Python'da Açıklanan Kitaplıklar: Önemli Kitaplıkların Listesi

Kütüphane nedir?

Bir kitaplık, yinelemeli olarak kullanılabilen, dolayısıyla süreyi azaltan önceden birleştirilmiş bir kod kümesidir. Terimin önerdiği gibi, yeniden kullanılabilir kaynakları tutan fiziksel kitaplığa benzer. Python, her kitaplığın bir kök kaynağa sahip olduğu gerçeğine dayanarak birkaç açık kaynak kitaplığı kurmuştur.

Python Kitaplıkları nedir?

Python, günümüzde yüksek seviyeli bir programlama dili olarak yaygın olarak kullanılmaktadır. Kullanım kolaylığı, bir kavramı ifade etmek için daha az sayıda kod kullanan sözdiziminde yatmaktadır. Bu nedenle, bu, kullanıcının hem büyük hem de küçük ölçeklerde python uygulamasına ve programlar yazmasına olanak tanır. Dil, otomatik bellek yönetimini destekler ve geniş bir standart kitaplığa sahiptir.

Bir Python kitaplığı, diğer programlarda yeniden kullanılabilecek kod satırlarını tanımlar. Temelde bir modüller topluluğudur. Yararları, aynı işlemin her çalıştırılması gerektiğinde yeni kodların yazılmasının gerekmemesi gerçeğinde yatmaktadır. Python'daki kitaplıklar , veri bilimi, makine öğrenimi, veri işleme uygulamaları vb. alanlarda önemli bir rol oynar.

Python standart kitaplığı

Python'da çok sayıda standart kitaplığın bulunmasıyla bir programcının hayatı kolaylaşır. Bunun temel nedeni, programcının kodları yazmaya devam etmesine gerek olmamasıdır. Örneğin, bir programcı MySQL veritabanını bir sunucuya bağlamak için MySQLdb kitaplığını kullanabilir. Python kitaplıkları çoğunlukla G/Ç ve diğer çekirdek modüller gibi işlemleri gerçekleştiren C programlama dilinde yazılmıştır . Standart kitaplık 200'den fazla çekirdek modülden oluşur ve bugüne kadar yaklaşık 137.000 python kitaplığı geliştirilmiştir.

Önemli Python Kitaplıkları

1. Matplotlib

Bu kütüphane sayısal verilerin çizimi için kullanılır ve veri analizinde kullanılır. Bu açık kaynaklı kitaplık, grafikler, pasta çizelgeleri, dağılım grafikleri, histogramlar vb. gibi yüksek kaliteli rakamları yayınlamak için kullanılır.

2. Pandalar

Panda, açık kaynaklı bir kütüphanedir ve BSD lisanslıdır. Kütüphane, veri bilimi alanında yaygın olarak kullanılmaktadır. Çoğunlukla verilerin analizi, işlenmesi ve temizlenmesi için kullanılırlar. Panda, R gibi başka bir dile geçiş yapmaya gerek kalmadan modelleme ve veri analizi işlemlerini kolay hale getirir.

Python'da kütüphaneler tarafından kullanılan veriler şunlardır:

• tablo verileri
• Sıralı ve sırasız veri içeren zaman serileri.
• Satırları ve sütunları etiketleme matris verileri.
• etiketlenmemiş veriler
• Diğer herhangi bir istatistiksel veri biçimi

Pandaların Kurulumu

Kullanıcının komut satırına "pip install pandas" yazması veya sistemde bir anaconda zaten kuruluysa "conda install pandas" yazması gerekir. Kurulum tamamlandıktan sonra “pandaları pd olarak içe aktar” komutu yazılarak IDE'ye aktarılabilir.

Panda'daki Operasyonlar

Panda'da çok sayıda işlem gerçekleştirilebilir:

• Veri çerçevesinin dilimlenmesi
• Veri çerçevelerinin birleştirilmesi ve birleştirilmesi
• İki veri çerçevesinden sütunların birleştirilmesi
• Bir veri çerçevesindeki indeks değerlerinin değiştirilmesi.
• Bir sütundaki başlıkların değiştirilmesi.
• Verilerin farklı biçimlere dönüştürülmesi.

