本篇內容介紹了“常用數(shù)據(jù)科學Python庫有哪些”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

創(chuàng)新互聯(lián)專注為客戶提供全方位的互聯(lián)網綜合服務，包含不限于成都網站設計、成都網站建設、寬城網絡推廣、小程序設計、寬城網絡營銷、寬城企業(yè)策劃、寬城品牌公關、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運營等，從售前售中售后，我們都將竭誠為您服務，您的肯定，是我們最大的嘉獎；創(chuàng)新互聯(lián)為所有大學生創(chuàng)業(yè)者提供寬城建站搭建服務，24小時服務熱線：028-86922220，官方網址：www.cdcxhl.com

Pandas

Pandas庫[3]對于致力于探索性數(shù)據(jù)分析的數(shù)據(jù)科學家來說是一個必不可少的庫。顧名思義，它使用pandas來分析你的數(shù)據(jù)，或者更具體地說，pandas數(shù)據(jù)幀。

以下是一些你可以從HTML報表中訪問和查看的功能：

• 類型推斷

• 唯一值

• 缺少值

• 分位數(shù)統(tǒng)計(例如，中位數(shù))

• 描述性統(tǒng)計

• 直方圖

• 相關性(如皮爾遜)

• 文本分析

如何安裝?

使用pip：

pip install -U pandas-profiling[notebook] jupyter nbextension enable --py widgetsnbextension  這種方式對我也很管用：  pip install pandas-profiling import pandas_profiling

例子：

下面是我們可以從profile report功能訪問的可視化示例之一?？梢钥吹揭粋€易于理解的彩色的相關性可視化圖。

局限性：

如果有一個大的數(shù)據(jù)集，這個概要報告可能需要相當長的時間。我的解決方案是要么簡單地使用較小的數(shù)據(jù)集，要么對整個數(shù)據(jù)集進行采樣。

NLTK

通常與nltk相關的術語是NLP，或者自然語言處理，它是數(shù)據(jù)科學(和其他學科)的一個分支，它更容易地包含對文本的處理。導入nltk之后，你可以更輕松地分析文本。

以下是你可以使用nltk訪問的一些功能：

• 標記化文本(例如，[“標記化”，“文本”])

• 詞性標記

• 詞干提取和詞形還原

如何安裝：

pip install nltk import nltk

例子：

import nltk  thing_to_tokenize = “a long sentence with words”  tokens = nltk.word_tokenize(thing_to_tokenize)  tokens  returns:  [“a”, “l(fā)ong”, “sentence”, “with”, “words”]

我們需分開每個單詞，以便對其進行分析。

在某些情況下需要分隔單詞。然后它們可以被標記、計數(shù)，機器學習算法的新指標可以使用這些輸入來創(chuàng)建預測。利用nltk的另一個有用的特性是文本可以用于情感分析。情感分析在很多企業(yè)中都很重要，尤其是那些有客戶評論的企業(yè)?，F(xiàn)在我們討論情感分析，讓我們看看另一個有助于快速情感分析的庫。

TextBlob

TextBlob[8]與nltk有很多相同的優(yōu)點，但是它的情感分析功能非常出色。除了分析之外，它還具有利用樸素貝葉斯和決策樹支持分類的功能。

以下是你可以使用TextBlob訪問的一些功能：

• 標記化

• 詞性標注

• 分類

• 拼寫更正

• 情感分析

如何安裝：

pip install textblob  from textblob import TextBlob

例子：

情感分析：

review = TextBlob(“here is a great text blob about wonderful Data Science”)  review.sentiment  returns:  Sentiment(polarity=0.80, subjectivity = 0.44)

正常浮點范圍為[-1.0，1.0]，而積極情感介于[0.0，1.0]之間。

分類：

from textblob.classifiers import NaiveBayesClassifier  training_data = [(‘sentence example good one’, ‘pos’), (‘sentence example great two’, ‘pos’), (‘sentence example bad three’, ‘neg’), (‘sentence example worse four’, ‘neg’)]  testing_data = [(‘sentence example good’, ‘pos’), (‘sentence example great’, ‘pos’)]  cl = NaiveBayesClassifier(training_data)

你可以使用這個分類器對文本進行分類，該分類器將返回“pos”或“neg”輸出。

這些來自textblob的簡單代碼提供了非常強大和有用的情感分析和分類。

pyLDAvis

另一個使用NLP的工具是pyLDAvis[10]。它是一個交互式主題模型可視化工具的庫。例如，當我使用LDA(潛Dirichlet分布)執(zhí)行主題模型時，我通常會看到單元格中的主題輸出，這可能很難閱讀。然而當它出現(xiàn)在一個很好的視覺總結中時，它會更有益，也更容易消化，就像pyLDAvis一樣。

以下是你可以使用pyLDAvis訪問的一些功能：

• 顯示了前30個最突出的術語

• 有一個交互式調整器，允許你滑動相關性度量

• 顯示x軸上的PC1和y軸上的PC2的熱門主題

• 顯示與大小對應的主題

總的來說，這是一種讓人印象深刻的主題可視化方式，這是其他任何庫都無法做到的。

如何安裝：

pip install pyldavis  import pyldavis

例子：

為了看到最好的例子，這里有一個Jupyter Notebook[11]參考資料，它展示了這個數(shù)據(jù)科學庫的許多獨特和有益的特性:  https://nbviewer.jupyter.org/github/bmabey/pyLDAvis/blob/master/notebooks/pyLDAvis_overview.ipynb

NetworkX

這個數(shù)據(jù)科學包NetworkX[13]，將其優(yōu)勢集中在生物、社會和基礎設施網絡可視化上。

以下是你可以使用NetworkX訪問的一些功能：

• 創(chuàng)建圖形、節(jié)點和邊

• 檢驗圖的元素

• 圖結構

• 圖的屬性

• 多重圖

• 圖形生成器和操作

如何安裝：

pip install networkx  import networkx

例子：

創(chuàng)建圖形

import networkx  graph = networkx.Graph()

你可以與其他庫協(xié)作，例如matplotlib.pyplot也可以創(chuàng)建圖形的可視化(以數(shù)據(jù)科學家習慣于看到的方式)。

“常用數(shù)據(jù)科學Python庫有哪些”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關的知識可以關注創(chuàng)新互聯(lián)網站，小編將為大家輸出更多高質量的實用文章！