絕不能錯過的24個頂級Python庫
2020-12-04 來源：raincent
本文為你介紹24種涵蓋端到端數(shù)據(jù)科學生命周期的Python庫。
易用性和靈活性
全行業(yè)高接受度：Python無疑是業(yè)界最流行的數(shù)據(jù)科學語言
用于數(shù)據(jù)科學的Python庫的數(shù)量優(yōu)勢
事實上，由于Python庫種類很多，要跟上其發(fā)展速度非常困難。因此，本文介紹了24種涵蓋端到端數(shù)據(jù)科學生命周期的Python庫。
文中提及了用于數(shù)據(jù)清理、數(shù)據(jù)操作、可視化、構建模型甚至模型部署(以及其他用途)的庫。這是一個相當全面的列表，有助于你使用Python開啟數(shù)據(jù)科學之旅。
用于不同數(shù)據(jù)科學任務的Python庫
用于數(shù)據(jù)收集的Python庫：
Beautiful Soup
Scrapy
Selenium
用于數(shù)據(jù)清理和數(shù)據(jù)操作的Python庫：
Pandas
PyOD
NumPy
Spacy
用于數(shù)據(jù)可視化的Python庫：
Matplotlib
Seaborn
Bokeh
用于建模的Python庫：
Scikit-learn
TensorFlow
PyTorch
用于模型解釋的Python庫：
Lime
H2O
用于語音處理的Python庫：
Librosa
Madmom
pyAudioAnalysis
用于圖像處理的Python庫：
OpenCV-Python
Scikit-image
Pillow
作為數(shù)據(jù)庫的Python庫：
Psycopg
SQLAlchemy
用于模型部署的Python庫：
Flask
用于數(shù)據(jù)收集的Python庫
你是否曾遇到過這樣的情況：缺少解決問題的數(shù)據(jù)?這是數(shù)據(jù)科學中一個永恒的問題。這也是為什么學習提取和收集數(shù)據(jù)對數(shù)據(jù)科學家來說是一項非常重要的技能。數(shù)據(jù)提取和收集開辟了前所未有的道路。
以下是三個用于提取和收集數(shù)據(jù)的Python庫：
Beautiful Soup
傳送門：
https://www.crummy.com/software/BeautifulSoup/bs4/doc/
收集數(shù)據(jù)的最佳方式之一就是抓取網(wǎng)站(當然是以合乎道德和法律的手段!)徒手做這件事需要耗費大量的勞動和時間。Beautiful Soup無疑是一大救星。
Beautiful Soup是一個HTML和XML解析器，可為被解析的頁面創(chuàng)建解析樹，從而用于從web頁面中提取數(shù)據(jù)。從網(wǎng)頁中提取數(shù)據(jù)的過程稱為網(wǎng)頁抓取。
使用以下代碼可安裝BeautifulSoup：
pip install beautifulsoup4
下面是一個可實現(xiàn)從HTML中提取所有錨標記的Beautiful Soup簡單代碼：
#!/usr/bin/python3# Anchor extraction from html documentfrom bs4 import BeautifulSoupfrom urllib.request import urlopen
with urlopen('LINK') as response: soup = BeautifulSoup(response, 'html.parser') for anchor in soup.find_all('a'): print(anchor.get('href', '/'))
建議閱讀下面的文章，學習如何在Python中使用Beautiful Soup：
《新手指南：在Python中使用BeautifulSoup進行網(wǎng)頁抓取》傳送門：
https://www.analyticsvidhya.com/blog/2015/10/beginner-guide-web-scraping-beautiful-soup-python/
Scrapy
傳送門：
https://docs.scrapy.org/en/latest/intro/tutorial.html
Scrapy是另一個可有效用于網(wǎng)頁抓取的Python庫。它是一個開源的協(xié)作框架，用于從網(wǎng)站中提取所需數(shù)據(jù)。使用起來快捷簡單。
下面是用于安裝Scrapy的代碼：
pip install scrapy
Scrapy是一個用于大規(guī)模網(wǎng)頁抓取的框架�？商峁┧行枰墓ぞ哂行У貜木W(wǎng)站中抓取數(shù)據(jù)，且依需要處理數(shù)據(jù)，并以使用者偏好的結構和格式存儲數(shù)據(jù)。
下面是一個實現(xiàn)Scrapy的簡單代碼：
import scrapy
class Spider(scrapy.Spider): name = 'NAME' start_urls = ['LINK']
def parse(self, response): for title in response.css('.post-header>h2'): yield {'title': title.css('a ::text').get()}
for next_page in response.css('a.next-posts-link'): yield response.follow(next_page, self.parse
