认识达内从这里开始

随着python编程开发语言的不断发展，关于python编程的可视化和机器学习的相关数据库的内容也发生了更新变化。下面，我们就从以下两个方面来了解一下具体情况吧。

可视化

1. Matplotlib(提交：25747，贡献者：725)

Matplotlib是一个用于创建二维图表和图形的低级库。你可以用它来构建各种图表，从直方图和散点图到非笛卡尔坐标图。此外，很多流行的绘图库都为Matplotlib预留了位置，可与Matplotlib结合在一起使用。

该库在绘图样式方面做出了很多变更，如颜色、尺寸、字体、图例等。例如，坐标轴图例的自动对齐和对色盲患者更友好的色环。

2. Seaborn(提交：2044，贡献者：83)

Seaborn实际上是基于matplotlib库构建的高级API。它为处理图表提供了更恰当的默认选项。此外，它还提供了一组丰富的可视化图库，包括时间序列、联合图和小提琴图等复杂的类型。

Seaborn的更新主要是问题修复。不过，FacetGrid(或PairGrid)与增强的交互式matplotlib后端之间的兼容性有所改进，为可视化添加了参数和选项。

3. Plotly(提交：2906，贡献者：48)

Plotly是一个可以帮助你轻松构建复杂图形的流行库。该库适用于交互式Web应用程序，它提供了很多很棒的可视化效果，包括轮廓图形、三元图和3D图表。

这个库在持续地增强和改进，带来新的图形和特性，支持“多链接视图”、动画和串扰集成。

4. Bokeh(提交：16983，贡献者：294)

Bokeh库使用JavaScript小部件在浏览器中创建交互式和可伸缩的可视化图形。该库提供了多种图形、样式、链接图形式的交互能力、添加小部件、定义回调以及更多有用的功能。

Bokeh改进的交互式功能值得称赞，例如可旋转的分类刻度标签，以及小型的缩放工具和自定义工具提示字段增强。

5. Pydot(提交：169，贡献者：12)

Pydot是一个用于生成面向复杂图形和非面向复杂图形的库。它作为面向Graphviz的一个接口，使用Python编写。我们可以借助它来显示图形的结构，这在构建神经网络和基于决策树的算法时经常会用到。

机器学习

6. Scikit-learn(提交：22753，贡献者：1084)

这个基于NumPy和SciPy的Python模块是处理数据的佳库之一。它为很多标准的机器学习和数据挖掘任务提供算法，例如聚类、回归、分类、降维和模型选择。

该库有很多增强功能。交叉验证已经获得更新，现在可以使用多个指标。一些训练方法(如邻近取样和逻辑回归等)得到一些小改进。它的主要更新之一是完成了通用术语和API元素词汇表。

7. XGBoost/LightGBM/CatBoost(提交：3277/1083/1509，贡献者：280/79/61)

梯度提升是流行的机器学习算法之一，它的核心原理在于构建连续精炼的基本模型的集合，即决策树。因此，有些专门的库被设计用于方便快速地实现该方法。我们认为XGBoost、LightGBM和CatBoost是值得关注的。它们都是解决常见问题强有力的工具，而且使用方式几乎一样。我们可以使用这些库快速实现高度优化且可扩展的梯度提升，所以它们在数据科学家和Kaggle竞争者中非常受欢迎，他们在这些算法的帮助下赢得了很多比赛。

8. Eli5(提交：922，贡献者：6)

通常情况下，机器学习模型的预测结果并不完全是清晰的，这个时候可以借助Eli5来解决这个问题。它是一个用于可视化和调试机器学习模型的库，可以逐步跟踪算法的执行过程。它支持scikit-learn、XGBoost、LightGBM、lightning和sklearn-crfsuite库，并可以为每个库执行不同的任务。

作者：Active Wizards

译者：无明

节选：infoq

【免责声明】：本内容转载于网络，转载目的在于传递信息。文章内容为作者个人意见，本平台对文中陈述、观点保持中立，不对所包含内容的准确性、可靠性与完整性提供形式地保证。请读者仅作参考。