3. Uyuşukluk

Bilimsel hesaplama alanlarına doğru sapan NumPy, python tarafından sunulan en çok kullanılan açık kaynaklı paketlerdir. Büyük matrisleri ve çok boyutlu verileri destekler ve kolay hesaplama için dahili matematiksel işlevlere sahiptir. “NumPy” adı “Sayısal Python”u tanımlar. Lineer cebirde, rastgele sayı yeteneğinde vb. kullanılabilir ve genel veriler için çok boyutlu bir kapsayıcı görevi görebilir. Python NumPy Dizisi, N boyutlu diziyi satırlar ve sütunlar şeklinde tanımlayan bir nesnedir.

NumPy, python'daki listelere göre tercih edilir:

• Daha az bellek
• Hızlı
• Uygun

Kurulum

NumPy paketinin kurulumu, komut istemine “pip install numpy” komutu yazılarak yapılır. Paketin IDE'ye aktarılması “numpy as np'yi içe aktar” komutuyla yapılabilir. NumPy'deki kurulum paketleri linkte bulunabilir.

4. Scipy (Bilimsel Python)

Scipy, bilimsel hesaplama, veri hesaplama ve yüksek performanslı hesaplama için kullanılan açık kaynaklı bir python kitaplığıdır. Kolay hesaplama için kütüphanede çok sayıda kullanıcı dostu rutin mevcuttur. Paket, üst düzey komutların kullanılabilirliği ile verilerin işlenmesine ve görselleştirilmesine izin veren NumPy uzantısı üzerine kurulmuştur. NumPy ile birlikte, Scipy matematiksel hesaplama için kullanılır. NumPy, sayısal kod SciPy'de saklanırken dizi verilerinin sıralanmasına, indekslenmesine izin verir.

SciPy'de çok sayıda alt paket mevcuttur: küme, sabitler, fftpack, entegre, enterpolasyon, io, linalg, ndimage, odr, optimize, sinyal, seyrek, uzaysal, özel ve istatistikler. Bunlar, SciPy'den “scipy import subpackage-name” yoluyla alınabilir.

Ancak SciPy'nin çekirdek paketleri NumPy, SciPy kitaplığı, Matplotlib, IPython, Sympy ve Pandas'tır.

5. SQLAlchemy

Bu python kütüphanesi, çoğunlukla çok çeşitli veritabanlarını ve yerleşimleri destekleyen veritabanlarından bilgilere erişmek için kullanılır. Kolay anlaşılması için SQLAlchemy başlangıç ​​seviyesinde kullanılabilir. Python dili ile veritabanı arasında hızlı bir iletişim sağlayan Python 2.5, Jython ve Pypy gibi çok sayıda platform tarafından desteklenmektedir.

Paket bağlantıdan kurulabilir

6. Hurda

Scrapy, web sitelerinden verilerin çıkarılması için Python'da açık kaynaklı bir çerçevedir. “Scrapinghub ltd” altında hızlı, üst düzey kazıma ve web tarama kitaplığıdır. Bir dakika içinde birden fazla sayfa kazıyan Scrapy, web kazıma için daha hızlı bir yaklaşımdır.

Şunlar için kullanılabilir:

• Belirli ürünler için web portallarındaki fiyatların karşılaştırılması.
• Bilgi almak için veri madenciliği.
• Veri analiz araçlarında verilerin hesaplanması.
• Verilerin toplanması ve haber portalları gibi bilgi merkezlerine sunulması.

Kurulum

Conda ortamı için “conda install -c conda-forge scrapy” komutu ile kurulum yapılabilir. Conda kurulu değilse “pip install scrapy” komutu kullanılır.

