近几年Python火到没朋友，而它大火离不开这五点，简单易学、免费开源、可移植性、面向对象、丰富的库。

要知道Python标准库非常庞大，它可以帮助处理各种工作，包括正则表达式、文档生成、单元测试、线程、数据库、网页浏览器、CGI、FTP、电子邮件、XML、XML-RPC、HTML、WAV文件、密码系统、GUI（图形用户界面）、Tk和其他与系统有关的操作。这也是Python被称“功能齐全”的主要原因，除了标准库以外，还有许多其他高质量的库，如wxPython、Twisted和Python图像库等等。今天我们就来说说2019 Python程序员必须要学的10个库。

01

TensorFlow

TensorFlow是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief。它拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究。

TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类应用程序接口（Application Programming Interface, API）。自2015年11月9日起，TensorFlow依据阿帕奇授权协议（Apache 2.0 open source license）开放源代码。

TensorFlow提供Python语言下的四个不同版本：CPU版本（tensorflow）、包含GPU加速的版本（tensorflow-gpu），以及它们的每日编译版本（tf-nightly、tf-nightly-gpu）。TensorFlow的Python版本支持Ubuntu 16.04、Windows 7、macOS 10.12.6 Sierra、Raspbian 9.0及对应的更高版本，其中macOS版不包含GPU加速。安装Python版TensorFlow可以使用模块管理工具pip/pip3或anaconda并在终端直接运行。

02

Numpy

NumPy系统是Python的一种开源的科学计算库，主要用于科学计算和数据分析，可用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多。

NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发的。2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展开发了NumPy。

NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理以及精密的运算库。专为进行严格的数字处理而生。多为很多大型金融公司使用，以及核心的科学计算组织像Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。

03

Keras

Keras是一个由Python编写的开源人工神经网络库，是基于 Python 的深度学习库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。

Keras支持现代人工智能领域的主流算法，包括前馈结构和递归结构的神经网络，也可以通过封装参与构建统计学习模型。在硬件和开发环境方面，Keras支持多操作系统下的多GPU并行计算，可以根据后台设置转化为Tensorflow、Microsoft-CNTK等系统下的组件。Keras的主要开发者是谷歌工程师François Chollet，此外其GitHub项目页面包含6名主要维护者和超过800名直接贡献者。

你知道什么时候可以使用Keras吗？第一，允许简单而快速的原型设计；第二，在 CPU 和 GPU 上无缝运行；第三，同时支持卷积神经网络和循环神经网络以及两者的组合。要提醒大家的是Keras 兼容Python 2.7-3.6，但是Python2马上就要谢幕了，小伙伴们要注意啦！

04

Scikit-Learn

近日Scikit-Learn官方发布0.22版本，作为深受机器学习玩家青睐的Python库，包含众多顶级机器学习算法，像分类、回归、聚类、模型选择、数据预处理等等。

Scikit-learn 是基于Python语言的机器学习工具，一款简单高效的数据挖掘和数据分析工具，可供大家在各种环境中重复使用，是建立在 NumPy ，SciPy 和 matplotlib 上

开源Python库。

你需要了解的Scikit-learn特性：交叉验证、特征提取、无监督学习算法。Scikit-learn，是基于SciPy针对机器学习领域发展出的一个分支版本，它本身不支持深度学习，不支持GPU加速，需要NumPy和SciPy等其他包的支持。作为Python语言针对机器学习而开发的一个开源框架，它只做机器学习的扩展，只采用经过广泛验证的算法。

05

PyTorch

PyTorch是使用GPU和CPU优化的深度学习的Python库。作为非常有可能改变深度学习领域前景的Python库，主要用于提供一个具有灵活性的深度学习开发平台。当然它的工作流程非常接近Python的科学计算库——numpy，同时PyTorch有易于使用的API，拥有Python的支持、动态计算图、多gpu支持、自定义数据加载器和简化的预处理器等优点。PyTorch更有利于研究人员、爱好者、小规模项目等快速搞出原型，因此自2007年问世以来，吸引了越来越多的机器学习开发人员。

06

Eli5

ELI5是一个Python库，允许使用统一API可视化地调试各种机器学习模型。它内置了对多个ML框架的支持，并提供了一种解释黑盒模型的方法，有助于调试机器学习分类器并解释它们的预测，主要是用于处理文本分类的机器学习。

