8個可以提高數(shù)據(jù)科學(xué)工作效率、節(jié)省寶貴時間的Python庫

來源：DeepHub IMBA
本文約2900字，建議閱讀5分鐘
在進行數(shù)據(jù)科學(xué)時，可能會浪費大量時間編碼并等待計算機運行某些東西。所以我選擇了一些 Python 庫，可以幫助你節(jié)省寶貴的時間。

1、Optuna

2、ITMO_FS

>>> from sklearn.linear_model import SGDClassifier
>>> from ITMO_FS.embedded import MOS

>>> X, y = make_classification(n_samples=300, n_features=10, random_state=0, n_informative=2)
>>> sel = MOS()
>>> trX = sel.fit_transform(X, y, smote=False)

>>> cl1 = SGDClassifier()
>>> cl1.fit(X, y)
>>> cl1.score(X, y)
0.9033333333333333

>>> cl2 = SGDClassifier()
>>> cl2.fit(trX, y)
>>> cl2.score(trX, y)
0.9433333333333334

3、shap-hypetune

“SHAP（SHapley Additive exPlanations）是一種博弈論方法，用于解釋任何機器學(xué)習(xí)模型的輸出?！?/span>

4、PyCaret

# 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()

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)

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')

5、floWeaver

在顯示轉(zhuǎn)化漏斗、營銷旅程或預(yù)算分配的數(shù)據(jù)時，它們非常有用（上例）。入口數(shù)據(jù)應(yīng)采用以下格式：“源 x 目標 x 值”，只需一行代碼即可創(chuàng)建此類圖（非常具體，但也非常直觀）。

6、Gradio

7、Terality

8、torch-handle

from collections import OrderedDict
import torch
from torchhandle.workflow import BaseContext


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 = BaseContext(model=model,
? ? ? ? ? ? ? criterion=criterion,
? ? ? ? ? ? ? optimizer=optimizer,
? ? ? ? ? ? ? scheduler=scheduler,
? ? ? ? ? ? ? context_tag="ex01")
train = c.make_train_session(device, dataloader=loaders)
train.train(epochs=10)