7. GüzelÇorba

Scrapy'ye benzer şekilde BeautifulSoup, web sitelerinden bilgi çıkarmak ve toplamak için kullanılan Python programlama altında bir kütüphanedir. Yeni başlayanlar için mükemmel bir XML-HTML kütüphanesine sahiptir.

8. Scikit- öğren

Scikit-öğrenme, makine öğrenimi yaklaşımları için kullanılan Python programlama ortamı altındaki açık kaynaklı bir kütüphanedir. Çok çeşitli denetimli ve denetimsiz öğrenme algoritmalarını destekler. Kütüphane, NumPy, Matplotlib ve SciPy paketleriyle birlikte popüler algoritmalar içerir. Scikit-learn'in ünlü uygulaması müzik önerileri için Spotify'da.

Kurulum

Scikit-learn'i kurmak için önce yukarıdaki paketler kurulmalıdır. Scikit-learn, SciPy platformu üzerine kurulduğundan, önce SciPy'nin yüklenmesi gerekir. Kurulum daha sonra pip üzerinden yapılabilir.

8. Rampa

Ramp kitaplığı, algoritmaları, özellikleri ve dönüşümleri keşfetmek için basit bir sözdizimi ile makine öğrenimi modellerinin hızlı prototipini oluşturmak için kullanılır. Makine öğrenimi paketleri ve istatistiksel araçlarla kullanılabilir. Çeşitli makine öğrenimi ve istatistik kitaplıklarından oluşur; pandalar, scikit-learn, vb. Bu python kitaplıklarının koleksiyonu , özelliklerin ve dönüşümlerin verimli bir şekilde keşfedilmesine yardımcı olan basit sözdizimi sağlar.

Rampa kütüphanesinin detaylarına linkten ulaşılabilir.

9. Denizde doğan

Paket istatistiksel modellerin görselleştirilmesi için kullanılabilir. Kitaplık, Matplotlib'i temel alır ve aşağıdakiler aracılığıyla istatistiksel grafiklerin oluşturulmasına izin verir:

• Veri kümelerine dayalı bir API aracılığıyla değişkenlerin karşılaştırılması.
• Çok noktalı ızgaraları destekleyen karmaşık görselleştirmenin kolay üretimi.
• Tek değişkenli ve iki değişkenli görselleştirmeler aracılığıyla veri alt kümelerinin karşılaştırılması.
• Desenleri görüntülemek için çeşitli renk paletleri seçenekleri.
• Doğrusal regresyonun otomatik tahmini ve çizimi.

Kurulum

Seaborn'u kurmak için aşağıdaki komutlar kullanılabilir:

• pip kurulumu seaborn
• conda seaborn'u kurun (conda ortamı için)

Kitaplığın kurulumunu bağımlılıklarının kurulumu takip eder: NumPy , SciPy , Matplotlib ve Pandas . Önerilen diğer bir bağımlılık ise istatistik modelleridir.

Herhangi bir veri kümesi türü, load_dataset() işlevi kullanılarak seaborn aracılığıyla GIT'den içe aktarılabilir. Veri kümesi, get_dataset_names() işlevi aracılığıyla görüntülenebilir.

10. İstatistik Modelleri

Statsmodels, istatistiksel modellerin analizi ve tahmininde faydalı olan bir python kütüphanesidir. Kütüphane, yüksek performanslı sonuçlar sağlayan istatistiksel testler vb. gerçekleştirmek için dahil edilmiştir.

11. TensorFlow

TensorFlow, yüksek performanslı sayısal hesaplama için kullanılan açık kaynaklı bir kitaplıktır. Makine öğrenimi yaklaşımlarında ve derin öğrenme algoritmalarında da kullanılır. Google AI organizasyonu içindeki Google Brain ekibinin araştırmacıları tarafından geliştirilen, artık matematik, fizik ve makine öğreniminden araştırmacılar tarafından karmaşık matematiksel hesaplamalar için yaygın olarak kullanılmaktadır. TensorFlow, macOS 10.12.6 (Sierra) veya üzeri tarafından desteklenir; Windows 7 veya üzeri; Ubuntu 16.04 veya üzeri; ve Raspbian 9.0 veya üstü

12. PyGame

PyGame paketi, Simple Directmedia Library (SDL) platformundan bağımsız grafik, ses ve girdi kitaplıklarına bir arabirim sağlar.

