有哪些被低估的Python库

在本文中，我们将学习一些被低估的Python库。以下是一些在Python中被低估的库的列表−

Emmett
Jam.py
Missingo
Emot
Shogun
Blaze
Bamboolib
Swifter
Caffe
Myia
Featuretools
Altair
AutoViz

Emmett

Emmett Web框架是第一个被严重低估和低估的包。Emmett Web框架是灵活的，并且可用于Web开发中的许多不同应用程序。

另一个优点是Emmett Web框架相对简单易用。它使用类似Flask的语法，如果您已经熟悉Flask，那么学习起来相对简单。

Jam.py

Jam.py是此列表中下一个被低估的Python包。Jam.py是另一个在一项任务上表现出色的Web框架。该程序用于创建数据驱动的仪表板，并且在此方面非常出色。这个包的一个特别酷的功能是，您甚至不需要知道如何编程来使用它。该包将启动一个Web服务器会话。然后可以通过Web浏览器加入该会话，并且在很大程度上可以忽略代码，使用交互式集成开发环境。

我个人认为，这是一个非常酷的仪表板方法。即使是有经验的程序员也会喜欢不必编写任何代码。这使得Jam.py对Python用户和非程序员来说都是一个非常酷且独特的解决方案。

Missingo

Missingo可以通过有效使用数据可视化来帮助管理缺失值。Missingo基于matplotlib提供了四种类型的图表，以更好地理解缺失数据。这些都是由柱状图。热图、矩阵和树状图都是可用的。

Emot

现在，每个人都普遍使用表情符号。对于涉及表情符号的自然语言处理任务，对于开发人员来说可能很困难。Emot是一个库，允许开发人员从文本数据中去除表情符号。该库与Python 2和Python 3都很好地配合使用。

Shogun

Shogun是此列表中专注于机器学习的下一个包。Shogun是一个机器学习库，最初是用C++构建的，然后通过API转换为Python。尽管Shogun不遵循由Sklearn建立的Python编程语言的标准惯例，但该包仍然包含足够的代码来很好地支持其模型。软件实际上非常强大且易于使用。

Blaze

谈到Blaze，Blaze模块只是冰山一角。Blaze是Python中常用的用于高性能计算和机器学习的工具集合。像Dask这样简化Python算法加速的模块总是受欢迎的。Blaze生态系统中有许多非常有用的工具。

回到Blaze包，这个包用于连续查询各种类型的数据存储。Blaze可以轻松地在不同格式之间移动数据，并使SQL、Hadoop/Spark和本地数据以统一的方式操作。

Bamboolib

数据分析和可视化是最关键但最耗时和复杂的过程。

Bamboolib是针对pandas DataFrames的图形用户界面(GUI)，允许开发人员在Jupyter Notebook或JupyterLab中使用Python。它被广泛认为是一个聪明且非常有帮助的分析、可视化和管理信息的库。它可以被没有编程背景的人使用，因为它不需要任何编程技巧。

Swifter

Swifter是一个只有一个简单函数的库，它可以加速apply()操作。这是通过为Pandas Series对象专门设计的一个更高效的apply()方法实现的。

Caffe

Caffe是一个以表达、速度和模块化为设计目标的深度学习框架。这个包非常出色，由于其模块化的特性，这个框架非常灵活和高效。这些组件都是模块化的，并且协同工作形成一个网络。速度也是一个非常重要的考虑因素，所以这个包绝对值得一试，其中包含了一些很棒和高速的模型。

Myia

我们之所以想要包含这个包是因为我们认为它真的很棒。Myia是一种为高性能而设计的编程语言。它可以通过Python进行访问，并专注于比Python更快。这个想法是让Myia在后台运行，而Python在前台编写。

Featuretools

另一个非常重要的软件是Featuretools。特征工程可能很困难，特别是当你不确定从哪些特征开始。然而，Featuretools试图通过自动化特征选择来解决这个问题。在某种程度上，自动化机器学习是非常有趣的。无论是否有趣，我们非常推荐使用这个包，因为它可以节省大量时间的应用领域很多。

Altair

在这个列表中的所有模块中，我们强烈推荐下载Altair。Altair是一个统计绘图自动化包。表面上看，这似乎是一个相当奇怪的概念。老实说，我们对这个软件的功能性表示怀疑。然而，Altair给我们的数据产生了一些非常令人惊叹的可视化效果，非常有洞察力。观察到一个人工智能为我们做选择和可视化是一次令人惊讶的经验。