Hướng dẫn what are the most popular python packages? - các gói python phổ biến nhất là gì?

Các gói Python cung cấp một cách thân thiện và hiệu quả của người mới bắt đầu để giải quyết các vấn đề phức tạp trong điện toán khoa học, trực quan hóa dữ liệu, mô hình dữ liệu và nhiều trường khác. Hãy xem xét các gói Python phổ biến nhất của 2021 cho các nhà phân tích và nhà 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; Nó được sử dụng trong nhiều ngành công nghiệp, bao gồm blockchain, vật lý, thiên văn học, y học, phát triển trò chơi và giải trí.

Python có một số tính năng chính làm cho 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 chào đón. Tuy nhiên, một trong những lý do chính để học Python là hệ sinh thái phong phú và đa dạng của ngôn ngữ. Hãy nghĩ về bất kỳ nhiệm vụ ngẫu nhiên nào và có một cơ hội tốt rằng 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 bước 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 mục đích giải quyết các tác vụ cụ thể.modules, or sets of related code saved in separate files and aimed at solving specific tasks.

Khi bạn có nhiều mô -đun khác nhau, chắc chắn bạn sẽ muốn nhóm và tổ chức 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 trình phụ, bạn có thể sắp xếp các mô-đun thành các gói và gói phụ.Python package is a directory of a collection of modules. Just as you organize your computer files into folders and sub-folders, you can organize modules into packages and sub-packages.

Mỗi gói phải chứa một tệp có tên __init__.py. Tệp này thường bao gồm mã khởi tạo cho gói tương ứng.

Dưới đây là một ví dụ về gói my_model với ba gói phụ: training, submission và metrics.

Để truy cập mã từ gói Python, bạn có thể nhập toàn bộ gói hoặc các mô-đun và gói phụ cụ thể của nó.

Ví dụ: để có quyền truy cập vào mã được xác định trong precision.py, bạn có thể:

• Nhập toàn bộ gói với

  import numpy as np
  x = np.arange(0,100)
  y = x*2
  z = x**2
  

  0;
• Nhập gói phụ metrics với

  import numpy as np
  x = np.arange(0,100)
  y = x*2
  z = x**2
  

  2;
• Nhập mô -đun precision.py với một trong những đoạn mã này: ________ 0
  

  import my_model.metrics.precision
  # or
  from my_model.metrics import precision
  

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. Hãy xem xét các gói Python phổ biến nhất cho năm 2021.

Các gói Python hợp lý hóa nhiều quy trình quan trọng, như phân tích và trực quan hóa dữ liệu, xây dựng các mô hình học máy, thu thập dữ liệu không có 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 của 2021:

1. Numpy

Numpy là công cụ chính để điện toán khoa học trong 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 hoạt động mảng nâng cao (ví dụ: thêm, nhân, lát, định hình lại, chỉ mục).
• Chức năng toán học toàn diện.
• Tạo số ngẫu nhiên.
• Các thói quen đại số tuyến tính.
• Fourier biến đổi, v.v.

Với Numpy, bạn đang nhận 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 của các gói python và thư viện dựa trên sức mạnh của sự vô hiệu. Chúng bao gồm các gói phổ biến như Gandas, Seaborn, Scipy, OpenCV và các gói khác.

2. Gandas

Nếu bạn làm việc với dữ liệu bảng, chuỗi thời gian hoặc ma trận, Gandas là gói Python của bạn. Nó được gọi là một công cụ nhanh, 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 là một cấu trúc chuyên dụng cho dữ liệu hai chiều. 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/đến các tệp CSV và Excel và cơ sở dữ liệu SQL.
• Định hình lại và xoay vòng bộ dữ liệu.
• Cắt, lập chỉ mục và tập hợp các bộ dữ liệu.
• Tổng hợp và chuyển đổi dữ liệu.
• Hợp nhất và tham gia bộ 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 cách sử dụng các chức năng thống kê cơ bản của nó, hãy xem xét việc thực hiện Python tương tác này cho theo dõi khoa học dữ liệu.

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 ra các biểu đồ cơ bản như sơ đồ dòng, biểu đồ, sơ đồ phân tán, biểu đồ thanh và biểu đồ hình tròn. Bạn cũng có thể tạo trực quan hoạt hình và tương tác với thư viện này. Matplotlib là nền tảng của mọi thư viện trực quan khác.

