Pythonのライブラリの説明：重要なライブラリのリスト

図書館とは何ですか？

ライブラリは、以前に結合されたコードのセットであり、繰り返し使用できるため、時間を短縮できます。 この用語が示すように、再利用可能なリソースを保持する物理ライブラリに似ています。 Pythonは、各ライブラリにルートソースがあるという事実に基づいて、いくつかのオープンソースライブラリを設立しました。

Pythonライブラリとは何ですか？

Pythonは現在、高級プログラミング言語として広く使用されています。 使いやすさは、概念を表現するために使用するコードの数が少ない構文にあります。 したがって、これにより、ユーザーはPythonを適用し、大規模および小規模の両方でプログラムを作成できます。 この言語は自動メモリ管理をサポートし、大規模な標準ライブラリを備えています。

Pythonライブラリは、他のプログラムで再利用できるコード行を定義します。 基本的にはモジュールのコレクションです。 それらの有用性は、同じプロセスを実行する必要があるたびに新しいコードを記述する必要がないという事実にあります。 Pythonのライブラリは、データサイエンス、機械学習、データ操作アプリケーションなどの分野で重要な役割を果たします。

Python標準ライブラリ

Pythonで多数の標準ライブラリを利用できるようになると、プログラマーの生活が楽になります。 これは主に、プログラマーがコードを書き続ける必要がないためです。 たとえば、プログラマーはMySQLdbライブラリを使用してMySQLデータベースをサーバーに接続できます。 Pythonライブラリは主に、 I/Oやその他のコアモジュールなどの操作を処理するCプログラミング言語で記述されています。 標準ライブラリは200を超えるコアモジュールで構成されており、これまでに約137,000のPythonライブラリが開発されています。

重要なPythonライブラリ

1. Matplotlib

このライブラリは、数値データのプロットとデータ分析に使用されます。 このオープンソースライブラリは、グラフ、円グラフ、散布図、ヒストグラムなどの高品質の図を公開するために使用されます。

2.パンダ

パンダはオープンソースライブラリであり、BSDライセンスを取得しています。 ライブラリは、データサイエンスの分野で広く使用されています。 これらは主に、データの分析、操作、およびクリーニングに使用されます。 パンダは、Rのような別の言語に切り替える必要がなく、モデリングとデータ分析の簡単な操作を可能にします。

Pythonのライブラリで使用されるデータは次のとおりです。

• 表形式のデータ
• 順序付けされたデータと順序付けられていないデータの時系列。
• 行と列にラベルを付けるマトリックスデータ。
• ラベルのないデータ
• その他の形式の統計データ

パンダの設置

ユーザーは、コマンドラインに「pip install pandas」と入力するか、anacondaがシステムにすでにインストールされている場合は「condainstallpandas」と入力する必要があります。 インストールが完了したら、コマンド「import pandas as pd」を入力して、IDEにインポートできます。

パンダでの操作

パンダでは多数の操作を実行できます。

• データフレームのスライス
• データフレームのマージと結合
• 2つのデータフレームからの列の連結
• データフレーム内のインデックス値の変更。
• 列のヘッダーの変更。
• データをさまざまな形式に変換します。

3. Numpy

科学計算分野に偏ったNumPyは、Pythonが提供する最も使用されているオープンソースパッケージです。 大きな行列と多次元データをサポートし、計算を容易にするための数学関数が組み込まれています。 「NumPy」という名前は「NumericalPython」を定義します。 線形代数、乱数機能などで使用でき、一般的なデータの多次元コンテナとして機能できます。 Python NumPy Arrayは、行と列の形式でN次元配列を定義するオブジェクトです。

NumPyは、次の理由でPythonのリストよりも優先されます。

• 少ないメモリ
• 速い
• 便利

インストール

NumPyパッケージのインストールは、コマンドプロンプトでコマンド「pipinstallnumpy」を入力することで実行されます。 IDEでのパッケージのインポートは、コマンド「importnumpyasnp」を使用して実行できます。 NumPyのインストールパッケージはリンクにあります

4. Scipy（Scientific Python）

Scipyは、科学計算、データ計算、および高性能計算に使用されるオープンソースのPythonライブラリです。 計算を容易にするために、多数のユーザーフレンドリーなルーチンがライブラリに存在します。 このパッケージはNumPy拡張機能上に構築されており、高レベルのコマンドを使用してデータを操作および視覚化できます。 NumPyとともに、Scipyは数学的な計算に使用されます。 NumPyを使用すると、配列データの並べ替えとインデックス付けが可能になり、数値コードはSciPyに保存されます。

SciPyでは、クラスター、定数、fftpack、統合、補間、io、linalg、ndimage、odr、optimize、signal、sparse、spatial、special、statsなどの多数のサブパッケージを利用できます。 これらは、「fromscipyimportsubpackage-name」を介してSciPyからインポートできます。