下面是一個學習Scrapy并在Python中實現(xiàn)Scrapy的絕佳教程：
《使用Scrapy在Python中進行網(wǎng)頁抓取(含多個示例)》傳送門：
https://www.analyticsvidhya.com/blog/2017/07/web-scraping-in-python-using-scrapy/
Selenium
傳送門：
https://www.seleniumhq.org/
Selenium是一個倍受歡迎的自動化瀏覽器工具。在業(yè)界常用于測試，但對于網(wǎng)頁抓取也非常方便。Selenium在IT領域非常流行。
編寫Python腳本來自動化使用Selenium的web瀏覽器是很容易的。它允許免費高效地提取數(shù)據(jù)，并將其存儲在首選格式中以備后用。
關于使用Python和Selenium抓取YouTube視頻數(shù)據(jù)的文章：
《數(shù)據(jù)科學項目：使用Python和Selenium抓取YouTube數(shù)據(jù)對視頻進行分類》傳送門：
https://www.analyticsvidhya.com/blog/2019/05/scraping-classifying-youtube-video-data-python-selenium/
用于數(shù)據(jù)清理和數(shù)據(jù)操作的Python庫
收集了數(shù)據(jù)之后，接下來要清理可能面臨的任何混亂數(shù)據(jù)，并學習如何操作數(shù)據(jù)，方便數(shù)據(jù)為建模做好準備。
下面是四個可用于數(shù)據(jù)清理和數(shù)據(jù)操作的Python庫。請記住，文中僅指明在現(xiàn)實世界中處理結構化(數(shù)值)數(shù)據(jù)和文本數(shù)據(jù)(非結構化)——而該庫列表涵蓋了所有內(nèi)容。
Pandas
傳送門：
https://pandas.pydata.org/pandas-docs/stable/
在數(shù)據(jù)操作和數(shù)據(jù)分析方面，Pandas絕無敵手。Pandas一度是最流行的Python庫。Pandas是用Python語言編寫的，主要用于數(shù)據(jù)操作和數(shù)據(jù)分析。
這個名稱來源于術語“面板數(shù)據(jù)”，“面板數(shù)據(jù)”是一個計量經(jīng)濟學術語，指的是包含同一個人在多個時間段內(nèi)的觀察結果的數(shù)據(jù)集。
Pandas在Python or Anaconda中已完成預安裝，但以防需要，安裝代碼如下：
pip install pandas
數(shù)據(jù)集連接和合并
刪除和插入數(shù)據(jù)結構列
數(shù)據(jù)過濾
重塑數(shù)據(jù)集
使用DataFrame對象來操作數(shù)據(jù)等
下面是一篇文章以及一份很棒的Cheatsheet，有助于使Pandas技能達標：
《Python中用于數(shù)據(jù)操作的12種有用的Pandas技術》傳送門：
https://www.analyticsvidhya.com/blog/2016/01/12-pandas-techniques-python-data-manipulation/
《CheatSheet:在Python中使用Pandas進行數(shù)據(jù)探索》傳送門：
https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
PyOD
傳送門：
https://pyod.readthedocs.io/en/latest/
難以發(fā)現(xiàn)異常值?這絕非個例。別擔心，PyOD庫就在這里。
PyOD是一個全面的、可伸縮的Python工具包，用于檢測外圍對象。離群值檢測基本上是識別與大多數(shù)數(shù)據(jù)顯著不同的稀有項或觀測值。
以下代碼可用于下載pyOD：
pip install pyod
PyOD是如何工作的?如何實現(xiàn)PyOD?下面一則指南將回答所有關于PyOD的問題:
《學習在Python中使用PyOD庫檢測異常值的絕佳教程》傳送門：
https://www.analyticsvidhya.com/blog/2019/02/outlier-detection-python-pyod/
NumPy
傳送門：
https://www.numpy.org/
與Pandas一樣，NumPy也是一個非常受歡迎的Python庫。NumPy引入了支持大型多維數(shù)組和矩陣的函數(shù)，同時還引入了高級數(shù)學函數(shù)來處理這些數(shù)組和矩陣。
NumPy是一個開源庫，有多方貢獻者。在 Anaconda和Python中已預安裝Numpy，但以防需要，下面是安裝代碼：
$ pip install numpy
下面是使用NumPy可執(zhí)行的一些基本功能：
創(chuàng)建數(shù)組
import numpy as npx = np.array([1, 2, 3])print(x)y = np.arange(10)print(y)output - [1 2 3] [0 1 2 3 4 5 6 7 8 9]
基本運算
a = np.array([1, 2, 3, 6])b = np.linspace(0, 2, 4)c = a - bprint(c)print(a**2)output - [1. 1.33333333 1.66666667 4. ] [ 1 4 9 36]
以及更多其他功能!
