Bibliotheken in Python erklärt: Liste wichtiger Bibliotheken

Was ist eine Bibliothek?

Eine Bibliothek ist ein zuvor kombinierter Satz von Codes, die iterativ verwendet werden können, wodurch Zeit reduziert wird. Wie der Begriff schon sagt, ähnelt es der physischen Bibliothek, die wiederverwendbare Ressourcen enthält. Python hat mehrere Open-Source-Bibliotheken gegründet, basierend auf der Tatsache, dass jede Bibliothek eine Stammquelle hat.

Was sind Python-Bibliotheken?

Python ist in der heutigen Zeit als Programmiersprache auf hohem Niveau weit verbreitet. Die Benutzerfreundlichkeit liegt in seiner Syntax, die eine geringere Anzahl von Codes verwendet, um ein Konzept auszudrücken. Daher ermöglicht dies dem Benutzer, Python anzuwenden und Programme sowohl im großen als auch im kleinen Maßstab zu schreiben. Die Sprache unterstützt die automatische Speicherverwaltung und verfügt über eine große Standardbibliothek.

Eine Python-Bibliothek definiert Codezeilen, die in anderen Programmen wiederverwendet werden können. Es ist im Grunde eine Sammlung von Modulen. Ihre Nützlichkeit liegt in der Tatsache, dass nicht jedes Mal, wenn derselbe Prozess ausgeführt werden soll, neue Codes geschrieben werden müssen. Bibliotheken in Python spielen eine wichtige Rolle in Bereichen der Datenwissenschaft, des maschinellen Lernens, der Datenmanipulationsanwendungen usw.

Python-Standardbibliothek

Das Leben eines Programmierers wird durch die Verfügbarkeit einer großen Anzahl von Standardbibliotheken in Python einfach. Dies liegt hauptsächlich daran, dass der Programmierer nicht ständig Codes schreiben muss. Beispielsweise kann ein Programmierer die MySQLdb-Bibliothek verwenden, um eine MySQL-Datenbank mit einem Server zu verbinden. Die Python-Bibliotheken sind größtenteils in der Programmiersprache C geschrieben, die Operationen wie E/A und andere Kernmodule verarbeitet. Die Standardbibliothek besteht aus mehr als 200 Kernmodulen und bisher wurden rund 137.000 Python-Bibliotheken entwickelt.

Wichtige Python-Bibliotheken

1. Matplotlib

Diese Bibliothek wird zum Plotten numerischer Daten verwendet und in der Datenanalyse verwendet. Diese Open-Source-Bibliothek wird zum Veröffentlichen hochwertiger Zahlen wie Grafiken, Tortendiagramme, Streudiagramme, Histogramme usw. verwendet.

2. Pandas

Der Panda ist eine Open-Source-Bibliothek und BSD-lizenziert. Die Bibliothek ist im Bereich Data Science weit verbreitet. Sie werden hauptsächlich zur Analyse, Manipulation und Bereinigung von Daten verwendet. Ohne dass auf eine andere Sprache wie R umgestellt werden muss, ermöglicht Panda die einfache Bedienung der Modellierung und Datenanalyse.

Die von den Bibliotheken in Python verwendeten Daten sind:

• Tabellendaten
• Zeitreihen mit geordneten und ungeordneten Daten.
• Matrixdaten, die Zeilen und Spalten beschriften.
• Unbeschriftete Daten
• Jede andere Form von statistischen Daten

Installation von Pandas

Der Benutzer muss „pip install pandas“ in die Befehlszeile eingeben oder „conda install pandas“ eingeben, wenn bereits eine Anaconda im System installiert wurde. Sobald die Installation abgeschlossen ist, kann sie in die IDE importiert werden, indem Sie den Befehl „import pandas as pd“ eingeben.