ただし、SciPyのコアパッケージは、NumPy、SciPyライブラリ、Matplotlib、IPython、Sympy、およびPandasです。

5. SQLAlchemy

このPythonのライブラリは、主に、さまざまなデータベースとレイアウトをサポートするデータベースからの情報にアクセスするために使用されます。 理解しやすいように、SQLAlchemyは初心者レベルで使用できます。 Python 2.5、Jython、Pypyなどの多数のプラットフォームがサポートされており、Python言語とデータベース間の高速通信を実現します。

パッケージはリンクからインストールできます

6. Scrapy

Scrapyは、Webサイトからデータを抽出するためのPythonのオープンソースフレームワークです。 これは、「Scrapinghubltd」の下にある高速で高レベルのスクレイピングおよびWebクロールライブラリです。 1分以内に複数のページをスクレイピングするScrapyは、Webスクレイピングのより高速なアプローチです。

次の用途に使用できます。

• 特定の製品のWebポータルの価格の比較。
• 情報検索のためのデータのマイニング。
• データ分析ツールでのデータの計算。
• データを収集し、ニュースポータルなどの情報ハブに提供します。

インストール

conda環境の場合、インストールは「conda install-cconda-forgescrapy」コマンドを使用して実行できます。 condaがインストールされていない場合は、コマンド「pipinstallscrapy」が使用されます。

7.BeautifulSoup

Scrapyと同様に、BeautifulSoupは、Webサイトからの情報の抽出と収集に使用されるPythonプログラミングのライブラリです。 初心者向けの優れたXML-HTMLライブラリがあります。

8.Scikit-learn

Scikit-learnは、機械学習アプローチに使用されるPythonプログラミング環境下のオープンソースライブラリです。 教師あり学習アルゴリズムと教師なし学習アルゴリズムを幅広くサポートしています。 ライブラリには、パッケージNumPy、Matplotlib、およびSciPyとともに一般的なアルゴリズムが含まれています。 Scikit-learnの有名なアプリケーションは、音楽のおすすめのためにSpotifyにあります。

インストール

Scikit-learnをインストールするには、最初に上記のパッケージをインストールする必要があります。 Scikit-learnはSciPyプラットフォーム上に構築されているため、最初にSciPyをインストールする必要があります。 その後、インストールはpipを介して実行できます。

8.ランプ

ランプライブラリは、アルゴリズム、機能、および変換を探索するための単純な構文を使用して、機械学習モデルのラピッドプロトタイピングに使用されます。 機械学習パッケージや統計ツールで使用できます。 これは、次のようなさまざまな機械学習と統計ライブラリで構成されています。 pandas、scikit-learnなど。これらのPythonライブラリのコレクションは、機能と変換を効率的に探索するのに役立つ単純な構文を提供します。

ランプライブラリの詳細は、リンクからアクセスできます

9.シーボーン

このパッケージは、統計モデルの視覚化に使用できます。 このライブラリはMatplotlibに基づいており、次の方法で統計グラフィックを作成できます。

• データセットに基づくAPIを介した変数の比較。
• マルチプロットグリッドをサポートする複雑な視覚化を簡単に生成できます。
• 単変量および二変量の視覚化によるデータサブセットの比較。
• パターンを表示するためのさまざまなカラーパレットのオプション。
• 線形回帰の自動推定とそのプロット。

インストール

Seabornのインストールには、次のコマンドを使用できます。

• pip install seaborn
• conda install seaborn（conda環境用）

ライブラリのインストールに続いて、その依存関係（NumPy 、 SciPy 、 Matplotlib 、およびPandas ）がインストールされます。 もう1つの推奨される依存関係は、statsmodelsです。

load_dataset（）関数を使用して、seabornを介してGITから任意のタイプのデータセットをインポートできます。 データセットは、get_dataset_names（）関数を介して表示できます。

10.Statsmodels

Statsmodelsは、統計モデルの分析と推定に役立つPythonライブラリです。 ライブラリは、統計的検定などを実行するために組み込まれ、高性能の結果を提供します。

11.TensorFlow

TensorFlowは、高性能の数値計算に使用されるオープンソースライブラリです。 また、機械学習アプローチや深層学習アルゴリズムでも使用されます。 GoogleAI組織内のGoogleBrainチームの研究者によって開発され、現在では、数学、物理学、機械学習の研究者によって複雑な数学計算に広く使用されています。 TensorFlowはmacOS10.12.6（Sierra）以降でサポートされています。 Windows7以降。 Ubuntu16.04以降。 およびRaspbian9.0以降