SpaCy
傳送門：
https://spacy.io/
目前已經(jīng)討論了如何清理數(shù)據(jù)和處理數(shù)值數(shù)據(jù)。但是如果正在處理文本數(shù)據(jù)呢?到目前為止，現(xiàn)有的庫都無法解決該問題。
Spacy是一個非常有用且靈活的自然語言處理( NLP )庫和框架，用于清理創(chuàng)建模型的文本文檔。與類似用途的其他庫相比，SpaCy速度更快。
在Linux中安裝Spacy：
pip install -U spacypython -m spacy download en
其他操作系統(tǒng)上安裝Spacy，請點擊：https://spacy.io/usage
以下是學習spaCy的課程：
《簡化自然語言處理——使用SpaCy(在Python中)》傳送門：
https://www.analyticsvidhya.com/blog/2017/04/natural-language-processing-made-easy-using-spacy-%e2%80%8bin-python/
用于數(shù)據(jù)可視化的Python庫
下一步是什么呢?數(shù)據(jù)可視化!此處假設已得到驗證，并且發(fā)掘了隱藏的觀點和模式。
下面是三個用于數(shù)據(jù)可視化的絕佳Python庫。
Matplotlib
傳送門：
https://matplotlib.org/
Matplotlib是Python中最流行的數(shù)據(jù)可視化庫。允許生成和構建各種各樣的圖。Matplotlib是筆者的首選庫，可與Seaborn一起用于進行數(shù)據(jù)可視化研究。
以下是安裝Matplotli的代碼：
$ pip install matplotlib
下面是使用Matplotlib構建的不同類型圖示的部分例子：
柱狀圖
%matplotlib inlineimport matplotlib.pyplot as pltfrom numpy.random import normalx = normal(size=100)plt.hist(x, bins=20)plt.show()
3D 圖表
from matplotlib import cmfrom mpl_toolkits.mplot3d import Axes3Dimport matplotlib.pyplot as pltimport numpy as npfig = plt.figure()ax = fig.gca(projection='3d')X = np.arange(-10, 10, 0.1)Y = np.arange(-10, 10, 0.1)X, Y = np.meshgrid(X, Y)R = np.sqrt(X**2 + Y**2)Z = np.sin(R)surf = ax.plot_surface(X, Y, Z, rstride=1,cstride=1, cmap=cm.coolwarm)plt.show()
目前已經(jīng)介紹了Pandas、NumPy和Matplotlib，那么請查看下面的教程，該教程結合了以上三個庫進行講解：
《使用NumPy、Matplotlib和Pandas在Python中進行數(shù)據(jù)探索的終極指南》傳送門：
https://www.analyticsvidhya.com/blog/2015/04/comprehensive-guide-data-exploration-sas-using-python-numpy-scipy-matplotlib-pandas/
Seaborn
傳送門：
https://seaborn.pydata.org/
Seaborn是另一個基于matplotlib的繪圖庫。它是一個為繪制有吸引力的圖像而提供高級接口的python庫。matplotlib能實現(xiàn)功能，Seaborn只是以另一種更吸引人的視覺方式來實現(xiàn)。
Seaborn 的一些特點：
作為一個面向數(shù)據(jù)集的API，可用于查驗多個變量之間的關系
便于查看復雜數(shù)據(jù)集的整體結構
用于選擇顯示數(shù)據(jù)中模式的調(diào)色板的工具
下面一行代碼可用于安裝Seaborn：
pip install seaborn
瀏覽下面這些很酷的圖表，看看seaborn能做些什么：
import seaborn as snssns.set()tips =sns.load_dataset("tips")sns.relplot(x="total_bill",y="tip", col="time", hue="smoker",style="smoker", size="size", data=tips);
下面是另外一個例子：
import seaborn as snssns.catplot(x="day",y="total_bill", hue="smoker", kind="violin",split=True, data=tips);
Bokeh
傳送門：
https://bokeh.pydata.org/en/latest/
Bokeh是一個面向現(xiàn)代網(wǎng)頁瀏覽器的交互式可視化庫，為大量數(shù)據(jù)集提供優(yōu)美的通用圖形結構。
Bokeh可用于創(chuàng)建交互式繪圖、儀表板和數(shù)據(jù)應用程序。
安裝：
pip install bokeh
了解更多關于Bokeh的知識及其實際應用：
《使用Bokeh的交互式數(shù)據(jù)可視化(在Python中)》傳送門：