Operationen in Panda

Eine große Anzahl von Operationen kann in Panda durchgeführt werden:

• Slicen des Datenrahmens
• Zusammenführen und Verbinden von Datenrahmen
• Verkettung von Spalten aus zwei Datenrahmen
• Ändern von Indexwerten in einem Datenrahmen.
• Ändern der Überschriften in einer Spalte.
• Konvertierung von Daten in verschiedene Formate.

3. Numpy

Abweichend von den wissenschaftlichen Berechnungsbereichen ist NumPy das am häufigsten verwendete Open-Source-Paket, das von Python angeboten wird. Es unterstützt große Matrizen und mehrdimensionale Daten und verfügt über integrierte mathematische Funktionen zur einfachen Berechnung. Der Name „NumPy“ definiert „Numerical Python“. Es kann in linearer Algebra, Zufallszahlenfunktion usw. verwendet werden und kann als mehrdimensionaler Container für generische Daten fungieren. Python NumPy Array ist ein Objekt, das ein N-dimensionales Array in Form von Zeilen und Spalten definiert.

NumPy wird Listen in Python vorgezogen, weil:

• Weniger Speicher
• Schnell
• Praktisch

Installation

Die Installation des NumPy-Pakets erfolgt durch Eingabe des Befehls „pip install numpy“ an der Eingabeaufforderung. Das Importieren des Pakets in die IDE kann über den Befehl „import numpy as np“ erfolgen. Die Installationspakete auf NumPy finden Sie im Link

4. Scipy (wissenschaftliche Python)

Scipy ist eine Open-Source-Python-Bibliothek, die für wissenschaftliche Berechnungen, Datenberechnungen und Hochleistungsberechnungen verwendet wird. In der Bibliothek ist eine große Anzahl benutzerfreundlicher Routinen zur einfachen Berechnung vorhanden. Das Paket baut auf der NumPy-Erweiterung auf, die die Bearbeitung und Visualisierung der Daten mit der Verfügbarkeit von High-Level-Befehlen ermöglicht. Zusammen mit NumPy wird Scipy für mathematische Berechnungen verwendet. NumPy ermöglicht das Sortieren, Indizieren der Array-Daten, während der Zahlencode in SciPy gespeichert wird.

In SciPy ist eine große Anzahl von Unterpaketen verfügbar: Cluster, Konstanten, fftpack, Integrate, Interpolate, io, Linalg, Ndimage, Odr, Optimize, Signal, Sparse, Spatial, Special und Stats. Diese können aus SciPy über „from scipy import subpackage-name“ importiert werden.

Die Kernpakete von SciPy sind jedoch NumPy, SciPy-Bibliothek, Matplotlib, IPython, Sympy und Pandas.

5. SQLAlchemie

Diese Python-Bibliothek wird hauptsächlich für den Zugriff auf Informationen aus Datenbanken verwendet, die eine Vielzahl von Datenbanken und Layouts unterstützen. Aufgrund des einfachen Verständnisses kann SQLAlchemy auf Anfängerniveau verwendet werden. Es wird eine große Anzahl von Plattformen wie Python 2.5, Jython und Pypy unterstützt, die eine schnelle Kommunikation zwischen der Python-Sprache und der Datenbank ermöglichen.

Das Paket kann über den Link installiert werden

6. Schroff

Scrapy ist ein Open-Source-Framework in Python zum Extrahieren von Daten aus Websites. Es ist eine schnelle Scraping- und Web-Crawling-Bibliothek auf hohem Niveau unter der „Scrapinghub ltd“. Scrapy scraped mehrere Seiten innerhalb einer Minute und ist ein schnellerer Ansatz für Web Scraping.

Es kann verwendet werden für:

• Vergleich von Preisen in Webportalen für bestimmte Produkte.
• Mining von Daten zum Abrufen von Informationen.
• Berechnung von Daten in Datenanalysetools.
• Sammlung von Daten und deren Bereitstellung an Informationsknotenpunkte wie Nachrichtenportale.