12. PyGame

PyGameパッケージは、Simple Directmedia Library（SDL）プラットフォームに依存しないグラフィック、オーディオ、および入力ライブラリへのインターフェイスを提供します。

インストール

Python 2.7のインストールは、PyGameをインストールする前に必須です。 Python 2.7をインストールしたら、公式のPyGameインストーラーをダウンロードする必要があります。 対応するファイルが実行されます。

• PyGameに必要なモジュールをインポートするには、コマンド「importpygame」が必要です。
• PyGameに必要なモジュールの初期化には、コマンド「pygame.init（）」が必要です。
• 関数「pygame.display.set_mode（（width、height））」は、グラフィカル操作が実行されるウィンドウを起動します。
• コマンド「pygame.event.get（）」は、キューに入れられたイベントを空にするのに役立ちます。そうしないと、イベントが積み重なって、ゲームが応答しなくなるリスクがあります。
• ゲームを終了するモミ「pygame.QUIT」機能を使用
• コマンド「pygame.display.flip（）」は、ゲームに加えられた更新を表示するために使用されます。

13.PyTorch

PyTorchは、2つの高レベルの機能をブレンドしたPythonベースのライブラリです。

• 強力なGPUアクセラレーションを使用したテンソル計算（NumPyなど）
• ディープニューラルネットワークプラットフォームは、柔軟性と速度を提供します。

2017年にFacebookによって導入されました。PyTorchの機能の一部は次のとおりです。

• Pythonとそのライブラリをサポートします。
• Facebookのディープラーニング要件の開発に使用されます。
• 使いやすさと理解を深めるための使いやすいAPI。
• コード実行のどの時点でも、グラフは動的に作成でき、実行時に動的に計算できます。
• 簡単なコーディングと高速処理。
• CUDAでサポートされているため、GPUマシンで実行できます。

インストール

PyTorchは、コマンドプロンプトまたはIDE内にインストールできます。

14.テアノ

数学演算に使用される他のライブラリと同様に、Theanoを使用すると、ユーザーは数式を定義、最適化、および評価できます。 これには、効率的な数学的計算のための大規模な多次元配列が含まれます。 通常のCベースのコードは、大量のデータを考慮すると遅くなります。 ただし、ライブラリが利用可能になると、Theanoはコードの迅速な実装を可能にします。 不安定な式を認識して計算できるため、NumPyよりもライブラリが便利になります。

15. SymPy

このパッケージはTheanoライブラリに最も近く、すべての記号数学で使用されます。 パッケージが提供する簡単なコードで、ライブラリを数式処理システムに効果的に使用できます。 Pythonでのみ記述されているため、SymPyはカスタマイズして、他のアプリケーションに適用できます。 パッケージのソースコードはGitHubにあります。

16. Caffe2

Caffe2は、ディープラーニング用のPythonベースのフレームワークです。 Caffe2パッケージの機能のいくつかは次のとおりです。

• 大規模な分散トレーニングをサポートします。
• 新しいハードウェアのサポート。
• 量子化された計算のようないくつかの計算への適用性。

このパッケージは、MacOSX、Ubuntu、CentOS、Windows、iOS、Android、Raspbian、Tegraなどのオペレーティングシステムと互換性があります。 ソース、Dockerイメージ、またはクラウドから構築されたビルド済みライブラリからインストールできます。 インストールガイドが利用可能です

17.NuPIC

ライブラリは、Numenta Platform for Intelligent Computing（NuPIC）の略です。 これは、HTM学習アルゴリズムを実装するためのプラットフォームを提供します。 将来の機械学習アルゴリズムは、新皮質に基づいたこのライブラリに基づいて構築できます。 HTMには、時間ベースの連続学習アルゴリズムが含まれており、新皮質の詳細な計算理論です。 アルゴリズムは、空間的および時間的パターンの保存と呼び出しに関連付けられています。 NuPICを使用することで、異常検出などの問題を解決できます。

ファイルはリンク「https://pypi.org/project/nupic/」からダウンロードできます。

18. Pipenv

Pipenvは、2017年にPythonライブラリに正式に含まれました。これは、ワークフローの問題を解決するPythonパッケージツールです。 パッケージの主な目的は、ユーザーが簡単にセットアップできる環境を提供することです。 バンドラー、コンポーザー、npm、カーゴ、ヤーンなど、すべてのパッケージングの世界を収集し、Python環境に統合します。 Pipenvによって解決された問題のいくつかは次のとおりです。

• ユーザーは、「pip」と「virtualenv」を別々に使用して共同で作業する必要がなくなりました。
• ユーザーは、依存関係グラフを適切に把握できます。
• .envファイルを使用して開発ワークフローを合理化します。

