作者 Igor Bobriakov
编译 Mika
本文为 CDA 数据分析师原创作品，转载需授权
在解决数据科学任务和挑战方面，Python继续处于领先地位。去年，我对当时热门的Python库进行了总结。今年，我在当中加入新的库，重新对2018年热门Python库进行全面盘点。
其实入选的库远不止20个，但由于一些库针对相同问题是可以相互替代的，因此没有纳入其中。
1. NumPy（提交：17911，贡献者：641）
首先介绍科学应用方面的库，其中NumPy是不可忽视的选择。NumPy用于处理大型多维数组和矩阵，并通过大量的高级数学函数和实现方法进行各种操作。
在过去一年里，NumPy进行了大量改进。除了bug修复和兼容性问题之外，还涉及到样式可能性，即NumPy对象的格式化打印。
2. SciPy（提交：19150，贡献者：608）
科学计算方面的另一个核心库是SciPy。SciPy基于NumPy，因此扩展了NumPy的功能。SciPy的主要数据结构是由Numpy实现的多维数组。当中包括许多解决线性代数、概率论、积分等任务的工具。
SciPy的主要改进包括，持续集成到不同操作系统，以及添加的新功能和新方法。此外，还封装了许多新的BLAS和LAPACK函数。
3. Pandas（提交：17144，贡献者：1165）
Pandas是一个Python库，提供高级数据结构和各种分析工具。主要特点是能够将相当复杂的数据操作转换为一两条命令。Pandas包含许多用于分组、过滤和组合数据的内置方法，以及时间序列功能。
Pandas库已推出多个新版本，其中包括数百个新功能、增强功能、bug修复和API改进。这些改进包括分类和排序数据方面，更适合应用方法的输出，以及执行自定义操作。
4. StatsModels（提交：10067，贡献者：153）
Statsmodels是一个Python模块，用于统计模型估计、执行统计测试等统计数据分析。在它的帮助下，你可以使用机器学习方法进行各种绘图尝试。
Statsmodels在不断改进。今年加入了时间序列方面的改进和新的计数模型，即广义泊松、零膨胀模型和负二项。还包括新的多变量方法 ——因子分析、多元方差分析和方差分析中的重复测量。
5. Matplotlib（提交：25747，贡献者：725）
Matplotlib是用于创建二维图表和图形的低级库。使用Matplotlib，你可以构建直方图、散点图、非笛卡尔坐标图等图表。此外，许多热门的绘图库都能与Matplotlib结合使用。
Matplotlib在颜色、尺寸、字体、图例等方面都有一定改进。外观方面包括坐标轴图例的自动对齐；色彩方面也做出改进，对色盲更加友好。
6. Seaborn（提交：2044，贡献者：83）
Seaborn是基于matplotlib库更高级别的API。它包含更适合处理图表的默认设置。此外，还包括时间序列等丰富的可视化图库。
Seaborn的更新包括bug修复。同时，还包括FacetGrid与PairGrid的兼容性，增强了matplotlib后端交互，并在可视化中添加了参数和选项。
7. Plotly（提交：2906，贡献者：48）
Plotly能够让你轻松构建复杂的图形。Plotly适用于交互式Web应用程序。可视化方面包括等高线图、三元图和三维图。
Plotly不断增加新的图像和功能，对动画等方面也提供了支持。
8. Bokeh（提交：16983，贡献者：294）
Bokeh库使用JavaScript小部件，在浏览器中创建交互式和可缩放的可视化。Bokeh提供了多种图形集合、样式，并通过链接图、添加小部件和定义回调等形式增强互动性。
Bokeh在交互式功能的进行了改进，比如旋转分类标签、小型缩放工具和自定义工具提示字段的增强。
Pydot用于生成复杂的定向图和非定向图。它是用Python编写的Graphviz接口。使用Pydot能够显示图形结构，这经常用于构建神经网络和基于决策树的算法。
10. Scikit-learn（提交：22753，贡献者：1084）
Scikit-learn是基于NumPy和SciPy的Python模块，并且是处理数据方面的不错选择。Scikit-learn为许多机器学习和数据挖掘任务提供算法，比如聚类、回归、分类、降维和模型选择。
Scikit-learn已做出了许多改进。改进包括交叉验证、使用多个指标，近邻取样和逻辑回归等训练方法也有小的改进。主要更新还包括完善常用术语和API元素的术语表，这能帮助用户熟悉Scikit-learn中的术语和规则。
11. XGBoost / LightGBM / CatBoost（提交：3277/1083/1509，贡献者：280/79/61）