Installation

Für die Conda-Umgebung kann die Installation über den Befehl „conda install -c conda-forge scrapy“ erfolgen. Wenn Conda nicht installiert ist, wird der Befehl „pip install scrapy“ verwendet.

7. Schöne Suppe

Ähnlich wie Scrapy ist BeautifulSoup eine Bibliothek unter Python-Programmierung, die zum Extrahieren und Sammeln von Informationen von Websites verwendet wird. Es hat eine ausgezeichnete XML-HTML-Bibliothek für Anfänger.

8. Scikit – lernen

Scikit-learn ist eine Open-Source-Bibliothek unter der Python-Programmierumgebung, die für Ansätze des maschinellen Lernens verwendet wird. Es unterstützt eine breite Palette von überwachten und unüberwachten Lernalgorithmen. Die Bibliothek enthält beliebte Algorithmen zusammen mit den Paketen NumPy, Matplotlib und SciPy. Die berühmte Anwendung von Scikit-learn ist in Spotify für Musikempfehlungen.

Installation

Um Scikit-learn zu installieren, müssen die oben genannten Pakete zuerst installiert werden. Da Scikit-learn auf der SciPy-Plattform aufgebaut ist, muss SciPy zuerst installiert werden. Die Installation kann dann über pip erfolgen.

8. Rampe

Die Rampenbibliothek wird für das schnelle Prototyping von Modellen für maschinelles Lernen mit einer einfachen Syntax zum Erkunden von Algorithmen, Funktionen und Transformationen verwendet. Es kann mit Paketen für maschinelles Lernen und statistischen Tools verwendet werden. Es besteht aus verschiedenen maschinellen Lern- und Statistikbibliotheken wie; pandas, scikit-learn usw. Die Sammlung dieser Python-Bibliotheken bietet eine einfache Syntax, die bei der effizienten Untersuchung von Funktionen und Transformationen hilft.

Details der Ramp-Bibliothek können über den Link abgerufen werden

9. Seegeboren

Das Paket kann zur Visualisierung der statistischen Modelle verwendet werden. Die Bibliothek basiert auf Matplotlib und ermöglicht die Erstellung statistischer Grafiken durch:

• Vergleich von Variablen über eine API basierend auf Datensätzen.
• Einfache Generierung komplexer Visualisierungen, die Multi-Plot-Raster unterstützen.
• Vergleich von Datenteilmengen durch univariate und bivariate Visualisierungen.
• Optionen verschiedener Farbpaletten zur Anzeige der Muster.
• Automatische Schätzung der linearen Regression und deren Darstellung.

Installation

Die folgenden Befehle können zum Installieren von Seaborn verwendet werden:

• Pip installieren Seaborn
• conda install seaborn (für conda-umgebung)

Auf die Installation der Bibliothek folgt die Installation ihrer Abhängigkeiten: NumPy , SciPy , Matplotlib und Pandas . Eine weitere empfohlene Abhängigkeit sind die statsmodels.

Jede Art von Datensatz kann von GIT über Seaborn mit der Funktion load_dataset() importiert werden. Der Datensatz kann über die Funktion get_dataset_names() angezeigt werden.

10. Statistikmodelle

Statsmodels ist eine Python-Bibliothek, die bei der Analyse und Schätzung statistischer Modelle nützlich ist. Die Bibliothek ist integriert, um die statistischen Tests usw. durchzuführen und leistungsstarke Ergebnisse zu liefern.

11. TensorFlow

TensorFlow ist eine Open-Source-Bibliothek, die für leistungsstarke numerische Berechnungen verwendet wird. Es wird auch in maschinellen Lernansätzen und Deep-Learning-Algorithmen verwendet. Es wurde von den Forschern des Google Brain-Teams innerhalb der Google AI-Organisation entwickelt und wird heute von Forschern aus Mathematik, Physik und maschinellem Lernen für komplexe mathematische Berechnungen eingesetzt. TensorFlow wird von macOS 10.12.6 (Sierra) oder höher unterstützt; Windows 7 oder höher; Ubuntu 16.04 oder höher; und Raspbian 9.0 oder höher

12. PyGame

Das PyGame-Paket bietet eine Schnittstelle zu den plattformunabhängigen Grafik-, Audio- und Eingabebibliotheken der Simple Directmedia Library (SDL).