它为以下机器学习框架和包提供支持：

▪ scikit-learn。目前，ELI5允许解释scikit-learning线性分类器和回归量的权重和预测，将决策树打印为文本或SVG，显示特征重要性并解释决策树和基于树的集合的预测，支持Pipeline和FeatureUnion。ELI5通过scikit-learn了解文本处理实用程序，并可相应地突出显示文本数据。它还允许通过撤消散列来调试包含HashingVectorizer的scikit-learn管道。

▪ XGBoost，显示功能重要性并解释XGBClassifier，XGBRegressor和xgboost.Booster的预测。

▪ LightGBM，显示功能重要性并解释LGBMClassifier和LGBMRegressor的预测。

▪ lightning，解释闪电分类器和回归量的权重和预测。

▪ sklearn-crfsuite。ELI5允许检查sklearn_crfsuite.CRF模型的权重。

ELI5还实现了几种检测黑盒模型的算法：

▪ TextExplainer允许使用LIME算法解释任何文本分类器的预测。有一些实用程序可以将LIME与非文本数据和任意黑盒分类器一起使用，但此功能尚在实验中。

▪ Permutation Importance方法可用于计算黑盒估计器的特征重要性。

07

SciPy

Python在科学计算领域最受欢迎的库，你知道吗？numpy、SciPy、matplotlib，现在我们就来说说SciPy，这个建立在numpy基础上，方便、易于使用且专为科学和工程设计的Python库，它包括了统计、优化、整合以及线性代数模块、傅里叶变换、信号和图像图例，常微分方差的求解等等。

SciPy (pronounced “Sigh Pie”) is open-source software for mathematics, science, and engineering.

Scipy包含的一些强大功能你需要了解下：最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理、图像处理、常微分方程求解器等。

SciPy因为可以轻松地处理积分、线性代数以及常微分方程求解等，常被用于数学、科学、工程学等领域……

08

LightGBM

去年知乎有近千人围观“如何看待开源LightGBM？”要知道它一度被评价为“速度惊人”“支持分布式”“代码清晰易懂”“占用内存小”。那LightGBM到底如何呢？LightGBM是一个高性能、分布式的基于决策树算法的梯度提升框架，可用于排序，分类，回归以及很多其他的机器学习任务中，具有训练速度快，效率高；内存使用率更低；更精确；支持并行和GPU学习；能够处理大规模数据等优点。

LightGBM在很多方面表现的比XGBoost优秀的多：像更快的训练效率、低内存、更高的准确率、支持并行化学习、可处理大规模数据以及支持使用category特征，深受机器学习开发人员的欢迎。

09

Theano

Theano是一个可以在CPU或GPU上运行，可以让你去定义，优化，计算数学表达式，特别是多维数组（numpy.ndarray）的Python库。作为Python深度学习中的一个关键基础库，它结合了计算机代数系统（computer algebra system ，CAS) 的特征和优化编译器的功能，可以直接用以创建深度学习模型或包装库，简化程序。

Theano的5个特点你需要知道：和Numpy 紧密结合；支持GPU运算，比CPU快140倍；速超快，稳定性佳；能够动态生成C代码，计算表达式的速度快到超乎你的想象；支持单元测试。

10

Pandas

Pandas是Python的一个数据分析包，最初由AQR Capital Management于2008年4月开发，并于2009年底开源出来，目前由专注于Python数据包开发的PyData开发team继续开发和维护，属于PyData项目的一部分。Pandas最初被作为金融数据分析工具而开发出来，因此，pandas为时间序列分析提供了很好的支持。

作为一个强大的分析结构化数据的工具集，它的使用基础是Numpy（提供高性能的矩阵运算），用于数据挖掘和数据分析，同时也提供数据清洗功能。

你必须知道的两大利器：利器一，DataFrame是Pandas中的一个表格型的数据结构，包含有一组有序的列，每列可以是不同的值类型(数值、字符串、布尔型等)，DataFrame即有行索引也有列索引，可以被看做是由Series组成的字典。利器二，它是一种类似于一维数组的对象，是由一组数据(各种NumPy数据类型)以及一组与之相关的数据标签(即索引)组成。仅由一组数据也可产生简单的Series对象。

Pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。

Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。

以上10种功能强大的Python库，希望对你日后的学习和工作有所帮助。