简介：今天，首席执行官Note将与您分享Python可以写出多少张图书馆。如果您可以解决您现在面临的问题，请不要忘记注意此网站。让我们现在开始！
Python中常用的数据库许多数据库。您需要根据不同的业务和应用程序方案选择适当的数据库，以提高程序的效率。
通常，通常使用的数据库，例如MySQL，Redis，MangodB和其他数据库
学习这些数据库，您可以观看Dark Horse程序员视频库的学习视频。有代码，信息，ppt。如果您不知道，可以问老师！
python语言下的机器学习库
Python是最好的编程语言之一。它被广泛用于科学计算：计算机视觉，人工智能，数学，天文学等。它也适合机器学习。当然，它也有一些缺点。其中之一是工具和图书馆太分散了。如果您是一个有思想的人，您会认为每种工具只是一件事，而且做得很好。但是您还需要了解优势以及不同库和工具的缺点，以便在构建系统时可以做出合理的决策。工具本身不能改善系统或产品，但是使用正确的工具，我们可以更有效地工作并具有更高的生产率。因此，了解正确的工具对于您的工作领域非常重要。
本文的目的是列出和描述最有用的机器学习工具和可用的库。在此列表中，我们不要求这些库在Python中写入Python，只要有Python界面，我们还拥有深度学习的内容，因为它最近引起了很多关注。
我们的目的是不列出Python中的所有机器学习库（Python软件包索引（PYPI）在搜索“机器学习”时返回了139个结果），但是我们知道的有用且良好的保密。用于多个机器学习任务，我们仅列出机器学习库中的主要重点。我们也使用它！）。
需要提及的另一件事是，我们还将根据其他科学计算库的集成效果评估这些库，因为机器学习（监督或不监督）也是数据处理系统的一部分。如果您使用的库不是与数据处理系统的其他库匹配，您需要花费大量时间来在不同库之间创建中层。在工具的集中度过一个很棒的库很重要，但是该库对于良好集成也同样重要与其他库。
如果您擅长其他语言，但也想使用Python软件包，我们还简单地描述了如何与Python集成以使用本文中列出的库。
Scikit -Learnscikit Learn是一种机器学习工具，我们在CB Insight中选择。我们将其用于分类，功能选择，功能提取和聚会。我们最喜欢的观点之一是它具有轻松的 - 使用 - 使用 - 使用一致性API，并提供了一个可用于出口的价值，诊断和交叉验证方法的大量结果（听起来很熟悉？蛋糕是其底层使用Scipy数据结构，该结构很好地适应了其余的科学计算，其余的Python使用Scipy，Numpy，Pandas和Matplotlib进行科学计算。分类器的性能（例如，使用准确性和反馈率，或收件人的操作特性（ROC）曲线（ROC），Matplotlib可以快速可视化。考虑清洁和结构数据的时间，它是使用此库非常方便，因为可以将其紧密收集到其他科学计算套件中。
此外，它还包含有限的自然语言处理功能提取功能，以及单词袋，TFIDF（术语频率倒数文档频率算法），PreCerseSingDevice）。如果您想快速测试玩具上的不同基准，数据集，其自己的数据集模块提供了常见且有用的数据集。您还可以根据这些数据集创建自己的小数据集，因此在将模型应用于现实世界之前，您可以测试该模型是否满足期望出于自己的目的，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不良的维护，则无法实现这些特征。我们期待其第一个稳定的版本版本。
STATSMODELSSTATSMODELS是另一个专注于统计模型的功能库，主要用于可预测性和勘探分析。如果您想拟合线性模型，分析统计分析或预测，STATSMODELS非常合适。它提供了统计测试非常全面，涵盖了大多数的测试验证任务。如果您是R或S的用户，它还提供了某些统计模型的R语法。ITS模型还接受Numpy Array和Pandas数据框架，从而使中间数据结构成为过去！
pymcpymc是制造贝叶斯曲线的工具。它包含贝叶斯模型，统计分布和模型收敛的诊断工具，还包含一些层模型。如果您想执行贝叶斯分析，则应看到它。
ShogunShogun是一个机器学习工具箱，重点是支持向量机（SVM），它以C ++编写。它在主动开发和维护中，提供了Python界面，并且是文档的最佳界面。与Scikit-相比，了解到，我们发现它的API更加困难。此外，不再有可用的诊断和值为 - 对算法的可用算法。但是，速度是一个很大的优势。
Gensimgensim被定义为“人类的主题建模”。它在其主页上描述，重点是潜在的dirichlet分配（LDA）和变体。与其他软件包不同，它支持自然语言处理，并且可以将NLP和其他机器学习算法组合在一起如果您的字段在NLP中，并且想要收集和基本分类，则可以看到它。在目前，他们介绍了Google的递归神经网络（recurrence神经网络）文本表示word2vec。此库仅以python编写。
Orangearing是本文列出的唯一具有图形用户界面（GUI）的库。用于分类，收集和特征选择方法，它非常全面，并且有一些交叉验证方法。在某些方面，它比Scikit更好-learn（分类方法，一些预处理功能），但是其他科学计算系统（numpy，scipy，matplotlib，pandas）的适应性与scikit-as.a as.s.eve，包括GUI是一个非常重要的优势。您可以是一个非常重要的优势。可视化视觉交叉验证的结果，模型和功能选择方法（某些功能需要安装GraphViz）。对于大多数算法，橙色都有其自己的数据结构，因此您需要将数据包装到橙色兼容的数据结构中，该数据结构是使其成为更陡峭的学习曲线。
