]] axes[0].plot[x,y, color="green", lw=3] axes[0].set_xlabel['x'] axes[0].set_ylabel['y'] axes[1].plot[x,z, color="blue", lw=2, ls='--'] axes[1].set_xlabel['x'] axes[1].set_ylabel['z']
Như bạn có thể thấy, cú pháp Matplotlib cho phép bạn có một số ô con trong một ô, đặt bất kỳ nhãn nào, chọn màu đường, chiều rộng, kiểu, v.v. Tuy nhiên, mọi hành động đều yêu cầu mã bổ sung và việc tạo cốt truyện hấp dẫn trực quan có thể trở thành một nhiệm vụ rất tẻ nhạt và tốn thời gian. Tùy thuộc vào nhiệm vụ của bạn, bạn có thể thấy hiệu quả hơn khi sử dụng gói trực quan hóa khác
Tìm hiểu kiến thức cơ bản về trực quan hóa dữ liệu bằng Python với khóa học Giới thiệu về Python cho Khoa học dữ liệu. Bạn sẽ học cách tạo trực quan hóa dữ liệu đơn giản với matplotlib
4. sinh ra biển
Seaborn là một giao diện cấp cao để vẽ đồ họa thống kê hấp dẫn chỉ với một vài dòng mã. Hãy xem nó hoạt động
Chúng tôi sẽ sử dụng bộ dữ liệu hoa iris nổi tiếng trong ví dụ của chúng tôi. Đối với những người không quen thuộc với nó, tập dữ liệu này bao gồm bốn tính năng – chiều dài và chiều rộng của đài hoa và cánh hoa – cho ba loài iris [Iris setosa, Iris virginica và Iris versicolor]. Chúng tôi muốn xem bốn tính năng này liên quan với nhau như thế nào tùy thuộc vào loài iris
Đây là cách hàm
import numpy as np x = np.arange[0,100] y = x*2 z = x**24 của seaborn giải quyết nhiệm vụ này. Lưu ý rằng bạn có thể tạo một cốt truyện phức tạp và hấp dẫn trực quan chỉ với ba dòng mã
import seaborn as sns iris = sns.load_dataset['iris'] sns.pairplot [iris, hue = 'species', palette = 'pastel']
Lưu ý cách tất cả các nhãn, kiểu và chú giải đã được đặt tự động. Tương tự, bạn có thể dễ dàng tạo các bản đồ nhiệt phức tạp, sơ đồ vĩ cầm, sơ đồ chung, lưới nhiều ô và nhiều loại sơ đồ khác với thư viện này
5. scikit-học
Bạn có muốn chạy hồi quy không? . Trong số những thứ khác, bạn có thể sử dụng scikit-learning để
- Xác định loại đối tượng có khả năng thuộc về [được sử dụng trong phát hiện gian lận, nhận dạng hình ảnh, phát hiện ung thư, v.v. ]
- Dự đoán một biến liên tục dựa trên các tính năng có sẵn [được sử dụng để dự đoán giá nhà và lạm phát]
- Nhóm các đối tượng tương tự thành các cụm [được sử dụng trong phân khúc khách hàng, phân tích mạng xã hội, v.v. ]
scikit-learning làm cho máy học với Python có thể truy cập được đối với những người có kinh nghiệm lập trình tối thiểu. Chỉ với một vài dòng mã, bạn có thể lập mô hình dữ liệu của mình bằng các thuật toán như rừng ngẫu nhiên, máy vectơ hỗ trợ [SVM], phương tiện k, phân cụm quang phổ, v.v.
