Python是最流行的编程语言之一，广泛应用于科学计算：计算机视觉、人工智能、数学、天文学等领域，同样适用于机器学习也就不足为奇了。当然，它也有一些缺点；其中之一是工具和库过于分散。如果你是一个unix头脑的人，你会发现每个工具只做一件事并且把它做好非常方便。但您还需要了解不同库和工具的优缺点，以便在构建系统时做出明智的决定。工具本身并不能改进系统或产品，但使用正确的工具，我们可以更有效地工作并提高生产力。因此，了解适合您工作领域的正确工具非常重要。本文的目的是列举和描述可用于Python的最有用的机器学习工具和库。在此列表中，我们不要求这些库是用Python编写的，只要它们具有Python接口即可。我们在***也有一个关于深度学习的小部分，因为它最近也引起了相当多的关注。我们的目的不是列出Python中的所有机器学习库（Python包索引(PyPI)在搜索“机器学习”时返回139个结果），而是列出我们知道有用且维护良好的库。此外，尽管某些模块可用于各种机器学习任务，但我们仅列出主要关注机器学习的库。例如，虽然Scipy包括一些聚类算法，但它的主要重点不是机器学习，而是一个综合的科学计算工具集。所以我们排除了Scipy（尽管我们也使用它！）。另外要提到的是，我们还根据它们与其他科学计算库的集成来评估这些库，因为机器学习（监督或非监督）也是数据处理系统的一部分。如果您使用的库与数据处理系统的其余部分不匹配，您将花费大量时间在不同库之间创建中间层。在您的工具集中拥有一个出色的库很重要，但该库与其他库的良好集成也很重要。如果你擅长其他语言，但也想使用Python包，我们也简要介绍如何与Python集成以使用本文列出的库。Scikit-LearnScikitLearn是我们在CBInsights选择的机器学习工具。我们将其用于分类、特征选择、特征提取和聚类。我们的最爱之一是它具有易于使用的一致API，并提供了大量开箱即用的评估、诊断和交叉验证方法（听起来很熟悉？Python还提供了“电池就绪”（译注）：指的是开箱即??用的方法。锦上添花的是它在引擎盖下使用了Scipy数据结构，这与使用Scipy、Numpy、Pandas和Matplotlib进行科学计算的Python的其余部分非常吻合。因此，如果您想可视化分类器的性能（例如，使用精确召回图或接收器操作特征(ROC)曲线），Matplotlib可以帮助快速可视化。考虑清理和构建数据所花费的时间，使用这个库可以非常方便，因为它可以与其他科学计算包紧密集成。此外，它还包含有限的自然语言处理特征提取功能，以及词袋（bagofwords），tfidf（TermFrequencyInverseDocumentFrequency算法），预处理（stopwords/stop-words，自定义预处理，分析器）。此外，如果您想在小型数据集（玩具数据集）上快速执行不同的基准测试，它自己的数据集模块提供了通用且有用的数据集。你也可以根据这些数据集创建自己的小数据集，以便在将模型应用到现实世界之前，根据自己的目的测试模型是否符合预期。对于参数优化和参数调整，它还提供网格搜索和随机搜索。如果没有强大的社区支持或维护不善，这些功能都不可能实现。我们期待它的第一个稳定版本。StatsmodelsStatsmodels是另一个专注于统计模型的强大库，主要用于预测和探索性分析。如果您想拟合线性模型、执行统计分析或预测建模，Statsmodels非常有用。它提供的统计测试相当全面，涵盖了大多数验证任务的情况。如果您是R或S用户，它还为某些统计模型提供R语法。它的模型还接受Numpy数组和Pandas数据框，使中间数据结构成为过去！PyMCPyMC是制作贝叶斯曲线的工具。它包含用于贝叶斯模型、统计分布和模型收敛以及一些分层模型的诊断工具。如果你想做贝叶斯分析，你应该去看看。ShogunShogun是一个专注于支持向量机(SVM)的机器学习工具箱，用C++编写。它被积极地开发和维护，提供了一个Python接口，并且是最好的文档化接口。然而，我们发现它的API与Scikit-learn相比很难使用。此外，现成可用的诊断和评估算法并不多。但是，速度是一个很大的优势。GensimGensim被定义为“人类主题建模”。它的主页描述了它的重点是LatentDirichletAllocation(LDA)及其变体。