什么是一些被低估的Python库?

在本文中，我们将学习一些被低估的Python库。以下是Python中一些被低估的库列表.

• Emmett

• Jam.py

• Missingo

• Emot

• Shogun

• Blaze

• Bamboolib

• Swifter

• Caffe

• Myia

• Featuretools

• Altair

• AutoViz

更多Python相关文章，请阅读：Python 教程

Emmett

Emmett Web框架是第一个受到低估和低估的软件包。Emmett Web框架是灵活的，可以用于Web开发中的许多不同应用程序。

另一个优点是Emmett Web框架相对简单易用。它使用Flask-like语法，如果您已经熟悉Flask，那么学习起来也相对简单。

Jam.py

Jam.py是此列表中下一个被低估的Python软件包。Jam.py是另一个卓越完成一个任务的Web框架。该软件包用于创建数据驱动的仪表板，且非常擅长此项工作。该软件包的一个特别酷的功能是，即使您不知道如何编程也可以使用它。该软件包将开始一个Web服务器会话。可以通过网络浏览器加入此会话，而大多数情况下可以忽略您的代码使用交互式集成开发环境。

在我看来，这是仪表板的一种非常酷的方法。即使是专业程序员也会欣赏不必编写任何代码。这使得Jam.py成为Python用户和非编程人员的非常酷和独特的解决方案。

Missingo

Missingo可以通过更有效地使用数据可视化来协助管理缺失值。Missingo包括基于matplotlib的四种类型的图表，以更好地理解缺少数据。这些图表包括条形图，热力图，矩阵和树状图。

Emot

现在，每个人都普遍使用表情符号。对于处理涉及表情符号的文本数据的开发人员来说，这可能很困难。Emot是一个库，允许开发人员从文本数据中取消表情符号。该库与Python 2和Python 3都非常兼容。

Shogun

Shogun是此列表中下一个专注于机器学习的软件包。 Shogun是一个机器学习库，最初是用C ++构建的，然后通过API转换成Python。虽然Shogun不遵循Sklearn为机器学习建立的Python编程语言的标准约定，但软件包仍包含足够的代码来很好地支持其模型。该软件实际上非常强大且易于使用。

Blaze

关于Blaze，Blaze模块只是冰山一角。Blaze是Python中常用的计算和机器学习工具集合。像Dask这样可以加速Python算法的模块总是受到欢迎。 Blaze生态系统中有许多非常有用的工具。

返回到Blaze软件包，此软件包用于一致地查询各种类型的数据存储。 Blaze可用于轻松地在格式之间移动数据，并使SQL、Hadoop / Spark和本地数据使用一致的调用运行。

Bamboolib

数据分析和可视化是最重要但也是最耗时和最棘手的过程。

Bamboolib是一个适用于Jupyter Notebook或JupyterLab中的pandas DataFrames、具备图形用户界面(GUI)的库。它以智能和极度有用的数据分析、可视化和管理信息的特点著称。由于不需要编程技能，因此即使没有编程背景的人也可以使用它。

Swifter

Swifter是一个只有一个简单函数的库，它可以使apply()操作更快速。这是通过一种更高效的apply()方法实现的，该方法仅适用于Pandas Series对象。

Caffe

Caffe是一个为表达、速度和模块化而设计的深度学习框架。该包非常出色，由于其模块化的特性，该框架非常多变、高效。这些组件都是可拆卸的，一起工作形成网络。此外，强调速度，因此这个包绝对值得探索一下，其中包括一些快速模型。

Myia

我们想包括这个包是因为我们认为它真的很神奇。Myia是一种为高性能而设计的编程语言。它可通过Python访问，并专注于比Python更快。其想法是在Python前台编写时，让Myia在后台运行。

Featuretools

另一个非常重要的软件是Featuretools。特征工程可能很困难，特别是当您不确定要从哪些特征进行工程时。另一方面，Featuretools通过自动化特征选择来解决这个问题。在某些方面，自动化机器学习非常有趣。无论有多有趣，我们强烈建议检查此包，因为它可以节省大量时间的应用场景非常多。

Altair

在这个列表中，我们强烈推荐下载Altair。Altair是一个统计图形自动化包。从表面上看，这似乎是一个相当奇怪的想法。老实说，我们对这个软件的功能有所怀疑。然而，Altair生成了一些非常惊人的数据可视化，它们非常有启发性。看着人工智能为我们做出选择和可视化是一种令人惊讶的经历。

AutoViz

对于做探索性数据分析任务的最低估值库之一。该库对于数据可视化活动非常有用，可以处理巨大的数据集。要检索数据可视化，可以使用一个代码。只需输入JSON、CSV或txt文件，库将帮助进行可视化操作。

结论

此清单展示了我们有多么幸运，能够拥有Python的出色、不断扩展的工具生态系统。由于每项工作都有许多令人惊奇的解决方案，因此我们甚至最终得到了某些工作的自动化解决方案。有了这些精彩的工具包，Python的终极杰作现在已经完美了。