你知道这些包吗？所以我们都可能知道动态数据科学三重奏，Numpy、Pandas和Matplotlib。您可能熟悉这些包及其工作原理。当然，您可能还喜欢使用其他一些很棒的软件包，例如Plotly、Seaborne、Scikit-Learn、Tensorflow和Pytorch。尽管这些都是很棒的包，但仍有数百万个用于Pythonic机器学习的包，其中一些已被理解，而另一些则完全未知！№1：Gleam你听说过Plotly，听说过Matplotlib，也许听说过Seaborn，但你可能没听说过Gleam。Gleam是一款出色的工具，可用于创建带有页面、面板和按钮的交互式可视化效果。这些交互式网络可视化也与网络完全集成，这意味着您可以将它们放入从网站到端点的任何地方！Gleam使用wtforms进行交互，并且可以使用任何范围内的不同可视化工具来实际显示数据。如果你想要一个很酷的交互式面板，基本上可以与任何图形库一起使用，那么Gleam就是适合你的模块！№2：表好吧，我知道你在想什么，“为什么不直接使用Pandas？”这当然是一个可行的论点。Table包使列表成为Pandas的轻量级替代品。使用Table.py比使用Pandas.py更容易读取海量数据集，这实际上是它进入此列表的唯一原因。总的来说，我会说在某些情况下这可能是工作包，但在大多数情况下，我只是坚持使用importpandasaspd№3:Shogun>(src=https://www.shogun-toolbox.org/)Shogun是一个用C++编写的机器学习库，它也恰好有一个Python端口。Shogun的一大优点是它可以在许多不同的编程语言中使用，并且在这方面相对统一。如果您要用Python学习Shogun，您可以将这些知识应用到它支持的任何其他语言中，这太棒了！Shogun拥有广泛的尖端机器学习算法，这当然是任何科学家都能欣赏的。当然，它也是开源的，并在GNU通用许可证下发布，这总是一个加分项！№4：OpenCVOpenCV是另一个很棒的机器学习包，实际上最初是由英特尔开发的。尽管有其专有根源，但OpenCV是开源的，并在FreeBSD许可下发布。OpenCV真正酷的地方之一是它专注于实时计算机视觉。与Shogun一样，OpenCV最初是用C++编写的，但具有与Python和其他语言的接口。№5:Mlpy>(src=http://mlpy.sourceforge.net/)Mlpy为有监督和无监督学习提供了广泛的最先进的机器学习方法。与同行不同，它旨在为数据科学提供一种一体化的方法。虽然它在这一点上有点过时，但对于Pythonic机器学习引起的巨大包爆炸来说，它无疑是一个很好的开端。尽管年代久远，但我认为它仍然值得一试。这是由于它的易用性、有趣的算法和包容性。Mlpy试图创建一个在可再现性、调制性和效率之间取得平衡的包。我认为这个包是成功的，因为其中许多想法似乎以某种方式在翻译中丢失了，尽管许多对应的更新更频繁并且当然包括行业标准。这是有道理的，因为这些是由大量开发人员用C语言编写的巨大包，但是，我认为这可能是使用它们的一个缺点。结论就是这样，我认为有五个包是无法辨认的，而且它们所取得的成就很少受到赞扬。虽然这些包真的很酷，但我相信您可以向您的Pip环境添加数百甚至数千个其他很棒的模块，这些模块也很棒且闻所未闻！Python具有压倒性的优势，这也是它如此强大的部分原因！不断学习如何使用新模块将使您的知识库不断扩大，并使您的程序员保持活跃！
