近幾年Python火到沒朋友，而它大火離不開這五點，簡單易學、免費開源、可移植性、面向對象、
豐富的庫。
要知道Python標準庫非常龐大，它可以幫助處理各種工作，包括正則表達式、文檔生成、單元測試、線程、數據庫、網頁瀏覽器、CGI、FTP、電子郵件、XML、XML-RPC、HTML、WAV文件、密碼系統、GUI（圖形用戶界面）、Tk和其他與系統有關的操作。這也是Python被稱“功能齊全”的主要原因，除了標準庫以外，還有許多其他高質量的庫，如wxPython、Twisted和Python圖像庫等等。今天我們就來說說2019 Python程序員必須要學的10個庫。
01
TensorFlow
TensorFlow是一個基於數據流編程（dataflow programming）的符號數學系統，被廣泛應用於各類機器學習（machine learning）算法的編程實現，其前身是谷歌的神經網絡算法庫DistBelief。它擁有多層級結構，可部署於各類服務器、PC終端和網頁並支持GPU和TPU高性能數值計算，被廣泛應用於谷歌內部的產品開發和各領域的科學研究。
TensorFlow由谷歌人工智能團隊谷歌大腦（Google Brain）開發和維護，擁有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在內的多個項目以及各類應用程序接口（Application Programming Interface, API）。自2015年11月9日起，TensorFlow依據阿帕奇授權協議（Apache 2.0 open source license）開放源代碼。
TensorFlow提供Python語言下的四個不同版本：CPU版本（tensorflow）、包含GPU加速的版本（tensorflow-gpu），以及它們的每日編譯版本（tf-nightly、tf-nightly-gpu）。TensorFlow的Python版本支持Ubuntu 16.04、Windows 7、macOS 10.12.6 Sierra、Raspbian 9.0及對應的更高版本，其中macOS版不包含GPU加速。安裝Python版TensorFlow可以使用模塊管理工具pip/pip3或anaconda並在終端直接運行。
02
Numpy
NumPy系統是Python的一種開源的科學計算庫，主要用於科學計算和數據分析，可用來存儲和處理大型矩陣，比Python自身的嵌套列表結構要高效的多。
NumPy 的前身 Numeric 最早是由 Jim Hugunin 與其它協作者共同開發的。2005 年，Travis Oliphant 在 Numeric 中結合了另一個同性質的程序庫 Numarray 的特色，並加入了其它擴展開發了NumPy。
NumPy（Numeric Python）提供了許多高級的數值編程工具，如：矩陣數據類型、矢量處理以及精密的運算庫。專為進行嚴格的數字處理而生。多為很多大型金融公司使用，以及核心的科學計算組織像Lawrence Livermore，NASA用其處理一些本來使用C++，Fortran或Matlab等所做的任務。
03
Keras
Keras是一個由Python編寫的開源人工神經網絡庫，是基於 Python 的深度學習庫，可以作為Tensorflow、Microsoft-CNTK和Theano的高階應用程序接口，進行深度學習模型的設計、調試、評估、應用和可視化。
Keras支持現代人工智能領域的主流算法，包括前饋結構和遞歸結構的神經網絡，也可以通過封裝參與構建統計學習模型。在硬件和開發環境方面，Keras支持多操作系統下的多GPU並行計算，可以根據後臺設置轉化為Tensorflow、Microsoft-CNTK等系統下的組件。Keras的主要開發者是谷歌工程師François Chollet，此外其GitHub項目頁面包含6名主要維護者和超過800名直接貢獻者。
你知道什麼時候可以使用Keras嗎？第一，允許簡單而快速的原型設計；第二，在 CPU 和 GPU 上無縫運行；第三，同時支持卷積神經網絡和循環神經網絡以及兩者的組合。要提醒大家的是Keras 兼容Python 2.7-3.6，但是Python2馬上就要謝幕了，小夥伴們要注意啦！
04
Scikit-Learn
近日Scikit-Learn官方發佈0.22版本，作為深受機器學習翫家青睞的Python庫，包含眾多頂級機器學習算法，像分類、迴歸、聚類、模型選擇、數據預處理等等。
Scikit-learn 是基於Python語言的機器學習工具，一款簡單高效的數據挖掘和數據分析工具，可供大家在各種環境中重複使用，是建立在 NumPy ，SciPy 和 matplotlib 上
開源Python庫。
你需要了解的Scikit-learn特性：交叉驗證、特徵提取、無監督學習算法。Scikit-learn，是基於SciPy針對機器學習領域發展出的一個分支版本，它本身不支持深度學習，不支持GPU加速，需要NumPy和SciPy等其他包的支持。作為Python語言針對機器學習而開發的一個開源框架，它只做機器學習的擴展，只採用經過廣泛驗證的算法。
05
PyTorch
PyTorch是使用GPU和CPU優化的深度學習的Python庫。作為非常有可能改變深度學習領域前景的Python庫，主要用於提供一個具有靈活性的深度學習開發平臺。當然它的工作流程非常接近Python的科學計算庫——numpy，同時PyTorch有易於使用的API，擁有Python的支持、動態計算圖、多gpu支持、自定義數據加載器和簡化的預處理器等優點。PyTorch更有利於研究人員、愛好者、小規模項目等快速搞出原型，因此自2007年問世以來，吸引了越來越多的機器學習開發人員。
