五大常用数据科学Python库

处理数据的过程消耗了人们在日常工作中的大量时间，而且我也经历过。我不仅处理过数值数据，还处理过文本数据，这需要大量的预处理，可以通过nltk、textblob和pyldavis等库来帮助。

[[375704]]

下面我将讨论这些库的概述和具体的功能、关于安装的代码，以及如何使用这些有益的库的示例。

Pandas

Pandas库[3]对于致力于探索性数据分析的数据科学家来说是一个必不可少的库。顾名思义，它使用pandas来分析你的数据，或者更具体地说，pandas数据帧。

以下是一些你可以从HTML报表中访问和查看的功能：

• 类型推断
• 唯一值
• 缺少值
• 分位数统计(例如，中位数)
• 描述性统计
• 直方图
• 相关性(如皮尔逊)
• 文本分析

如何安装?

使用pip：

 

pip install -U pandas-profiling[notebook] 
jupyter nbextension enable --py widgetsnbextension 
 
这种方式对我也很管用： 
 
pip install pandas-profiling 
import pandas_profiling 

 

例子：

下面是我们可以从profile report功能访问的可视化示例之一。可以看到一个易于理解的彩色的相关性可视化图。

 

 

局限性：

如果有一个大的数据集，这个概要报告可能需要相当长的时间。我的解决方案是要么简单地使用较小的数据集，要么对整个数据集进行采样。

NLTK

通常与nltk相关的术语是NLP，或者自然语言处理，它是数据科学(和其他学科)的一个分支，它更容易地包含对文本的处理。导入nltk之后，你可以更轻松地分析文本。

以下是你可以使用nltk访问的一些功能：

• 标记化文本(例如，[“标记化”，“文本”])
• 词性标记
• 词干提取和词形还原

如何安装：

 

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”, “long”, “sentence”, “with”, “words”] 

 

我们需分开每个单词，以便对其进行分析。

在某些情况下需要分隔单词。然后它们可以被标记、计数，机器学习算法的新指标可以使用这些输入来创建预测。利用nltk的另一个有用的特性是文本可以用于情感分析。情感分析在很多企业中都很重要，尤其是那些有客户评论的企业。现在我们讨论情感分析，让我们看看另一个有助于快速情感分析的库。

TextBlob

TextBlob[8]与nltk有很多相同的优点，但是它的情感分析功能非常出色。除了分析之外，它还具有利用朴素贝叶斯和决策树支持分类的功能。

以下是你可以使用TextBlob访问的一些功能：

• 标记化
• 词性标注
• 分类
• 拼写更正
• 情感分析

如何安装：

 

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) 

 

正常浮点范围为[-1.0，1.0]，而积极情感介于[0.0，1.0]之间。

分类：

 

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) 

 

你可以使用这个分类器对文本进行分类，该分类器将返回“pos”或“neg”输出。

这些来自textblob的简单代码提供了非常强大和有用的情感分析和分类。

pyLDAvis

另一个使用NLP的工具是pyLDAvis[10]。它是一个交互式主题模型可视化工具的库。例如，当我使用LDA(潜Dirichlet分布)执行主题模型时，我通常会看到单元格中的主题输出，这可能很难阅读。然而当它出现在一个很好的视觉总结中时，它会更有益，也更容易消化，就像pyLDAvis一样。

以下是你可以使用pyLDAvis访问的一些功能：

• 显示了前30个最突出的术语
• 有一个交互式调整器，允许你滑动相关性度量
• 显示x轴上的PC1和y轴上的PC2的热门主题
• 显示与大小对应的主题

总的来说，这是一种让人印象深刻的主题可视化方式，这是其他任何库都无法做到的。

如何安装：

 

pip install pyldavis 
 
import pyldavis 

 

例子：

为了看到最好的例子，这里有一个Jupyter Notebook[11]参考资料，它展示了这个数据科学库的许多独特和有益的特性: https://nbviewer.jupyter.org/github/bmabey/pyLDAvis/blob/master/notebooks/pyLDAvis_overview.ipynb

NetworkX

这个数据科学包NetworkX[13]，将其优势集中在生物、社会和基础设施网络可视化上。

以下是你可以使用NetworkX访问的一些功能：

• 创建图形、节点和边
• 检验图的元素
• 图结构
• 图的属性
• 多重图
• 图形生成器和操作

如何安装：

 

pip install networkx 
 
import networkx 

 

例子：

创建图形

 

import networkx 
 
graph = networkx.Graph() 

 

你可以与其他库协作，例如matplotlib.pyplot也可以创建图形的可视化(以数据科学家习惯于看到的方式)。

总结

如你所见，有很多有用的数据科学库可以很容易地访问。本文对一些探索性的数据分析库、自然语言处理库(NLP)和图形库做了一些说明。

我们讨论的顶级数据科学库、平台、包和模块包括：

 

Pandas Profiling 
 
NLTK 
 
TextBlob 
 
pyLDAvis 
 
NetworkX