6. yêu cầu
Thư viện này được thiết kế để thực hiện các yêu cầu HTTP với Python phản hồi nhanh hơn và thân thiện với người dùng hơn. Phương thức JSON trực quan do Yêu cầu cung cấp giúp bạn tránh thêm các chuỗi truy vấn vào URL theo cách thủ công. Với Yêu cầu, bạn có thể
- Tùy chỉnh, kiểm tra, ủy quyền và định cấu hình các yêu cầu HTTP
- Thêm tham số, tiêu đề và tệp nhiều phần
- Giải nén dữ liệu tự động
- Tải lên nhiều tệp cùng một lúc
Gói này thực sự là một phước lành cho người mới bắt đầu và người dùng nâng cao, khiến nó trở thành một trong những gói Python được tải xuống nhiều nhất
7. urllib3
urllib3 là một ứng dụng khách HTTP thân thiện với người dùng khác dành cho Python. Nó hiện là gói PyPi được tải xuống nhiều nhất và nó hỗ trợ các Yêu cầu và một số gói Python phổ biến khác. urllib3 cung cấp nhiều tính năng quan trọng còn thiếu trong các thư viện tiêu chuẩn
- Chỉ an toàn
- tổng hợp kết nối
- Đang thử lại yêu cầu
- Xử lý chuyển hướng HTTP
- Bảo hiểm kiểm tra đầy đủ
8. NLTK
Natural Language Toolkit [NLTK] là một trong những nền tảng Python hàng đầu để xử lý dữ liệu ngôn ngữ. Nó là một tập hợp các thư viện và chương trình xử lý ngôn ngữ cung cấp bộ công cụ cho
- phân loại
- Token hóa
- Nhét đầy
- gắn thẻ
- phân tích cú pháp
- lý luận ngữ nghĩa
NLTK là một công cụ hỗ trợ cho ngôn ngữ học tính toán trong Python. Nó được các nhà ngôn ngữ học, kỹ sư, nhà nghiên cứu và người dùng trong ngành đánh giá cao
Nếu bạn chưa quen với việc xử lý ngôn ngữ tự nhiên, bạn có thể hưởng lợi từ khóa học Làm việc với chuỗi trong Python, đây là một phần của khóa học Python dành cho Khoa học dữ liệu tương tác của chúng tôi
9. Cái gối
Nếu bạn làm việc với dữ liệu hình ảnh, hãy đảm bảo kiểm tra gói Gối. Nó là một nhánh của PIL [Thư viện hình ảnh Python] được phát triển thành một công cụ hiệu quả và dễ sử dụng để thao tác hình ảnh trong Python
Với Gối, bạn có thể
- Mở và lưu hình ảnh của các loại tệp khác nhau [JPEG, PNG, GIF, PDF, v.v. ]
- Tạo hình thu nhỏ cho hình ảnh
- Sử dụng bộ sưu tập các bộ lọc hình ảnh [e. g. MƯỢT, Mờ, SẮC]
Đây là một công cụ xử lý hình ảnh tuyệt vời cho người mới bắt đầu và nó có khả năng xử lý hình ảnh khá mạnh mẽ
10. người khó tính
Gói này cung cấp nhiều mô-đun để thử nghiệm mã mới, bao gồm các thử nghiệm đơn vị nhỏ và thử nghiệm chức năng phức tạp cho các ứng dụng và thư viện
Cú pháp đơn giản và bộ tính năng phong phú làm cho pytest trở thành một trong những gói Python được yêu thích nhất trong số các lập trình viên. Khung tự động hóa thử nghiệm này cung cấp
- Hỗ trợ tích hợp để khám phá thử nghiệm
- Đồ đạc mô-đun để thiết lập thử nghiệm [e. g. thiết lập kết nối cơ sở dữ liệu, URL, dữ liệu đầu vào]
- Kiến trúc plugin phong phú [hơn 315 plugin bên ngoài]
- Kiểm tra đơn vị tích hợp
pytest là một công cụ tuyệt vời để cải thiện chương trình của bạn. Và các chương trình được thử nghiệm tốt là các chương trình tốt
Đã đến năm 2021 – Đã đến lúc tìm hiểu các gói Python
Nếu bạn đang xem xét việc học các gói Python, bạn nên bắt đầu bằng cách học ngôn ngữ đó. Điều này sẽ mang lại lợi thế cạnh tranh đáng kể trong thị trường việc làm. Lập trình viên, nhà phân tích dữ liệu, nhà tiếp thị, nhân viên văn phòng, nhà khoa học, bác sĩ và thậm chí cả nghệ sĩ có thể cải thiện công việc hàng ngày của họ với Python
Để hiểu toàn diện về những điều cơ bản về Python cũng như kinh nghiệm với các trường hợp sử dụng trong thế giới thực, tôi khuyên bạn nên tham gia các bài học tương tác do LearnPython cung cấp. com