python关联分析库_Python依赖关系分析

如果您使用Python编程语言，你可能已经在某个时候运行命令了：

pip install [package]

你可能不知道的是幕后发生的魔法。pip命令连接到Pypi server，然后搜索你想要的包。一旦发现那个包，它就下载并运行一个名为setup.py的特殊Python文件，其中包含包了关于此包的一堆元数据。

知道了这一点，我决定去看看从Pypi服务器上的每个包的setup.py文件中可用的元数据中，有什么是我可以学习的。有一些可能的事情：

从每个包中解析所有依赖。我所指的依赖是给定包依赖的其他Python包。

解析包描述，并尝试对它做一些有趣的事。也许在某些时候我会写一个马尔可夫链文本生成器来生成Python包名称和描述。另一个更有趣的事情是用一些自然语言处理算法来分析包描述

为其中每一个包总结出的版本字符串，并找到那些奇怪的值/异常值。

在以后的文章中，我可能会访问其他选项，但在这里我将关注依赖关系。这篇文章的重点是编程语言，因此必然是比其他更具技术性。尽管如此，我试图让所有人可以访问它，并清楚地解释我在做什么。如果你不关心我是怎么想出依赖细节问题的，那么跳到“依赖关系分析”一节。

解析包依赖关系

我需要做的第一件事只是找出给定包的依赖关系。这竟然是比它应该拥有的更难的一种方式。该命令

pip show [package]

为给定的包给出了一堆元数据，包括其运行所需的一切，但 只有当你有安装的包，它才能工作！我不会在我或其他人的计算机上安装PyPI上的每一个包，所以不得不寻找更hack的方式来做到这一点。原来，Olivier Girardot在几年前做了一个类似的项目，所以我把他的代码作为一个起点。

我做的第一件事是下载PyPI上的每一个包，并提取setup.py文件以及它上面有关键字”requirement”的任何文件或目录。

def extract_package(name, client=xmlrpclib.ServerProxy('http://pypi.python.org/pypi')):

"""

Save the setup.py and any file or directory with the word 'requirement'

in it.

"""

# Try all releases for each package

for release in client.package_releases(name):

outdir = 'packages/{}-{}/'.format(name, release)

doc = client.release_urls(name, release)

if doc:

# Find the source .tar.gz tarball (the packages come in several formats)

url = None

for d in doc:

if d['python_version'] == 'source' and d['url'].endswith('gz'):

url = d['url']

if url:

# Download the tarball

req = requests.get(url)

if req.status_code != 200:

print("Could not download file {}".format(req.status_code))

else:

# Save the tarball to disk, and extract the relevant files

ensure_dir('{}'.format(outdir))

with open('/tmp/temp_tar', 'w') as tar_file:

tar_file.write(req.content)

with open('/tmp/temp_tar', 'r') as tar_file:

return _extract_files(tar_file, name=outdir)

# Loop over all pypi packages

for package in packages:

extract_package(package, client)

第一步给我留下了一堆包含每个pypi包所有元数据的目录。接下来，我使用了requirements-detector包的一个稍微修改过的版本来解析出必备条件。包执行以下操作：

搜索setup.py文件中的install_requires关键字，然后尝试从中解析包名。

如果步骤一失败，搜索其中的单词’requirement’的所有文件，然后查找那些看起来像是python必备条件的东西。

如果失败了，搜索目录中任何以’.txt’结尾的文件，以查找包含’requirement’并且看起来像是python必备条件的东西。

将找到的必备条件输出到一个文本文件中。

使用pypi上的[Math Processing Error]包，我能够为20522个包解析必备条件。剩下的包可能真的需要其他包，但是，用这种方式写的setup.py文件是难以解析的。不管那些可能会在一些复杂的方式上使得结果有所偏差，但是我厌烦了处理这些数据，所以让我们继续进行有趣的部分。

依赖关系分析

现在，我有所有PyPI服务器上的(很多)包的依赖关系，我想看看我能学到什么。我做的第一件事就是做一张依赖关系网络图(点击图片进行互动版)：

网络图可视化Python包是如何彼此依赖的。每个点(或节点，用图形理论的说法)表示一个Python包，每行(或边)表示两个包之间的依赖关系。这实际上是一个有向图，其中，“astropy依赖于numpy，而不是其他”这种说法是有道理的。

将这个网络图与Olivier Girardot在几年前提出的版本相比，我们立即看到Python的生态系统得到了大幅增长，并且变得更加连通。事实上，我在这里展示的网络比我有数据要小得多，因为我删除的任何具有“数学处理错误(Math Processing Error)”连接的包。该网络的大部分集中在requests模块，表明python是大部分用于与互联网进行交互。

该图底部附近的簇是由zope框架引起的。同时，从一个python聚会上一个短暂的交谈，我了解到zope是一个早期的Web框架。它类似于更现代并且更有名的django库。

网络统计

这个图漂亮并且好玩，但是我们可以真正从中学到什么呢？

包的重要性

首先是：什么是最重要的包？事实证明，没有回答这个问题的唯一方法。回答这个第一个方法是使用所谓的“节点核心”。这基本上是在问什么节点拥有最多的连接。PageRank算法，谷歌排名网站来决定向你展示什么的方法之一，就是有关节点核心的。接下来的两张图显示依据度(它们具有连接数)，以及依据PageRank进行排序的前10个节点：