Kurulum

PyGame kurulumundan önce Python 2.7 kurulumu şarttır. Python 2.7 yüklendikten sonra resmi PyGame yükleyicisinin indirilmesi gerekir. İlgili dosyalar yürütülecektir.

• PyGame için gerekli modülleri içe aktarmak için “pygame içe aktar” komutu gereklidir.
• PyGame için gerekli modüllerin başlatılması için “pygame.init()” komutu gereklidir.
• “pygame.display.set_mode((width, height))” işlevi, grafiksel işlemlerin gerçekleştirileceği bir pencere açacaktır.
• “pygame.event.get()” komutu, sıraya alınan olayları boşaltmaya yardımcı olur, aksi takdirde olaylar birikerek oyunun yanıt vermeme riskine yol açar.
• Oyundan çıkmak için “pygame.QUIT” fonksiyonu kullanılır.
• Oyunda yapılan güncellemeleri görüntülemek için “pygame.display.flip()” komutu kullanılır.

13. PyTorch

PyTorch, iki üst düzey özelliği harmanlayan python tabanlı bir kitaplıktır:

• Güçlü GPU hızlandırma ile tensör hesaplaması (NumPy gibi)
• Derin Sinir Ağı platformları esneklik ve hız sağlar.

2017 yılında Facebook tarafından tanıtıldı. PyTorch'un bazı özellikleri şunlardır:

• Python ve kitaplıklarını destekleyin.
• Derin Öğrenme gereksinimleri için Facebook'un geliştirilmesinde kullanılır.
• Daha iyi kullanılabilirlik ve anlayış için kullanımı kolay bir API.
• Kod yürütmenin herhangi bir noktasında grafikler dinamik olarak oluşturulabilir ve çalışma zamanında dinamik olarak hesaplanabilir.
• Kolay kodlama ve hızlı işleme.
• CUDA tarafından desteklendiği için GPU makinelerinde çalıştırılabilir.

Kurulum

PyTorch, komut istemi aracılığıyla veya bir IDE içinde kurulabilir.

14. Theano

Matematiksel işlemler için kullanılan diğer kütüphanelere benzer şekilde Theano, kullanıcının matematiksel ifadeleri tanımlamasını, optimize etmesini ve değerlendirmesini sağlar. Verimli matematiksel hesaplama için büyük çok boyutlu diziler içerir. Normal C tabanlı kodlar, büyük miktarda veri düşünüldüğünde daha yavaş hale gelir. Bununla birlikte, kütüphanenin kullanılabilirliği ile Theano, kodun hızlı bir şekilde uygulanmasını sağlar. Kararsız ifadeler tanınabilir ve hesaplanabilir, bu da kitaplığı NumPy'ye göre daha kullanışlı hale getirir.

15. SymPy

Paket Theano kütüphanesine en yakın olanıdır ve tüm sembolik matematikte kullanılır. Paket tarafından sağlanan basit kod ile kütüphane, bilgisayar cebir sistemi için etkin bir şekilde kullanılabilir. Yalnızca python ile yazılan SymPy, özelleştirilebilir ve diğer uygulamalarda uygulanabilir. Paketin kaynak kodu GitHub'da bulunabilir.

16. Kafe2

Caffe2, derin öğrenme için piton tabanlı bir çerçevedir. Caffe2 paketinin bazı özellikleri şunlardır:

• Büyük ölçekli dağıtılmış eğitimi destekler.
• Yeni donanım desteği.
• Kuantize hesaplama gibi çeşitli hesaplamalara uygulanabilirlik.