Installation

Die Installation von Python 2.7 ist ein Muss vor der Installation von PyGame. Sobald Python 2.7 installiert ist, muss das offizielle PyGame-Installationsprogramm heruntergeladen werden. Die entsprechenden Dateien sollen ausgeführt werden.

• Der Befehl „import pygame“ wird benötigt, um die für PyGame benötigten Module zu importieren.
• Für die Initialisierung der benötigten Module für PyGame wird der Befehl „pygame.init()“ benötigt.
• Die Funktion „pygame.display.set_mode((width, height))“ startet ein Fenster, in dem die grafischen Operationen durchgeführt werden sollen.
• Der Befehl „pygame.event.get()“ hilft beim Leeren der in der Warteschlange befindlichen Ereignisse, da sich sonst die Ereignisse häufen, was zu dem Risiko führt, dass das Spiel nicht mehr reagiert.
• Beim Beenden des Spiels wird die Funktion „pygame.QUIT“ verwendet
• Der Befehl „pygame.display.flip()“ wird verwendet, um alle am Spiel vorgenommenen Aktualisierungen anzuzeigen.

13. PyTorch

PyTorch ist eine Python-basierte Bibliothek, die zwei High-Level-Features vereint:

• Tensorberechnung (wie NumPy) mit starker GPU-Beschleunigung
• Deep Neural Network-Plattformen bieten Flexibilität und Geschwindigkeit.

Es wurde 2017 von Facebook eingeführt. Einige der Funktionen von PyTorch sind:

• Unterstützen Sie Python und seine Bibliotheken.
• Wird bei der Entwicklung von Facebook für seine Deep-Learning-Anforderungen verwendet.
• Eine benutzerfreundliche API für eine bessere Benutzerfreundlichkeit und besseres Verständnis.
• An jedem Punkt der Codeausführung können Graphen dynamisch aufgebaut und zur Laufzeit dynamisch berechnet werden.
• Einfache Codierung und schnelle Verarbeitung.
• Kann auf GPU-Maschinen ausgeführt werden, da es von CUDA unterstützt wird.

Installation

PyTorch kann über die Eingabeaufforderung oder innerhalb einer IDE installiert werden.

14. Theano

Ähnlich wie andere Bibliotheken, die für mathematische Operationen verwendet werden, ermöglicht Theano dem Benutzer, mathematische Ausdrücke zu definieren, zu optimieren und auszuwerten. Es beinhaltet große mehrdimensionale Arrays für effiziente mathematische Berechnungen. Normale C-basierte Codes werden bei großen Datenmengen langsamer. Mit der Verfügbarkeit der Bibliothek ermöglicht Theano jedoch die schnelle Implementierung von Code. Instabile Ausdrücke können erkannt und berechnet werden, wodurch die Bibliothek nützlicher als NumPy wird.

15. SymPy

Das Paket ist der Theano-Bibliothek am nächsten und wird in der gesamten symbolischen Mathematik verwendet. Mit einfachem Code, der vom Paket bereitgestellt wird, kann die Bibliothek effektiv für das Computeralgebrasystem verwendet werden. Nur in Python geschrieben, kann SymPy angepasst und in anderen Anwendungen angewendet werden. Der Quellcode des Pakets ist auf GitHub zu finden.

16. Kaffee2

Caffe2 ist ein Python-basiertes Framework für Deep Learning. Einige der Funktionen des Caffe2-Pakets sind:

• Unterstützt groß angelegtes verteiltes Training.
• Unterstützung für neue Hardware.
• Anwendbarkeit auf mehrere Berechnungen wie quantisierte Berechnungen.