Thư viện cung cấp rất nhiều sự linh hoạt liên quan đến các lô định dạng và kiểu dáng. Bạn có thể tự do chọn cách hiển thị nhãn, lưới, truyền thuyết, v.v. Tuy nhiên, để tạo ra các lô phức tạp và hấp dẫn trực quan, bạn sẽ cần viết khá nhiều mã.

Ví dụ: giả sử chúng tôi muốn vẽ hai sơ đồ dòng: y = 2x và z = x2, trong đó x nằm trong phạm vi [0; 100].

Trước tiên chúng ta sẽ tính toán các biến này bằng cách sử dụng 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 dáng 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 dòng, chiều rộng, kiểu, v.v. Nhiệm vụ tẻ nhạt và tốn thời gian. Tùy thuộc vào nhiệm vụ của bạn, bạn có thể thấy hiệu quả hơn khi sử dụng một gói trực quan hóa khác.

Tìm hiểu những điều cơ bản của trực quan hóa dữ liệu trong Python với phần giới thiệu về Python cho khóa học khoa học dữ liệu. Bạn sẽ học cách tạo trực quan hóa dữ liệu đơn giản với matplotlib.

4. Seaborn

Seaborn là một giao diện cấp cao để vẽ đồ họa thống kê hấp dẫn chỉ với một vài dòng mã. Hãy xem nó trong hành 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, bộ dữ liệu này bao gồm bốn tính năng - chiều dài và chiều rộng của các sepals và cánh hoa - cho ba loài IRIS (Iris Setosa, Iris Virginica và Iris Versolor). Chúng tôi muốn xem bốn tính năng này liên quan đến nhau như thế nào tùy thuộc vào các loài mống mắt.

Đây là cách chức năng

import numpy as np
x = np.arange(0,100)
y = x*2
z = x**2

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 một huyền thoại đã được đặt tự động. Tương tự, bạn có thể dễ dàng tạo ra các bản đồ nhiệt phức tạp, lô violin, lô chung, lưới đa âm và nhiều loại lô khác với thư viện này.

5. SCIKIT-LEARN

Bạn có muốn chạy hồi quy? Hoặc có thể bạn có một vấn đề phân loại dữ liệu? Scikit-Learn là một công cụ hiệu quả và thân thiện với người mới bắt đầu để phân tích dữ liệu dự đoán. Trong số những thứ khác, bạn có thể sử dụng Scikit-learn để:

• Xác định loại nào một 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 trong 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-learn làm cho việc học máy với Python có thể truy cập được cho những người có kinh nghiệm lập trình tối thiểu. Chỉ với một vài dòng mã, bạn có thể mô hình hóa dữ liệu của mình bằng các thuật toán như Random Forest, Hỗ trợ Máy vector (SVM), K-MEAN, Phân cụm quang phổ, v.v.

6. Yêu cầu

Thư viện này được thiết kế để làm cho các yêu cầu HTTP với Python phản ứng nhanh hơn và thân thiện với người dùng. Phương pháp JSON trực quan được cung cấp bởi các yêu cầu giúp bạn tránh thêm các chuỗi truy vấn theo cách thủ công vào URL. Với các 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.
• Dữ liệu giải nén tự động.
• Tải lên nhiều tệp cùng một lúc.

Gói này là một phước lành thực sự cho người mới bắt đầu và người dùng nâng cao, làm cho nó trở thành một trong những gói Python được tải xuống nhiều nhất.

7. Urllib3

Urllib3 là một máy khách HTTP thân thiện với người dùng khác cho Python. Nó hiện là gói PYPI được tải xuống nhiều nhất và nó cung cấp năng lượng cho các yêu cầu và một số gói Python phổ biến khác. Urllib3 cung cấp nhiều tính năng quan trọng bị thiếu trong các thư viện tiêu chuẩn:

• An toàn chủ đề.
• Kết nối gộp.
• Yêu cầu thử lại.
• Đối phó với chuyển hướng HTTP.
• Bảo hiểm thử nghiệm đầy đủ.

8. NLTK

Công cụ ngôn ngữ tự nhiên (NLTK) là một trong những nền tảng Python hàng đầu để xử lý dữ liệu ngôn ngữ. Đây là một tập hợp các thư viện và chương trình xử lý ngôn ngữ cung cấp bộ công cụ cho:

• Classification.
• Tokenization.
• Stemming.
• Tagging.
• Parsing.
• Lý luận ngữ nghĩa.

