Pandas和Matplotlib。您可能已经熟悉这些包及其工作原理。您肯定还想尝试其他很酷的软件包，例如Plotly、Seaborne、Scikit-Learn、Tensorflow和Pytorch等等。它们都很好，Python中有数百万个用于机器学习的包，其中一些被低估，还有一些完全未知！本文将带您认识这些隐藏的宝石。1.GleamGleam可能很多人都没有听说过，它是一个非常棒的创建带有页面、面板和按钮的交互式可视化项目的工具。这些交互式Web可视化也与Web完全集成，这意味着它们可以放在从网站到端点的任何地方。Gleam使用wtforms进行交互，并且可以使用任何不同的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窗格，基本上可以与任何图形库一起使用，那么Gleam是你的绝佳选择。2、pandas中没有使用Table，为什么要使用Table？这当然是一种可行的方法。Table包使这个列表成为pandas的简单轻量级替代品，并且使用Table.py读取大型数据集比使用Pandas.py更容易。总的来说，它在某些情况下可能更合适。importpandasaspd3.MlpyMlpy提供了大量用于监督和非监督学习的高级机器学习方法。与同类产品不同，它旨在为数据科学提供一种一体化的方法。虽然有点过时，但对于快速增长的Python机器学习包来说无疑是一个良好的开端。它的易用性、有趣的算法和包容性是比较亮点。Mlpy试图创建一个平衡可重复性、模块化和效率的包。该包在这方面取得了成功，因为虽然它的许多同行更新得更频繁并且肯定是行业标准，但其中许多想法似乎在汇编中丢失了。因为这些是由成千上万的开发人员用C语言编写的巨大包，所以这可能也是使用它们的缺点。4.ShogunShogun是一个用C++编写的机器学习库，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，并且比较统一。学习Shogun，您可以将所学应用到任何其他受支持的语言。Shortgun拥有广泛的前沿机器学习算法，而且它也是开源的，并在GNU（自由软件基金会）通用许可证下发布，这是一个加分项。5.OpenCVOpenCV最初是由Intel开发的。虽然是Intel独有的软件包，但它是开源的并在FreeBSD许可下发布。使OpenCV如此出色的一件事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。说实话，这五款包的人气都不够，评价也少之又少。这些包真的很酷，但可以肯定的是，还有成百上千个其他很酷的模块可以添加到Pip环境中，这些模块也很棒但鲜为人知。Python拥有完善的生态系统和许多可供挖掘的包，这就是它如此强大的原因。不断学习新的模块也能让你的头脑保持活跃。