Das Paket ist mit Betriebssystemen wie MacOSX, Ubuntu, CentOS, Windows, iOS, Android, Raspbian und Tegra kompatibel. Es kann aus vorgefertigten Bibliotheken installiert, aus Quellen, Docker-Images oder Cloud erstellt werden. Die Installationsanleitung ist verfügbar

17. NuPIC

Die Bibliothek steht für Numenta Platform for Intelligent Computing (NuPIC). Es bietet eine Plattform für die Implementierung des HTM-Lernalgorithmus. Zukünftige maschinelle Lernalgorithmen können auf dieser Bibliothek basierend auf dem Neocortex basieren. HTM enthält zeitbasierte kontinuierliche Lernalgorithmen und ist eine detaillierte Computertheorie des Neocortex. Die Algorithmen sind mit dem Speichern und Abrufen von räumlichen und zeitlichen Mustern verbunden. Probleme wie Anomalieerkennung usw. können durch den Einsatz von NuPIC gelöst werden.

Die Dateien können unter dem Link „https://pypi.org/project/nupic/“ heruntergeladen werden.

18. Pipenv

Das Pipenv wurde 2017 offiziell in die Python-Bibliotheken aufgenommen. Es ist ein Python-Packaging-Tool, das Probleme des Workflows löst. Der Hauptzweck des Pakets besteht darin, eine Umgebung bereitzustellen, die von den Benutzern einfach eingerichtet werden kann. Es sammelt alle Verpackungswelten, dh Bundler, Composer, npm, Cargo, Garn usw., und integriert sich in die Python-Umgebung. Einige der von Pipenv gelösten Probleme sind:

• Benutzer müssen „pip“ und „virtualenv“ nicht mehr separat verwenden, um gemeinsam zu arbeiten.
• Die Benutzer können einen guten Einblick in das Abhängigkeitsdiagramm erhalten.
• Optimieren Sie den Entwicklungsworkflow durch .env-Dateien.

Installation

• Durch den Befehl „$ sudo apt install pipenv“ in einem Debian Buster.
• Durch den Befehl „$ sudo dnf install pipenv“ in Fedora.
• Durch den Befehl „pkg install py36-pipenv“ in FreeBSD.
• Über Pipx mit „$ pipx install pipenv“.

19. PyBrain

PyBrain ist eine Open-Source-Bibliothek aus den verfügbaren Bibliotheken in Python , die für Algorithmen des maschinellen Lernens für jeden Einsteiger in die Forschung verwendet werden. Das Ziel von PyBrain ist es, flexible und einfach zu bedienende Algorithmen für maschinelle Lernaufgaben anzubieten. Es bietet auch vordefinierte Umgebungen zum Vergleichen der Algorithmen. PyBrain steht für Python-Based Reinforcement Learning, Artificial Intelligence und Neural Network Library. Im Vergleich zu den anderen von Python bereitgestellten Bibliotheken für maschinelles Lernen ist PyBrain schnell und leicht verständlich.

Einige der Funktionen von PyBrain sind:

1. Netzwerke: Ein Netzwerk ist definiert als Module, die durch Links verbunden sind. Nur wenige von PyBrain unterstützte Netzwerke sind Feed-Forward Network, Recurrent Network usw.

• • Das Netzwerk, in dem Informationen von einem Knoten zum anderen in Vorwärtsrichtung weitergegeben werden, wird als Feed-Forward-Netzwerk bezeichnet. Die Informationen werden in dieser Art von Netzwerk nicht rückwärts übertragen. Es ist eines der ersten und einfachsten Netzwerke, die von künstlichen neuronalen Netzwerken angeboten werden. Der Datenfluss erfolgt von den Eingangsknoten zu den verborgenen Knoten und schließlich zu den Ausgangsknoten.
  • Ähnlich wie die Feed-Forward-Knoten sind die wiederkehrenden Knoten, bei denen die Informationen in jedem Schritt gespeichert werden müssen.