Paket, MacOSX, Ubuntu, CentOS, Windows, iOS, Android, Raspbian ve Tegra gibi işletim sistemleriyle uyumludur. Kaynaktan, liman işçisi görüntülerinden veya Buluttan oluşturulmuş Önceden Oluşturulmuş kitaplıklardan yüklenebilir. Kurulum kılavuzu mevcuttur

17. NuPIC

Kütüphane, Numenta Platform for Intelligent Computing (NuPIC) anlamına gelir. HTM öğrenme algoritmasının uygulanması için bir platform sağlar. Neokortekse dayalı bu kütüphane üzerine geleceğin makine öğrenme algoritmaları kurulabilir. HTM, zamana dayalı sürekli öğrenme algoritmaları içerir ve neokorteksin ayrıntılı bir hesaplama teorisidir. Algoritmalar, uzaysal ve zamansal kalıpların depolanması ve geri çağrılması ile ilişkilidir. Anormallik tespiti vb. gibi sorunlar NuPIC kullanılarak çözülebilir.

Dosyalar “https://pypi.org/project/nupic/” bağlantısından indirilebilir.

18. Pipenv

Pipenv, 2017 yılında resmi olarak python kitaplıklarına dahil edilmiştir . İş akışının sorunlarını çözen bir python paketleme aracıdır. Paketin temel amacı, kullanıcılar tarafından kurulumu kolay bir ortam sağlamaktır. Paketleyici, besteci, npm, kargo, iplik vb. gibi tüm paketleme dünyalarını toplar ve python ortamına entegre olur. Pipenv tarafından çözülen sorunlardan bazıları şunlardır:

• Kullanıcılar artık toplu çalışmak için “pip” ve “virtualenv”i ayrı ayrı kullanmak zorunda değil.
• Kullanıcılar, bağımlılık grafiği hakkında uygun bir fikir edinebilir.
• .env dosyaları aracılığıyla geliştirme iş akışını kolaylaştırın.

Kurulum

• Bir Debian Buster'da “$ sudo apt install pipenv” komutuyla.
• Fedora'da “$ sudo dnf install pipenv” komutuyla.
• FreeBSD'de “pkg install py36-pipenv” komutu ile.
• “$ pipx install pipenv” kullanarak Pipx aracılığıyla.

19. PyBrain

PyBrain, araştırmadaki her giriş seviyesi öğrenci için Makine Öğrenimi algoritmaları için kullanılan python'daki mevcut kitaplıklardan bir açık kaynak kitaplığıdır . PyBrain'in amacı, makine öğrenimi görevleri için esnek ve kullanımı kolay algoritmalar sunmaktır. Ayrıca algoritmaları karşılaştırmak için önceden tanımlanmış ortamlar sağlar. PyBrain, Python Tabanlı Güçlendirme Öğrenimi, Yapay Zeka ve Sinir Ağı Kitaplığı anlamına gelir. Python tarafından sağlanan diğer makine öğrenimi kitaplıklarıyla karşılaştırıldığında, PyBrain hızlı ve kolay anlaşılır.

PyBrain'in bazı özellikleri şunlardır:

1. Ağlar: Bir ağ, bağlantılar aracılığıyla bağlanan modüller olarak tanımlanır. PyBrain tarafından desteklenen birkaç ağ, İleri Beslemeli Ağ, Tekrarlayan Ağ vb.

• • Bilginin bir düğümden diğerine ileri yönde iletildiği ağ, İleri Beslemeli ağ olarak adlandırılır. Bu tür ağlarda bilgi geriye doğru gitmez. Yapay sinir ağının sunduğu ilk ve en basit ağlardan biridir. Veri akışı, giriş düğümlerinden gizli düğümlere ve son olarak da çıkış düğümlerine doğrudur.
  • İleri Besleme düğümlerine benzer şekilde, bilgilerin her adımda hatırlanması gereken tekrarlayan düğümler vardır.