https://www.analyticsvidhya.com/blog/2015/08/interactive-data-visualization-library-python-bokeh/
用于建模的Python庫
現(xiàn)在到了本文最令人期待的部分——建模!這也是大多數(shù)人一開始接觸數(shù)據(jù)科學的原因。
接下來通過這三個Python庫來探索建模。
Scikit-learn
傳送門：
https://scikit-learn.org/stable/
就像用于數(shù)據(jù)操作的Pandas和用于可視化的matplotlib一樣，scikit-learn是Python構建模型中的佼佼者。沒有什么能與之媲美。
事實上，scikit-learn建立在NumPy，SciPy和matplotlib之上。它是開放源碼的，每個人都可以訪問，并且可以在各種環(huán)境中重用。
Scikit-learn支持在機器學習中執(zhí)行的不同操作，如分類、回歸、聚類和模型選擇等。命名它——那么scikit-learn會有一個模塊。
建議瀏覽以下鏈接以了解有關scikit-learn的更多信息：
《Python中的Scikit-learn——筆者去年學到的最重要的機器學習工具!》傳送門：
https://www.analyticsvidhya.com/blog/2015/01/scikit-learn-python-machine-learning-tool/
TensorFlow
傳送門：
https://www.tensorflow.org/
TensorFlow由谷歌開發(fā)，是一個流行的深度學習庫，可幫助構建、培訓不同模型。是一個開放源碼的端到端平臺。TensorFlow提供簡單的模型構建，強大的機器學習生產(chǎn)，以及強大的實驗工具和庫。
TensorFlow提供多個抽象級別，可根據(jù)需要進行選擇。TensorFlow通過使用高級Keras API來構建和訓練模型，這使TensorFlow入門和機器學習變得容易。
安裝傳送門：
https://www.tensorflow.org/install
使用TensorFlow從閱讀這些文章開始：
《TensorFlow 101:理解張量和圖像以便開始深入學習》傳送門：
https://www.analyticsvidhya.com/blog/2017/03/tensorflow-understanding-tensors-and-graphs/
《開始使用Keras和TensorFlow在R中進行深度學習》傳送門：
https://www.analyticsvidhya.com/blog/2017/06/getting-started-with-deep-learning-using-keras-in-r/
PyTorch
傳送門：
https://pytorch.org/
什么是PyTorch?其實，這是一個基于Python的科學計算包，其功能如下：
NumPy的替代品，可使用GPU的強大功能
深度學習研究型平臺，擁有最大靈活性和最快速度
安裝指南傳送門：
https://pytorch.org/get-started/locally/
PyTorch提供以下功能：
混合前端
工具和庫：由研發(fā)人員組成的活躍社區(qū)已經(jīng)建立了一個豐富的工具和庫的生態(tài)系統(tǒng)，用于擴展PyTorch并支持計算機視覺和強化學習等領域的開發(fā)
云支持：PyTorch支持在主要的云平臺上運行，通過預構建的映像、對GPU的大規(guī)模訓練、以及在生產(chǎn)規(guī)模環(huán)境中運行模型的能力等，可提供無摩擦的開發(fā)和輕松拓展
以下是兩篇有關PyTorch的十分詳細且易于理解的文章：
《PyTorch簡介——一個簡單但功能強大的深度學習庫》傳送門：
https://www.analyticsvidhya.com/blog/2018/02/pytorch-tutorial/
《開始使用PyTorch——學習如何建立快速和準確的神經(jīng)網(wǎng)絡(以4個案例研究為例)》傳送門：
https://www.analyticsvidhya.com/blog/2019/01/guide-pytorch-neural-networks-case-studies/
用于數(shù)據(jù)解釋性的Python庫
你真的了解模型如何工作嗎?能解釋模型為什么能夠得出結果嗎?這些是每個數(shù)據(jù)科學家都能夠回答的問題。構建黑盒模型在業(yè)界毫無用處。
所以，上文中已經(jīng)提到的兩個Python庫可以幫助解釋模型的性能。
LIME
傳送門：
https://github.com/marcotcr/lime
LIME是一種算法(庫)，可以解釋任何分類器或回歸量的預測。LIME是如何做到的呢?通過可解釋的模型在局部不斷接近預測值，這個模型解釋器可用于生成任何分類算法的解釋。
安裝LIME很簡單：
pip install lime
下文將從總體上幫助開發(fā)LIME背后的直覺和模型可解釋性：
《在機器學習模型中建立信任(在Python中使用LIME)》傳送門：
https://www.analyticsvidhya.com/blog/2017/06/building-trust-in-machine-learning-models/
H2O
傳送門：
https://github.com/h2oai/mli-resources
相信很多人都聽說過H2O.ai，自動化機器學習的市場領導者。但是你知道其在Python中也有一個模型可解釋性庫嗎?
