提高数据科学工作效率的 8 个Python库里！

器学习托，可备用分派机器学习岗位流。它还包括先导机器学习、预妥善处理、机器学习（除此以外可表述性）和 MLOps。

让我们想想他们网站上的一些也就是说示例，想想它是如何岗位的：

# load dataset from pycaret.datasets import get_data diabetes = get_data('diabetes') # init setup from pycaret.classification import * clf1 = setup(data = diabetes, target = 'Class variable') # compare models best = compare_models()

只需几行文档，就可以想法多个仿真，并在整个主要分类指标中对它们同步进行了来得。

它还意味着成立一个理论上的客户端来与仿真同步进行交互：

from pycaret.datasets import get_data juice = get_data('juice') from pycaret.classification import * exp_name = setup(data = juice, target = 'Purchase') lr = create_model('lr') create_app(lr)

再次，可以轻松地为仿真成立 API 和 Docker PDF：

from pycaret.datasets import get_data juice = get_data('juice') from pycaret.classification import * exp_name = setup(data = juice, target = 'Purchase') lr = create_model('lr') create_api(lr, 'lr_api') create_docker('lr_api')

没比这更为容易的了，对吧？

PyCaret是一个更为完整的托，在这里很难还包括所有表列内容，建议你今日流媒体并开始采用它来了解一些 其在实践中的能够。

5、floWeaver

FloWeaver 可以从流信息分散生成桑基平面图。如果你不并不知道什么是桑基平面图，这里有一个例子：

在说明了转转化漏斗、营销之旅或预算分配的信息时，它们更为有用（上例）。入口信息应采用表列JPEG：“光 x 目的 x 最大值”，只需一行文档即可成立此类平面图（更为具体，但也更为直觉）。

6、Gradio

如果你读到过机警信息现代科学，就不会并不知道具备一个让最终用户从项目开始就与信息同步进行交互的内侧界面是多么有帮助。一般情况下在Python中最常用是 Flask，但它对初学者不太友好，它能够多个PDF和一些 html、css 等基础知识。

Gradio 意味着您通过设置可用类型（文本、复选框等）、基本功能和可用来成立有用的界面。尽管它却是不如 Flask 可个性转化，但它更为直觉。

由于 Gradio 今日今日转入 Huggingface，可以在的网站上永久保护地 Gradio 仿真，而且是免费的！

7、Terality

了解 Terality 的最佳作法是将其视为“Pandas ，但速度更为太快”。这却是假定完全取而代之 pandas 并且需重新学习如何采用df：Terality 与 Pandas 具完全相同的词汇。实质上，他们甚至建议“import Terality as pd”，并独自按照直到今日的习惯上的作法同步进行区块。

它太快多少？他们的网站有时不会说它太快 30 倍，有时太快 10 到 100 倍。

另一个重要是 Terality 意味着有序转化并且它不在本地试运行，这假定您的 8GB RAM 笔记本电脑将不不会再出现 MemoryErrors！

但它在便是是如何运作的呢？了解 Terality 的一个不错的好比是可以认为他们在本地采用的 Pandas 兼容的词汇并编译成 Spark 的算出操作，采用Spark同步进行后端的算出。所以算出不是在本地试运行，而是将算出任务呈交到了他们的的平台上。

那有什么缺陷呢？每年底最多只能免费妥善处理 1TB 的信息。如果能够更为多则需每年底至少支付 49 美元。1TB/年底对于测试工具和个人项目可能不会绰绰有余，但如果你能够它来也就是说美国公司采用，无疑是要预约的。

8、torch-handle

如果你是Pytorch的采用者，可以试试这个托。

torchhandle是一个PyTorch的主要用途框架。它将PyTorch繁琐和每一次的体能训练文档形式转化出来，使得信息现代科学家们尽可能不会将精力放在信息妥善处理、成立仿真和模板优转化，而不是撰写每一次的体能训练循环文档。采用torchhandle，可以让你的文档更为加朴素易读，让你的开发任务更为加高效。

torchhandle将Pytorch的体能训练和推理每一次同步进行了形式转化校对和所含，只要采用几行文档就可以实现PyTorch的厚度学习管道。并可以生成完整体能训练研究报告，还可以集成tensorboard同步进行可视转化。

from collections import OrderedDict import torch from torchhandle.workflow import BaseConpython class Net(torch.nn.Module): def __init__(self, ): super().__init__() self.layer = torch.nn.Sequential(OrderedDict([ ('l1', torch.nn.Linear(10, 20)), ('a1', torch.nn.ReLU()), ('l2', torch.nn.Linear(20, 10)), ('a2', torch.nn.ReLU()), ('l3', torch.nn.Linear(10, 1)) ])) def forward(self, x): x = self.layer(x) return x num_samples, num_features = int(1e4), int(1e1) X, Y = torch.rand(num_samples, num_features), torch.rand(num_samples) dataset = torch.utils.data.TensorDataset(X, Y) trn_loader = torch.utils.data.DataLoader(dataset, batch_size=64, num_workers=0, shuffle=True) loaders = {"train": trn_loader, "valid": trn_loader} device = 'cuda' if torch.cuda.is_available() else 'cpu' model = {"fn": Net} criterion = {"fn": torch.nn.MSELoss} optimizer = {"fn": torch.optim.Adam, "args": {"lr": 0.1}, "params": {"layer.l1.weight": {"lr": 0.01}, "layer.l1.bias": {"lr": 0.02}} } scheduler = {"fn": torch.optim.lr_scheduler.StepLR, "args": {"step_size": 2, "gamma": 0.9} } c = BaseConpython(model=model, criterion=criterion, optimizer=optimizer, scheduler=scheduler, conpython_tag="ex01") train = c.make_train_session(device, dataloader=loaders) train.train(epochs=10)

下定义一个仿真，设置信息集，配置优转化内置、损失函数就可以备用体能训练了，确实和TF差不多了。

举例丨信息STUDIO 【声明】本文发行商归原制作游戏所有，表列内容为制作游戏个人观点，发表文章目的在于传导更为多信息，如牵涉到作品表列内容、发行商等缺陷，可关系本站截平面图，对不起。。

潍坊男科医院哪好
北京看妇科去哪家医院
重庆男科
天津男科医院哪家医院好
杭州看白癜风去哪里最好