与其他包不同，它支持自然语言处理，更容易将NLP与其他机器学习算法结合起来。如果你的领域是NLP，想做聚合和基础分类，可以看看。目前，他们介绍了word2vec，谷歌基于递归神经网络的文本表示。该库仅用Python编写。OrangeOrange是本文列出的所有库中唯一具有图形用户界面(GUI)的库。它对于分类、聚类和特征选择方法以及一些交叉验证方法来说相当全面。它在某些方面（分类方法、一些预处理能力）优于Scikit-learn，但在适配其他科学计算系统（Numpy、Scipy、Matplotlib、Pandas）方面不如Scikit-learn。但是，包含GUI是一个重要的优势。您可以可视化交叉验证、模型和特征选择方法的结果（某些特征需要安装Graphviz）。对于大多数算法，Orange都有自己的数据结构，因此需要将数据包装成与Orange兼容的数据结构，这使得学习曲线更加陡峭。PyMVPAPyMVPA是另一个统计学习库，其API类似于Scikit-learn。包括交叉验证和诊断工具，但不如Scikit-learn全面。深度学习尽管深度学习是机器学习的一个分支，但我们在这里单独创建一个分支的原因是它确实吸引了Google和Facebook人才招聘部门的大量关注。TheanoTheano是最成熟的深度学习库。它提供了一个很好的数据结构（张量，tensor）来表示神经网络的层，这对于线性代数来说非常高效，类似于Numpy的数组。需要注意的是，它的API可能不是很直观，用户的学习曲线会很高。有许多基于Theano的库利用其数据结构。它还支持开箱即用的GPU编程。PyLearn2还有另一个基于Theano的库PyLearn2，它向Theano引入了模块化和可配置性。您可以通过不同的配置文件来创建神经网络，这样可以更轻松地尝试不同的参数。可以说，如果把神经网络的参数和属性分离到配置文件中，它的模块化就更强大了。DecafDecaf是加州大学伯克利分校最近发布的一个深度学习库。它在Imagenet分类挑战赛中进行了测试，发现其神经网络实现非常先进（stateofart）。Nolearn如果你想在深度学习中使用优秀的Scikit-learn库API，封装了Decaf的Nolearn会让你更容易使用。它是Decaf的包装器，与Scikit-learn（大部分）兼容，使Decaf更加令人难以置信。OverFeatOverFeat是最近猫狗大战（kaggle挑战赛）的获胜者，它是用C++编写的，还包含一个Python包装器（以及Matlab和Lua）。通过Torch库使用GPU，因此速度很快。还赢得了ImageNet分类的检测和定位挑战。如果计算机视觉是你的领域，你可能想看一看。HebelHebel是另一个具有开箱即用的GPU支持的神经网络库。你可以通过YAML文件（类似于Pylearn2）来确定神经网络的属性，它提供了神级网络和代码的友好分离，并且可以快速运行模型。由于开发时间短，文档在深度和广度上都比较匮乏。就神经网络模型而言，也是有限制的，因为只支持一种神经网络模型（正反馈，前馈）。然而，它是用纯Python编写的，并且将成为一个友好的库，因为它包含许多实用功能，例如我们在其他库中找不到的调度程序和监视器。NeurolabNeuroLab是另一个API友好（类似于Matlabapi）的神经网络库。与其他库不同，它包含循环神经网络(RNN)实现的不同变体。如果您想使用RNN，这个库是同类API的最佳选择之一。与其他语言的集成你不会Python但擅长其他语言？不要绝望！Python（以及其他语言）的优势之一是它是一种完美的胶水语言，您可以使用自己喜欢的编程语言通过Python访问这些库。以下各种编程语言的包可用于将其他语言与Python结合：R->RPythonMatlab->matpythonJava->JythonLua->LunaticPythonJulia->PyCall.jlInactivelibraries这些库超过No更新已发布一年，我们列出它们是因为您可能会发现它们很有用，但这些库不太可能获得错误修复，尤其是未来的增强功能。MDPMlPyFFnetPyBrain如果我们错过了您最喜欢的Python机器学习包，请通过评论告诉我们。我们很乐意将其添加到文章中。