这两种方法或多或少提供了相同的答案，并且它们与直觉保持一致。requests库是最重要的节点，接着是django。numpy和cython包在很大程度上用于科学计算，也就是python生态系统的另一个重要组成部分。

我们也可以尝试用“中间中心”概念来确定重要的包。这里的想法是，要找到网络中的每两个节点之间的最短路径。节点的中间中心是经过该节点的这些最短路径的部分。一个很好的例子是机场网络：很多飞机在到达它们目的地的途中经过的主要枢纽，因而具有较高的中间中心。下面是该度量的前十名：

测量重要的包这种方式提供了很不同的包。有很多关于测试框架和文档的包，它们并不是如我所关心的那样真正运行时依赖。这只是表明了测量重要的包的不同方式可以给出非常不同的答案！我赞成用节点核心评估这个网络，因为它提供了与我的直觉更加符合的答案。

开发社区

虽然我们有重要的包列表，但是我们可以更进一步，并探寻python中存在哪些不同的社区？这更困难，并且它与NP完全团问题相关。对这些问题的解决是非常缓慢：用大O符号标记法，它是[数学处理错误]，其中，[数学处理错误]是由指定算法设置的一个常量。对于在我的网络中的[数学处理错误]个结点，它们相当棘手。幸运的是，有很多人一直努力在更大的数据(Facebook，谷歌等)上解决这样的问题。恰好有一个基于聚类的方法，它对于这个网络工作良好。该算法在这里进行了详细说明，并在community代码进行了实现。下面是它如何工作的：

在自己的社区中开始所有节点

对于每个节点，测试通过将其放入作为它的邻居(它被连接到的节点之一)的同一社区中，“模块化”是否增加。如果是这样，这两个节点合并成一个社区。

继续，直到对于任何一个节点没有更多的增益被发现。

创建一个新的网络，其中每个节点现在是在上述集中找到的社区。

多次重复步骤1-4，直到模块化不再增加。

我们可以可视化使用邻接矩阵的算法发现的网络和社区：

在该图中，x轴和y轴都是节点(包)。如果节点之间存在一条边，那么节点之间的交叉点被着以黑点。我们找到的社区是沿着矩阵对角线的大正方形的集合。正方形越大，存在该社区中的包越多。正方形“越黑”，该社区的完全连接更多(例如，非常暗的社区表明，该社区中的每一个包依赖于在社区中几乎所有的其他包)。

我标记了前十名最大的社区，并根据PageRank算法找到了社区中最重要的包。以下是对于每个标记社区我的发现。请记住，我并不使用大多数这些包，所以描述什么包做什么的时候，我可能会有点偏差！

flask和bottle包集中在该社区。这些都是Web服务器框架，并提供一个简单的方法来建立一个Web服务器。

这个社区有很多大体相同的重要节点，其中包redis, tornado, 和pyzmq。我真的不知道所有这些有什么统一的地方-我知道ipython/jupyter notebook都要求tornado和pyzmq，但这些包并不在这个社区中。

这是pydata社区，也是我最熟悉的社区。它由numpy统治，并带有来自于scipy, matplotlib,和pandas小一点的贡献。

这个社区有很多测试和文档包。

这是到目前为止由django包(用于生成动态网站的一个非常强大的矿区)统治的社区。

这个社区是由requests以及一些其他用于web接口/抓取的工具主导的。

这个社区是由distribute包主导的，但实际上它是我上面描述的Zope社区。这是唯一在网络图视觉上可区分的社区。

我觉得这个社会专注于静态网站的开发和配置。有来自于pyyamml和jinja2包的强大的展示功能。

这个社区看起来像含有少量但有用的工具：argparse, decorator, pyparsing都有强大的展示功能。

这个有目前据我所知的一个相当大的各种包。在这个社区中最重要的包是sqlalchemy，这是一个SQL查询的Python接口。

度分布

我会看的最后一件事是网络的一个全局属性：每个节点有多少边(每个包多少包依赖)的分布。

这是一个幂律分布，它表明，对于少数一些包，有很多很多东西依赖它们，但大多数包只有依赖于它们的几个其他的包。我们可以从节点中心的方法(看起来也像幂律)猜到这个形状。一个幂律度分布告诉了我们关于此图的什么事情呢？一个可能的解释是“富者愈富”情景：已经被多次使用的包在谷歌搜索结果中排名在前，所以新包的开发人员也使用它们。例如，几乎所有科学家都使用matplotlib绘图包，因此它们的代码都需要matplotlib。Python程序员使用的一个更小的集合，例如，bokeh库绘制。原因很可能只是因为matplotlib是“python plotting”的第一个谷歌搜索结果。这种解释是由以下事实所支持的：最重要的包的往往是相当古老的; 它们有更多的时间来积累临界数量的用户。

下载

该包依赖关系数据作为csv文件可在这里获得：

该分析是用一系列的jupyter notebook完成的，你可以在这里仅从查看和下载：