十大最受欢迎机器学习Python库，建议收藏，过期不候

随着人工智能的迅速发展，机器学习达到了顶峰。今天我们来看看最流行的机器学习库（ML），希望你以后能找到你的武器。

Pipenv

pipenv是今年初管理依赖官方推荐工具。pipenv最初是一个项目由Kenneth Reitz创建，其目的是整合其他软件包管理器的创新，比如故宫或纱，Python。安装virtualenv和virtualenvwrapper，确保依赖版本的依赖版本的重复性（读这方面的详情）。Pipenv，你可以指定所有的依赖性，通常使用命令来添加，删除或更新的依赖。该工具可以生成一个文件，使您的构建具有确定性，可以帮助您避免难以捕获的bug。

这里还是要推荐下小编的Python学习群:483546416，不管你是小白还是大牛，小编我都欢迎，不定期分享干货，包括小编自己整理的一份2017最新的Python资料和0基础入门教程，欢迎初学和进阶中的小伙伴。在不忙的时间我会给大家解惑。

PyTorch

DLT的框架，pytorch，脸谱网今年推出的，在深入学习社区是非常受欢迎。pytorch是建立在一个受欢迎的火炬框架，特别是基于Python。考虑到过去几年人们一直在使用Python进行数据科学研究，这也是大多数学习库使用Python的原因。

最重要的事情是，pytorch已成为许多研究者最喜欢的框架，因为它实现了一种新的动态计算图的范例。当你写代码的框架中，如TensorFlow、CNTK，或MXNet，你必须首先定义一个叫图。该图指定了我们的代码将运行的所有操作，稍后将进行编译，并通过帧进行优化，以便它能在GPU上更快地运行。这个例子被称为静态图形，因为您可以使用各种优化，并且一旦构建了这个数字，就可以在不同的设备上运行。然而，在诸如自然语言处理之类的任务中，工作负载通常是可变的。在图像被提供给算法之前，图像被调整成固定的分辨率，但是可变长度的句子不能被处理。这只是反映了pytorch和动态图表的优点。通过让您在代码中使用标准的Python控制命令，图形将在执行时定义，并给您更多的空闲空间，这对于几个任务是必不可少的。

当然，pytorch也将自动计算梯度和速度是非常快的，它是可扩展的。

Caffe2

这可能听起来不现实，脸谱网还发布了另一个DL框架，牛奶，今年。原来的Caffe框架已被广泛使用多年，以其很好的性能和测试代码库。然而，DL最近的趋势使得这个框架在某些方面有所突破。所以牛奶代替了它。

牛奶支持分布式部署，培训，并支持最新的CPU和CUDA硬件。虽然pytorch可能更适合研究，牛奶更适合大规模部署。事实上，你可以建立和pytorch训练模型，并将其部署与牛奶！那不是很好吗？

Pendulum

去年，箭头的目的是让您更轻松，同时使用Python日期时间类进入列表，而今年是Pendulum。

一个摆的优点是，它是Python标准DateTime类的直接替代品，所以你可以很容易地将它与现有的代码，只在需要的时候使用它。作者特别注意确保时区得到正确处理，并默认每个实例时区的时区被感知。你也会得到一个扩展timedelta，所以它更容易的日期和时间。

与其他库不同，它致力于使api可预测。如果您正在做一些与日期有关的小事情，请查看更多文档。

Dash

如果你是做科学的数据，你可以使用优秀的工具，如大熊猫、scikit在Python的系统学习。你也可以使用jupyternotebook来管理你的工作流程。但是当你和那些不知道如何使用这些工具的人一起工作时，你会怎么做呢？如何构建一个界面，让人们在整个过程中轻松地播放数据并可视化它们？在过去，您可能需要一个专业的JavaScript前端团队来构建这些GUI。

最近几年发布了一个用于构建Web应用程序的开源库，尤其是一个使用纯Python语言中的数据可视化的Web应用程序。它是建立在瓶、Plotly.js，和反应，并提供了一个接口，所以你不需要学习这些框架的高效发展。如果你想更多地了解短跑的有趣应用，请点击这里。