NLTK là một công cụ sử dụng ngôn ngữ học tính toán trong Python. Nó được đánh giá cao bởi các nhà ngôn ngữ học, kỹ sư, nhà nghiên cứu và người dùng trong ngành.

Nếu bạn chưa quen với việc xử lý ngôn ngữ tự nhiên, bạn có thể được hưởng lợi từ việc làm việc với các chuỗi trong khóa học Python, đây là một phần của Python tương tác của chúng tôi cho theo dõi khoa học dữ liệu.

9. Gối

Nếu bạn làm việc với dữ liệu hình ảnh, hãy đảm bảo kiểm tra gói gối. Nó là một ngã ba của PIL (Thư viện hình ảnh Python) đã phát triển thành một công cụ dễ sử dụng và hiệu quả 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 một bộ sưu tập các bộ lọc hình ảnh (ví dụ: mịn, mờ, làm sắc nét).

Đây là một công cụ thao tác hình ảnh tuyệt vời cho người mới bắt đầu và nó có khả năng xử lý hình ảnh khá mạnh mẽ.

10. Pytest

Gói này cung cấp một loạt các mô -đun để kiểm tra mã mới, bao gồm các thử nghiệm đơn vị nhỏ và các thử nghiệm chức năng phức tạp cho các ứng dụng và thư viện.

Cú pháp đơn giản và một bộ tính năng mở rộng 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 cho khám phá thử nghiệm.
• Đồ đạc mô -đun để thiết lập thử nghiệm (ví dụ: thiết lập kết nối cơ sở dữ liệu, URL, dữ liệu đầu vào).
• Kiến trúc plugin phong phú (315+ plugin bên ngoài).
• Kiểm tra đơn vị tích hợp.

Pytest là một công cụ tuyệt vời để cải thiện các chương trình của bạn. Và các chương trình được thử nghiệm tốt là các chương trình tốt!

Đó là năm 2021 - Thời gian để học các gói Python!

Nếu bạn đang xem xét việc học các gói Python, bạn nên bắt đầu bằng cách học ngôn ngữ. Điều này sẽ mang lại một lợi thế cạnh tranh đáng kể trong thị trường việc làm. Các lập trình viên, nhà phân tích dữ liệu, nhà tiếp thị, nhân viên văn phòng, nhà khoa học, bác sĩ và thậm chí các nghệ sĩ có thể cải thiện công việc hàng ngày của họ với Python.

Để có được sự hiểu biết toàn diện về những điều cơ bản của Python cũng như kinh nghiệm với các trường hợp sử dụng trong thế giới thực, tôi khuyên bạn nên sử dụng các bài hát nghiên cứu tương tác được cung cấp bởi ReadyPhon.com:

• Python Basics là một ca khúc nhỏ dành cho những người muốn bắt đầu với lập trình. Nó bao gồm ba khóa học với tổng số 229 thử thách mã hóa. Các biến bao gồm các biến, nếu câu lệnh, vòng lặp, hàm, cấu trúc dữ liệu cơ bản, v.v. is a mini track for those who want to get started with programming. It includes three courses with a total of 229 coding challenges. These cover variables, if statements, loops, functions, basic data structures, and more.
• Tìm hiểu lập trình với Python là một phiên bản mở rộng của những điều cơ bản của Python với năm khóa học tương tác và 419 thách thức mã hóa, bạn sẽ vượt ra ngoài những điều cơ bản và có được trải nghiệm thực tế với các cấu trúc dữ liệu Python và thuật toán tích hợp. is an extended version of the Python Basics With five interactive courses and 419 coding challenges, you'll go beyond the basics and get practical experience with Python data structures and built-in algorithms.
• Python cho khoa học dữ liệu dành cho những người quan tâm đến phân tích dữ liệu và khoa học dữ liệu. Nó bao gồm năm khóa học và 329 thử thách mã hóa bao gồm các gói gandas và matplotlib, làm việc với các chuỗi trong Python và xử lý các tệp CSV, Excel và JSON. is for those interested in data analytics and data science. It includes five courses and 329 coding challenges that cover the pandas and Matplotlib packages, working with strings in Python, and processing CSV, Excel, and JSON files.

Thưởng. Dưới đây là một số ý tưởng cho các dự án khoa học dữ liệu đầu tiên của bạn. Chúc vui vẻ! Here are some ideas for your first data science projects. Have fun!

10 thư viện Python hàng đầu là gì?

Gói Python được tải xuống nhiều nhất là gì?

Tôi nên học các gói python nào?