2. Veri kümeleri: Veri kümeleri, ağların test edilmesi, doğrulanması ve eğitimi için ağlara sağlanacak verileri içerir. Makine öğrenmesi ile gerçekleştirilecek göreve bağlıdır. İki tür veri kümesi çoğunlukla PyBrain tarafından desteklenir, yani SupervisedDataSet ve ClassificationDataSet.

• • SupervisedDataSet: Bu tür veri kümeleri çoğunlukla denetimli öğrenme görevleri için kullanılır. Veri kümelerindeki alanlar “girdi” ve “hedef”tir.
  • ClassificationDataSet: Bu tür veri kümeleri çoğunlukla sınıflandırma görevleri için kullanılır. “Girdi” ve “hedef” alanlarının yanı sıra “sınıf” gibi ek bir alan daha vardır. “Sınıf”, hedeflerin otomatik olarak yedeklenmesini içerir.

3. Eğitmen: Bir sinir ağındaki veriler, ağlara sağlanan eğitim verileriyle eğitilir. Ağın uygun şekilde eğitilip eğitilmediğini kontrol etmek için o ağdaki test verilerinin tahmini analiz edilir. PyBrain'de en çok kullanılan iki tür eğitici şunlardır:

• • Backprop Trainer: Bir ağdaki parametreler, hataları geri yaymak suretiyle denetlenen veya ClassificationDataSet veri kümesine dayalı olarak eğitilir.
  • TrainUntilConvergence: Modül, yakınsamaya kadar eğitilir

4. Görselleştirme : Verilerin görselleştirilmesi Mathplotlib, pyplot vb. gibi diğer çerçeveler aracılığıyla gerçekleştirilebilir.

20. SÜT

Python'daki “MILK” makine öğrenme paketi, denetimli sınıflandırma için mevcut sınıflandırıcıların kullanımına odaklanır. Kullanılabilir sınıflandırıcılar SVM'ler, k-NN, rastgele ormanlar ve karar ağaçlarıdır. SÜT, sınıflandırmanın yanı sıra özellik seçim sürecinde de yardımcı olur. Sınıflandırıcıların kombinasyonu, sınıflandırma sistemlerine göre değişir.

• Denetimsiz sınıflandırma problemi için MILK, kümeleme ve afinite yayılımını kullanır.
• SÜT için girişler değişiklik gösterir. Çoğunlukla NumPy dizileri için optimize edilmiştir, ancak diğer girdi biçimleri kabul edilebilir.
• SÜT'teki kodlar, düşük bellek kullanan ve yüksek hızlı C++ ile yazılmıştır.

Kurulum

SÜT için kurulum kodu Github'dan alınabilir. Kurulum için kullanılan komutlar “easy_install milk” veya “pip install milk” şeklindedir.

Araç seti hakkında daha fazla bilgi bağlantıdan alınabilir.

Çözüm

Kullanımı basit python dili, gerçek dünyanın çeşitli alanlarında geniş uygulamalar yapmaktadır. Üst düzey, dinamik olarak yazılan ve yorumlanan bir dil olan dil, hata ayıklama hataları alanlarında hızla büyüyor. Python'un giderek artan bir şekilde kullanıldığı küresel uygulamalardan bazıları YouTube, DropBox vb. Ayrıca python'daki kitaplıkların mevcudiyeti ile kullanıcılar kendi kodlarını yazmak zorunda kalmadan birçok görevi gerçekleştirebilirler.

Python kütüphaneleri ve veri bilimi hakkında bilgi edinmek istiyorsanız, IIIT-B & upGrad'ın çalışan profesyoneller için oluşturulan ve 10'dan fazla vaka çalışması ve proje, pratik uygulamalı atölye çalışmaları, endüstri ile mentorluk sunan Veri Biliminde Yönetici PG Programına göz atın. uzmanlar, sektör danışmanlarıyla bire bir, 400+ saat öğrenim ve en iyi firmalarla iş yardımı.