PyFlux

Python中的许多库用于研究数据科学和ML，但当数据随时间变化时，如股票价格、仪器测量等，这对大多数库来说是一个棘手的问题。

pyflux是一个开源库的Python，特别是时间序列的发展。时间序列研究是统计学和计量经济学的一个分支，它可以描述时间序列是如何表达的（由潜在因素或利益特征表示）和预测未来行为。

pyflux允许时间序列建模的使用，和现代时间序列GARCH模型等已实施。

Fire

通常，您需要为项目创建一个命令行接口（CLI）。除了传统的argparse，Python提供了一些工具，点击和docopt。谷歌今年发布的一个软件库，已经采取了不同的方法来解决这个问题。

火灾是一个开源库。它可以为任何python项目自动生成CLI。钥匙是自动的。您几乎不需要编写任何代码或文档来构建CLI。你只需要调用一个火方法并把它传递给它需要构建的CLI。

如果你想知道更多，请阅读指南，因为这个图书馆可以节省你很多时间。

Imbalanced-learn

在理想情况下，我们将得到完全平衡的数据集，但不幸的是，现实世界是不一样的。有些任务的数据非常不平衡。例如，在预测信用卡交易中的欺诈行为时，您期望绝大多数交易（99.9%）是合法的。ML算法的幼稚训练可能会导致令人失望的性能，因此在处理这些类型的数据集时需要特别小心。

幸运的是，不平衡学习是一个Python包。给出了解决这些问题的一些方法，并给出了一些技术实现。它兼容scikit学习和部分scikit学贡献项目。

FlashText

如果你需要寻找一些文本和取代它与其他内容（最喜欢的数据清理刘成中），它通常将正则表达式。通常，正则表达式是解决这个问题的完美方法。但有时会出现这样的情况：需要搜索的术语数是数千个，然后正则表达式可能变得非常缓慢。在这一点上，FlashText是一个更好的选择，大大提高了整个手术的时间（从5到15分钟）。flashtext的优点是，无论多少个搜索条件，运行时间是相同的，而正则表达式的运行时间与条件数线性增长。

flashtext证明重要的数据结构和算法设计，即使是简单的问题，更好的算法可以很容易地超过最快的CPU。

Luminoth

在现实生活中，图像无处不在，理解其内容对多个应用程序至关重要。幸运的是，由于DL的发展，图像处理技术有了很大的提高。

luminoth是一个开源的计算机视觉，是与TensorFlow和十四行诗内置Python工具包。目前，它能以模型的目标检测支持更快r-cnn。

Luminoth不仅是一个具体的模型的实现，但基于模块化和可扩展性，所以我们可以重用现有的代码或推广新的模式来处理不同的问题。它提供了对工程如DL模型施工方便：您的数据转换是用来提供数据管道（tensorflow记录）格式，在多GPU强化训练数据，绩效评价指标，tensorboard可视化，并用一个简单的API浏览器界面或部署训练有素。这个模型，让人们使用。

其他优秀Python库：

PyVips

你可能从来没有听说过的libvips图书馆，首先，它是一个图像处理库，如枕头或ImageMagick，支持各种格式。但是，相比于其他图书馆，libvips具有更快的速度和更少的内存。pyvips是最近发布的Python绑定包libvips，这与Python 2.7-3.6兼容（即便PyPy）和易于使用的PIP。如果您需要在应用程序中进行某种形式的图像处理，请考虑它。

Requestium

有时候，你需要一些自动化网络中的操作，如爬行网站，测试应用程序，填写网页表格，如果你想在不公开API的网站上进行操作，自动化是必要的。Python有一个很好的请求库，它允许你执行一些这样的操作，但是不幸的是，你请求的HTML代码可能不是表单。您可以尝试查找表单来填充自动化任务。解决这个问题的方法是逆向工程的JavaScript代码，这意味着需要很多时间来调试。另一种选择是求助于像硒这样的库，它允许您以编程方式与Web浏览器交互并运行JavaScript代码。有了这个，这个问题就可以解决了。

的requestium库允许你开始和无缝地从请求切换到硒的使用，它可以用来作为一个请求直接替换。它还集成了Parsel，很快把所有的用来在页面上找到的元素比其他方式选择器。

skorch

如果你喜欢用scikit学习的API，你需要使用pytorch做工作。别担心，skorch是一个软件包，可以通过sklearn一样的界面，提供pytorch编程。如果您熟悉这些库，语法就很容易理解了。与skorch，你得到一些抽象的代码，所以你可以把更多的精力放在真正重要的事情，比如做数据科学。