06
Eli5
ELI5是一個Python庫，允許使用統一API可視化地調試各種機器學習模型。它內置了對多個ML框架的支持，並提供了一種解釋黑盒模型的方法，有助於調試機器學習分類器並解釋它們的預測，主要是用於處理文本分類的機器學習。
它為以下機器學習框架和包提供支持：
▪ scikit-learn。目前，ELI5允許解釋scikit-learning線性分類器和迴歸量的權重和預測，將決策樹打印為文本或SVG，顯示特徵重要性並解釋決策樹和基於樹的集合的預測，支持Pipeline和FeatureUnion。ELI5通過scikit-learn瞭解文本處理實用程序，並可相應地突出顯示文本數據。它還允許通過撤消散列來調試包含HashingVectorizer的scikit-learn管道。
▪ XGBoost，顯示功能重要性並解釋XGBClassifier，XGBRegressor和xgboost.Booster的預測。
▪ LightGBM，顯示功能重要性並解釋LGBMClassifier和LGBMRegressor的預測。
▪ lightning，解釋閃電分類器和迴歸量的權重和預測。
▪ sklearn-crfsuite。ELI5允許檢查sklearn_crfsuite.CRF模型的權重。
ELI5還實現了幾種檢測黑盒模型的算法：
▪ TextExplainer允許使用LIME算法解釋任何文本分類器的預測。有一些實用程序可以將LIME與非文本數據和任意黑盒分類器一起使用，但此功能尚在實驗中。
▪ Permutation Importance方法可用於計算黑盒估計器的特徵重要性。
07
SciPy
Python在科學計算領域最受歡迎的庫，你知道嗎？numpy、SciPy、matplotlib，現在我們就來說說SciPy，這個建立在numpy基礎上，方便、易於使用且專為科學和工程設計的Python庫，它包括了統計、優化、整合以及線性代數模塊、傅里葉變換、信號和圖像圖例，常微分方差的求解等等。
SciPy (pronounced “Sigh Pie”) is open-source software for mathematics, science, and engineering.
Scipy包含的一些強大功能你需要了解下：最優化、線性代數、積分、插值、擬合、特殊函數、快速傅里葉變換、信號處理、圖像處理、常微分方程求解器等。
SciPy因為可以輕鬆地處理積分、線性代數以及常微分方程求解等，常被用於數學、科學、工程學等領域……
08
LightGBM
去年知乎有近千人圍觀“如何看待開源LightGBM？”要知道它一度被評價為“速度驚人”“支持分佈式”“代碼清晰易懂”“佔用內存小”。那LightGBM到底如何呢？LightGBM是一個高性能、分佈式的基於決策樹算法的梯度提升框架，可用於排序，分類，迴歸以及很多其他的機器學習任務中，具有訓練速度快，效率高；內存使用率更低；更精確；支持並行和GPU學習；能夠處理大規模數據等優點。
LightGBM在很多方面表現的比XGBoost優秀的多：像更快的訓練效率、低內存、更高的準確率、支持並行化學習、可處理大規模數據以及支持使用category特徵，深受機器學習開發人員的歡迎。
09
Theano
Theano是一個可以在CPU或GPU上運行，可以讓你去定義，優化，計算數學表達式，特別是多維數組（numpy.ndarray）的Python庫。作為Python深度學習中的一個關鍵基礎庫，它結合了計算機代數系統（computer algebra system ，CAS) 的特徵和優化編譯器的功能，可以直接用以創建深度學習模型或包裝庫，簡化程序。
Theano的5個特點你需要知道：和Numpy 緊密結合；支持GPU運算，比CPU快140倍；速超快，穩定性佳；能夠動態生成C代碼，計算表達式的速度快到超乎你的想象；支持單元測試。
10
Pandas
Pandas是Python的一個數據分析包，最初由AQR Capital Management於2008年4月開發，並於2009年底開源出來，目前由專注於Python數據包開發的PyData開發team繼續開發和維護，屬於PyData項目的一部分。Pandas最初被作為金融數據分析工具而開發出來，因此，pandas為時間序列分析提供了很好的支持。
作為一個強大的分析結構化數據的工具集，它的使用基礎是Numpy（提供高性能的矩陣運算），用於數據挖掘和數據分析，同時也提供數據清洗功能。
你必須知道的兩大利器：利器一，DataFrame是Pandas中的一個表格型的數據結構，包含有一組有序的列，每列可以是不同的值類型(數值、字符串、布爾型等)，DataFrame即有行索引也有列索引，可以被看做是由Series組成的字典。利器二，它是一種類似於一維數組的對象，是由一組數據(各種NumPy數據類型)以及一組與之相關的數據標籤(即索引)組成。僅由一組數據也可產生簡單的Series對象。
Pandas 是基於NumPy 的一種工具，該工具是為了解決數據分析任務而創建的。Pandas 納入了大量庫和一些標準的數據模型，提供了高效地操作大型數據集所需的工具。
Pandas提供了大量能使我們快速便捷地處理數據的函數和方法。你很快就會發現，它是使Python成為強大而高效的數據分析環境的重要因素之一。
以上10種功能強大的Python庫，希望對你日後的學習和工作有所幫助。
閱讀更多 路飛學城Luffycity 的文章