H2O的無人駕駛AI，提供簡單的數(shù)據(jù)可視化技術，用于表示高度特征交互和非線性模型行為，通過可視化提供機器學習可解釋性(MLI)，說明建模結果和模型中特征的影響。
通過下文，閱讀有關H2O的無人駕駛AI執(zhí)行MLI的更多信息。
《機器學習可解釋性》傳送門：
https://www.h2o.ai/wp-content/uploads/2018/01/Machine-Learning-Interpretability-MLI_datasheet_v4-1.pdf
用于音頻處理的Python庫
音頻處理或音頻分析是指從音頻信號中提取信息和含義以進行分析、分類或任何其他任務。這正在成為深度學習中的一種流行功能，所以要留意這一點。
LibROSA
傳送門：
https://librosa.github.io/librosa/
LibROSA是一個用于音樂和音頻分析的Python庫。它提供了創(chuàng)建音樂信息檢索系統(tǒng)所需的構建塊。
安裝指南傳送門：
https://librosa.github.io/librosa/install.html
這是一篇關于音頻處理及其工作原理的深度文章：
《利用深度學習開始音頻數(shù)據(jù)分析(含案例研究)》傳送門：
https://www.analyticsvidhya.com/blog/2017/08/audio-voice-processing-deep-learning/
Madmom
傳送門：
https://github.com/CPJKU/madmom
Madmom是一個用于音頻數(shù)據(jù)分析的很棒的Python庫。它是一個用Python編寫的音頻信號處理庫，主要用于音樂信息檢索(MIR)任務。
以下是安裝Madmom的必備條件：
NumPy
SciPy
Cython
Mido
以下軟件包用于測試安裝：
PyTest
Fyaudio
PyFftw
安裝Madmom的代碼：
pip install madmom
下文可用以了解Madmom如何用于音樂信息檢索：
《學習音樂信息檢索的音頻節(jié)拍追蹤(使用Python代碼)》傳送門：
https://www.analyticsvidhya.com/blog/2018/02/audio-beat-tracking-for-music-information-retrieval/
pyAudioAnalysis
傳送門：
https://github.com/tyiannak/pyAudioAnalysis
pyAudioAnalysis是一個用于音頻特征提取、分類和分段的Python庫，涵蓋廣泛的音頻分析任務，例如：
對未知聲音進行分類
檢測音頻故障并排除長時間錄音中的靜音時段
進行監(jiān)督和非監(jiān)督的分割
提取音頻縮略圖等等
可以使用以下代碼進行安裝：
pip install pyAudioAnalysis
用于圖像處理的Python庫
如果想要在數(shù)據(jù)科學行業(yè)有一番成就，那么必須學習如何使用圖像數(shù)據(jù)。隨著系統(tǒng)能夠收集越來越多的數(shù)據(jù)(主要得益于計算資源的進步)，圖像處理越來越無處不在。
因此，請確保熟悉以下三個Python庫中的至少一個。
OpenCV-Python
傳送門：
https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_setup/py_intro/py_intro.html
談到圖像處理，OpenCV首先浮現(xiàn)在腦海中。OpenCV-Python是用于圖像處理的Python API，結合了OpenCV C ++ API和Python語言的最佳特性。主要用于解決計算機視覺問題。
OpenCV-Python使用了上文提到的NumPy。所有OpenCV陣列結構都與NumPy數(shù)組相互轉換。這也使得與使用Numpy的其他庫(如SciPy和Matplotlib)集成變得更加容易。
在系統(tǒng)中安裝OpenCV-Python：
pip3 install opencv-python
以下是兩個關于如何在Python中使用OpenCV的流行教程：
《基于深度學習的視頻人臉檢測模型建立(Python實現(xiàn))》傳送門：
https://www.analyticsvidhya.com/blog/2018/12/introduction-face-detection-video-deep-learning-python/
《16個OpenCV函數(shù)啟動計算機視覺之旅(使用Python代碼)》傳送門：
https://www.analyticsvidhya.com/blog/2019/03/opencv-functions-computer-vision-python/
Scikit-image
傳送門：
https://scikit-image.org/