梯度提升(gradient boosting)是最流行的机器学习算法之一，这在决策树模型中是至关重要的。因此我们需要重视XGBoost、LightGBM和CatBoost。这几个库都用相同的方式解决常见问题。这些库能够更优化、扩展且快速地实现梯度提升，从而它们在数据科学家和Kaggle竞争中备受追捧，其中许多人在这些算法的帮助下赢得了比赛。
通常机器学习模型预测的结果并不特别清晰，这时就需要用到eli5了。它可以用于可视化和调试机器学习模型，并逐步跟踪算法运行情况。同时eli5能为scikit-learn，XGBoost，LightGBM，lightning和sklearn-crfsuite库提供支持。
13. TensorFlow（提交：33339，贡献者：1469）
TensorFlow是用于深度学习和机器学习的热门框架，由谷歌大脑开发。TensorFlow能够用于多个数据集的人工神经网络。TensorFlow的主要应用包括对象识别、语音识别等等。
新版本中加入了新的功能。最新的改进包括修复安全漏洞，以及改进TensorFlow和GPU集成，比如能在一台机器上的多个GPU上运行评估器模型。
14. PyTorch（提交：11306，贡献者：635）
PyTorch是一个大型框架，能通过GPU加速执行tensor计算，创建动态计算图并自动计算梯度。此外，PyTorch为解决神经网络相关的应用提供了丰富的API。
PyTorch基于Torch，它是用C语言实现的开源的深度学习库。Python API于2017年推出，从此之后该框架越来越受欢迎，并吸引了大量数据科学家。
15. Keras（提交：4539，贡献者：671）
Keras是用于神经网络的高级库，可运行与TensorFlow和Theano。现在由于推出新版本，还可以使用CNTK和MxNet作为后端。它简化了许多任务，并大大减少了代码数量。但缺点是不适合处理复杂任务。
Keras在性能、可用性、文档即API方面都有改进。新功能包括Conv3DTranspose层、新的MobileNet应用等。
16. Dist-keras / elephas / spark-deep-learning（提交：1125/170/67，贡献者：5/13/11）
由于越来越多的用例需要大量的精力和时间，深度学习问题变得更为重要。但是，使用Apache Spark之类的分布式计算系统能够更容易处理大量数据，这又扩展了深度学习的可能性。
因此dist-keras、elephas、和spark-deep-learning变得更为普及，由于它们有能用于解决相同任务，因此很难从中取舍。这些包能够让你在Apache Spark的帮助下，直接通过Keras库训练神经网络。Spark-deep-learning还提供了使用Python神经网络创建管道的工具。
17. NLTK（提交：13041，贡献者：236）
NLTK是一组库，是进行自然语言处理的平台。在NLTK的帮助下，你可以通过多种方式处理和分析文本，对其进行标记和提取信息。NLTK还可用于原型设计和构建研究系统。
NLTK的改进包括API和兼容性的小改动，以及CoreNLP的新接口。
18. SpaCy（提交：8623，贡献者：215）
SpaCy是自然语言处理库，具有出色的示例、API文档和演示应用。该库用Cython编写，Cython是C语言在Python的扩展。它支持将近30种语言，提供简单的深度学习集成，并能确保稳定性和高准确性。SpaCy的另一个强大功能是无需将文档分解，整体处理整个文档。
19. Gensim（提交：3603，贡献者：273）
Gensim是Python库，用于语义分析、主题建模和矢量空间建模，建立在Numpy和Scipy之上。它提供了word2vec等NLP算法实现。尽管gensim拥有自己的models.wrappers.fasttext实现，但fasttext库也可用于词语表示的高效学习。
20. Scrapy（提交：6625，贡献者：281）
Scrapy可用于创建扫描页面和收集结构化数据。另外，Scrapy还可以从API中提取数据。由于其可扩展性和便携性，Scrapy非常好用。
今年Scrapy的更新包括代理服务器升级，以及错误通知和问题识别系统。这也为使用scrapy解析机械能元数据设置提供了新的方法。
以上就是2018年数据科学方面的Python库的整理。与去年相比，一些新的库越来越受欢迎，数据科学方面常用的库也在不断改进。
以下的表格显示了github上各个库的统计数据。
尽管今年我们扩大了列表，但仍然可能有一些库没有包含在内，欢迎留言补充。
原文链接：
https://medium.com/activewizards-machine-learning-company/top-20-python-libraries-for-data-science-in-2018-2ae7d1db8049