PyMVPAPYMVPA是另一个统计学习库，类似于API上的Scikit-Learn。包括交叉验证和诊断工具，但没有Scikit-Learn综合。
尽管深度学习是机器学习的次要范围，但我们在这里创建一个单独的部分的原因是，它具有Google和Facebook人才招聘部门的最新吸引力。
Theanotheano是最成熟的深度学习库。它提供了一个良好的数据结构（张量）来表示神经网络层，这对于线性代数非常有效，类似于Numpy的数组。非常直观，用户的学习曲线将非常高。基于Theano的许多库正在使用其数据结构。它还支持可用的GPU编程的输出。
PYREARN2还有另一个Theano库Pyrearn2，它将模块化和构型引入theano。您可以通过不同的配置文件创建神经网络，因此可以更轻松地尝试不同的参数。可以说，如果将神经网络的参数和属性分开到配置文件，则其模块化功能更强大。
Decafdecaf是加州大学伯克利分校最近发布的深度学习图书馆。它在ImageNet分类挑战中进行了测试，发现其神经网络实施非常先进。
NoLearn如果您想在深度学习中使用出色的Scikit-Learn库API，则封装Decaf的Nolearn将使您更易于使用它。极好的。
Featoverfeat是最近的Cat Vs。Kaggle挑战。它用C ++编写，还包括一个Python包装（以及Matlab和Lua）。GPU通过火炬库使用，因此速度很快。它还赢得了Imagenet分类的检测和本地化挑战。如果您的字段是计算机视觉，您可能需要看到它。
Hebelhebel是由GPU支持的另一个神经网络库，可用于解开包装。您可以通过YAML文件（类似于PYREARN2）来确定神经网络的属性，并提供一种方法，并提供一种分离上帝级别的网络和代码以快速分开运行模型。在开发之后，这些文档在深度和广度上都稀缺。就神经网络模型而言，也有局限性，因为只有一个神经网络模型（正面反馈，馈送方式）。用Pure Python编写，将是一个非常友好的图书馆，因为它包含许多实用功能，例如时间表和监视器。我们没有在其他库中找到这些功能。
Neurolabneurolab是另一个API的神经网络库（类似于Matlabapi）。它与其他库一样，它包含递归神经网络（RNN）实现的不同变体。如果您想使用RNN，此库是类似的最佳选择之一蜜蜂。
您是否不认识其他语言，但擅长其他语言？不绝望！Python（和其他）的优势之一是它是一种完美的胶语。
非常规图书馆尚未发布超过一年的任何更新。我们列出是因为您可能很有用，但是这些库不太可能执行错误维修，尤其是在将来。mdpmlpyffnetpybrain，如果我们错过了您喜欢的Python机器学习包，请通过评论让我们知道。我们很乐意将其添加到文章中。
1.笨拙的库
它是Python开源的数值计算扩展工具，它提供了Python对多维阵列的支持，它可以支持高级别的尺寸和矩阵操作。此外，它还提供了大量的数学功能库来用于阵列操作。Numpy是大多数Python科学计算的基础，并且具有许多功能。
2.熊猫库
它是基于基于numpy的数据分析软件包而创建的，该软件是为了解决数据分析任务而创建的。大量库和标准数据模型中包含pandas，该模型提供了大型数据集以操作大型的功能和方法数据集。用户可以快速，方便地处理数据。
3. matplotlib库
它是一个2D图形库，用于绘制Python中的数组。尽管它源自模仿MATLAB图形命令，但它独立于MATLAB，可以由Pythonic和对象面向。它是Python中的出色图形画廊。它主要用纯Python语言编写。它大量使用Numpy和其他扩展代码，即使对于大型阵列，也可以提供良好的性能。
4. Seaborn图书馆
它是基于Python中Matplotlib的数据可视化工具。它提供了许多高级包装功能，以帮助数据分析师迅速绘制漂亮的数据图形，从而避免了许多其他参数配置问题。
5.NLTK库
被称为Z JIA JIA的教学和计算语言学工具，以及以自然语言播放的魔法图书馆。NLTK是一个领先的平台，用于构建使用人类语言数据的Python程序。它为超过50个语言库和词汇资源提供了简单的使用界面。隔音，分析和语义推理，NLP库的包装设备和一个主动的讨论社区。
在次要级别，Python的第二级全名是国家计算第二级Python语言程序设计。它是国家计算机中学考试之一。测试分数有资格之后，它将拥有全国二级证书。具有高金额内容的Python证书为1。AliPython工程师实习证书2。Tencent Python工程师实习证书3。BYTE PYTHON工程师实习证书4。Meituan Python工程师实习证书毕竟，进行项目的硬技术比证书更重要。
Python.Python有20个历史记录。Python是由Gado Van Rosum设计的，Gado Van Rosum是1990年代初数学和计算机科学研究协会的社会，作为一个名为ABC Language的替代品。Python提供了有效的高级数据结构，也可以对其进行编程。简单有效。
这个“最大”不是有意义的，它与操作系统，物理内存，嵌套深度有关。无需在实际应用程序中考虑此问题，并且数据的大小不会考虑使用字典。
字典和数据库没有直接连接。
字典，列表和金属组是类似于其他语言的数组类型变量。仅保存一些数据。
该数据库由DBMS+DB的至少两个部分组成。DBMS是数据库管理系统，DB是一个物理数据库文件。通常编写数据库应用程序，所有操作DBMS而不是直接操作数据库文件。
因为字典的键和值有点像数据库的字段和字段值。
结论：以上是首席CTO关于Python可以写下多少库的全部内容。我希望这对每个人都会有所帮助。如果您想进一步了解这一点，请记住收集并遵循此站点