インストール

• Debianバスターでコマンド「$sudoaptinstallpipenv」を使用します。
• Fedoraでコマンド「$sudodnfinstallpipenv」を使用します。
• FreeBSDのコマンド「pkginstallpy36-pipenv」を介して。
• 「$pipxinstallpipenv」を使用してPipxを介して。

19. PyBrain

PyBrainは、 Pythonで利用可能なライブラリからのオープンソースライブラリであり、研究のすべてのエントリーレベルの学生の機械学習アルゴリズムに使用されます。 PyBrainの目標は、機械学習タスクに柔軟で使いやすいアルゴリズムを提供することです。 また、アルゴリズムを比較するための事前定義された環境も提供します。 PyBrainは、Pythonベースの強化学習、人工知能、ニューラルネットワークライブラリの略です。 Pythonが提供する他の機械学習ライブラリと比較すると、PyBrainは高速で簡単に理解できます。

PyBrainの機能のいくつかは次のとおりです。

1. ネットワーク：ネットワークは、リンクを介して接続されたモジュールとして定義されます。 PyBrainでサポートされているネットワークは、フィードフォワードネットワーク、リカレントネットワークなどです。

• • 情報が一方のノードからもう一方のノードに順方向に渡されるネットワークは、フィードフォワードネットワークと呼ばれます。 このタイプのネットワークでは、情報は逆方向に移動しません。 これは、人工ニューラルネットワークによって提供される最初で最も単純なネットワークの1つです。 データの流れは、入力ノードから非表示ノードへ、最後に出力ノードへと流れます。
  • フィードフォワードノードと同様に、各ステップで情報を記憶する必要がある反復ノードがあります。

2. データセット：データセットには、ネットワークのテスト、検証、およびトレーニングのためにネットワークに提供されるデータが含まれます。 機械学習で実行するタスクによって異なります。 PyBrainでは、SupervisedDataSetとClassificationDataSetの2種類のデータセットが主にサポートされています。

• • SupervisedDataSet：これらのタイプのデータセットは、主に教師あり学習タスクに使用されます。 データセットのフィールドは「入力」と「ターゲット」です。
  • ClassificationDataSet：これらのタイプのデータセットは、主に分類タスクに使用されます。 「入力」フィールドと「ターゲット」フィールドに加えて、「クラス」という追加のフィールドがあります。 「クラス」には、ターゲットの自動バックアップが含まれます。

3. トレーナー：ニューラルネットワークのデータは、ネットワークに提供されたトレーニングデータでトレーニングされます。 ネットワークが適切にトレーニングされているかどうかを確認するために、そのネットワーク上のテストデータの予測が分析されます。 PyBrainで主に使用される2種類のトレーナーは次のとおりです。

• • Backprop Trainer：ネットワーク内のパラメーターは、エラーをバックプロパゲーションすることにより、教師ありデータセットまたはClassificationDataSetデータセットに基づいてトレーニングされます。
  • TrainUntilConvergence：モジュールは収束するまでトレーニングされます

4. 視覚化：データの視覚化は、Mathplotlib、pyplotなどの他のフレームワークを介して実行できます。

20.ミルク

Pythonの機械学習パッケージ「MILK」は、教師あり分類に使用できる分類子の使用に焦点を当てています。 使用可能な分類器は、SVM、k-NN、ランダムフォレスト、および決定木です。 分類とともに、MILKは特徴選択プロセスを支援します。 分類器の組み合わせは、分類システムによって異なります。

• 教師なし分類問題の場合、MILKは-meansクラスタリングとアフィニティ伝播を使用します。
• MILKの入​​力は異なります。 ほとんどの場合、NumPy配列用に最適化されていますが、他の形式の入力も受け入れることができます。
• MILKのコードは、低メモリを使用し、高速であるC++で記述されています。

インストール

MILKのインストールコードはGithubから取得できます。 インストールに使用されるコマンドは、「easy_installmilk」または「pipinstallmilk」です。

ツールキットの詳細については、リンクから取得できます。

結論

使いやすいPython言語は、現実世界のいくつかの分野で幅広いアプリケーションを作成してきました。 高レベルで動的に型付けされ、解釈される言語であるため、この言語はデバッグエラーの分野で急速に成長しています。 Pythonがますます使用されるグローバルアプリケーションには、YouTube、DropBoxなどがあります。さらに、Pythonでライブラリを利用できるため、ユーザーは独自のコードを記述しなくても多くのタスクを実行できます。

Pythonライブラリとデータサイエンスについて知りたい場合は、IIIT-BとupGradのデータサイエンスのエグゼクティブPGプログラムをご覧ください。これは、働く専門家向けに作成され、10以上のケーススタディとプロジェクト、実践的なハンズオンワークショップ、業界とのメンターシップを提供します。専門家、業界のメンターと1対1で、400時間以上の学習とトップ企業との仕事の支援。