Scikit-image是另一個用于圖像處理的python庫，是用于執(zhí)行多個不同圖像處理任務的算法集合�？捎糜趫D像分割、幾何變換、色彩空間操作、分析、過濾，形態(tài)學、特征檢測等等。
在安裝scikit-image前，請先安裝以下軟件包：
Python(> = 3.5)
NumPy(> = 1.11.0)
SciPy(> = 0.17.0)
joblib(> = 0.11)
這就是在機器上安裝scikit-image的方法：
pip install -U scikit-learn
Pillow
傳送門：
https://pillow.readthedocs.io/en/stable/
Pillow是PIL(Python Imaging Library)的新版本。它是從PIL派生出來的，在一些Linux發(fā)行版(如Ubuntu)中被用作原始PIL的替代。
Pillow提供了幾種執(zhí)行圖像處理的標準程序：
逐像素操作
掩模和透明處理
圖像過濾，例如模糊，輪廓，平滑或邊緣監(jiān)測
圖像增強，例如銳化，調(diào)整亮度、對比度或顏色
在圖像上添加文字等等
安裝Pillow：
pip install Pillow
查看以下關于在計算機視覺中使用Pillow的AI漫畫：
《AI漫畫：Z.A.I.N —— 第二期：使用計算機視覺進行面部識別》傳送門：
https://www.analyticsvidhya.com/blog/2019/06/ai-comic-zain-issue-2-facial-recognition-computer-vision/
用于數(shù)據(jù)庫的Python庫
學習如何從數(shù)據(jù)庫存儲、訪問和檢索數(shù)據(jù)是數(shù)據(jù)科學家必備的技能。但是如何在不首先檢索數(shù)據(jù)的情況下做到建模呢?
接下來介紹兩個與SQL相關的Python庫。
psycopg
傳送門：
http://initd.org/psycopg/
Psycopg是Python編程語言中最流行的PostgreSQL(高級開源代碼關系數(shù)據(jù)庫)適配器。Psycopg的核心是完全實現(xiàn)Python DB API 2.0規(guī)范。
目前的psycopg2實現(xiàn)支持：
Python版本2.7
Python 3版本(3.4到3.7)
PostgreSQL服務器版本(7.4到11)
PostgreSQL客戶端庫版本(9.1以上)
以下是安裝psycopg2的方法：
pip install psycopg2
SQLAlchemy
傳送門：
https://www.sqlalchemy.org/
SQL是最流行的數(shù)據(jù)庫語言。SQLAlchemy是pythonSQL工具包和對象關系映射器，它為應用程序開發(fā)人員提供了SQL的全部功能，且極具靈活性。
SQL旨在實現(xiàn)高效、高性能的數(shù)據(jù)庫訪問。SQLAlchemy將數(shù)據(jù)庫視為關系代數(shù)引擎，而不僅僅是表的集合。
要安裝SQLAlchemy，可以使用以下代碼行：
pip install SQLAlchemy
用于部署的Python庫
你知道哪些模型部署?部署模型意味著將最終模型放入最終應用程序(技術上稱為生產(chǎn)環(huán)境)。
Flask
傳送門：
http://flask.pocoo.org/docs/1.0/
Flask是一個用Python編寫的Web框架，廣泛用于部署數(shù)據(jù)科學模型。Flask由兩個部分組成：
Werkzeug：Python編程語言的實用程序庫
Jinja：Python的模板引擎
查看下面的示例以打印“Hello world”：
from flask import Flaskapp = Flask(__name__)@app.route("/")def hello(): return "HelloWorld!"if __name__ == "__main__": app.run()
以下文章是學習Flask的良好開端：
《在生產(chǎn)中將機器學習模型部署為API的教程(使用Flask)》傳送門：
https://www.analyticsvidhya.com/blog/2017/09/machine-learning-models-as-apis-using-flask/
相關鏈接：
https://www.analyticsvidhya.com/blog/2019/07/dont-miss-out-24-amazing-python-libraries-data-science/
標簽： Python
版權申明：本站文章部分自網(wǎng)絡，如有侵權，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯(lián)系。