2. Datensätze: Datensätze umfassen die Daten, die den Netzwerken zum Testen, Validieren und Trainieren der Netzwerke bereitgestellt werden sollen. Es hängt von der Aufgabe ab, die mit maschinellem Lernen durchgeführt werden soll. Zwei Arten von Datensätzen werden hauptsächlich von PyBrain unterstützt, nämlich SupervisedDataSet und ClassificationDataSet.

• • SupervisedDataSet: Diese Arten von Datensätzen werden hauptsächlich für überwachte Lernaufgaben verwendet. Die Felder in den Datensätzen sind die „Eingabe“ und das „Ziel“.
  • ClassificationDataSet: Diese Arten von Datensätzen werden hauptsächlich für Klassifizierungsaufgaben verwendet. Neben den Feldern „Eingabe“ und „Ziel“ gibt es ein zusätzliches Feld, nämlich „Klasse“. Die „Klasse“ beinhaltet das automatisierte Backup der Targets.

3. Trainer: Die Daten in einem neuronalen Netz werden mit den den Netzen bereitgestellten Trainingsdaten trainiert. Um zu überprüfen, ob das Netzwerk richtig trainiert ist, wird die Vorhersage von Testdaten in diesem Netzwerk analysiert. Zwei Arten von Trainern, die am häufigsten in PyBrain verwendet werden, sind:

• • Backprop-Trainer: Die Parameter in einem Netzwerk werden basierend auf dem überwachten oder ClassificationDataSet-Datensatz trainiert, indem die Fehler rückwärts weitergegeben werden.
  • TrainUntilConvergence: Das Modul wird bis zur Konvergenz trainiert

4. Visualisierung : Die Visualisierung der Daten kann über andere Frameworks wie Mathplotlib, Pyplot usw. erfolgen.

20. MILCH

Das maschinelle Lernpaket „MILK“ in Python konzentriert sich auf die Verwendung verfügbarer Klassifikatoren für die überwachte Klassifizierung. Die verfügbaren Klassifikatoren sind SVMs, k-NN, Random Forests und Entscheidungsbäume. Neben der Klassifizierung hilft MILK bei der Merkmalsauswahl. Die Kombination der Klassifikatoren variiert bei den Klassifikationssystemen.

• Für das unüberwachte Klassifizierungsproblem verwendet MILK das -means-Clustering und die Affinitätsausbreitung.
• Die Eingaben für MILCH variieren. Meistens ist es für die NumPy-Arrays optimiert, aber andere Eingabeformen können akzeptiert werden.
• Die Codes in MILK sind in C++ geschrieben, das wenig Speicher benötigt und sehr schnell ist.

Installation

Der Installationscode für MILK kann von Github abgerufen werden. Die für die Installation verwendeten Befehle lauten „easy_install milk“ oder „pip install milk“.

Weitere Informationen zum Toolkit können dem Link entnommen werden.

Fazit

Die einfach zu verwendende Python-Sprache findet breite Anwendung in mehreren Bereichen der realen Welt. Da es sich um eine hochrangige, dynamisch typisierte und interpretierte Sprache handelt, wächst die Sprache in den Bereichen der Fehlerbehebung schnell. Einige der globalen Anwendungen, in denen Python zunehmend verwendet wird, sind YouTube, DropBox usw. Darüber hinaus können die Benutzer mit der Verfügbarkeit von Bibliotheken in Python viele Aufgaben ausführen, ohne ihren eigenen Code schreiben zu müssen.

Wenn Sie mehr über Python-Bibliotheken und Data Science erfahren möchten, schauen Sie sich das Executive PG Program in Data Science von IIIT-B & upGrad an, das für Berufstätige entwickelt wurde und mehr als 10 Fallstudien und Projekte, praktische Workshops und Mentoring mit der Industrie bietet Experten, 1-on-1 mit Mentoren aus der Branche, mehr als 400 Stunden Lern- und Jobunterstützung bei Top-Unternehmen.