簡介
在本文中，我將為您提供適用於任何機器學習專案的終極 Python 庫：
機器學習週期每個步驟必須了解的函式庫 - EDA、資料清理、資料工程、建模等…
全部開源
所有蟒蛇
完整的應用程式
1. 🚀Taipy
讓我們先討論一些經常被忽視的事情——實際上讓你的模型易於存取和有用。
Taipy 將會做到這一點，並將您的機器學習模型提升到一個新的水平。
它是一個開源程式庫，旨在輕鬆開發前端 (GUI) 和 ML/資料管道。不需要其他知識（沒有 CSS，什麼都不需要！）。它旨在加快應用程式開發，從最初的原型到生產就緒的應用程式。
Taipy 確保您的 ML 模型可以進入成熟的試點和應用程式，給您的最終用戶留下深刻的印象。
https://github.com/Avaiga/taipy
我們已經快有 1000 顆星了，沒有你就無法做到這一點🙏
EDA、資料清理和資料工程
2.🐼Pandas
如何在不了解 Pandas 的情況下使用 Python 進行編碼？
該庫有兩個核心資料結構：資料幀和系列，允許快速靈活的資料清理和準備。基本功能包括：
載入資料中
重塑資料框
基本統計
Pandas 是啟動資料科學計畫的工具。
其他並發試圖超越 Pandas，但沒有像 Dask 或 Polars 那樣廣泛使用。 這是未來文章的好主題！
3.🌱Numpy
Numpy 雖然等級比 Pandas 低，但它是科學計算和資料預處理的必備工具。
它圍繞著陣列發展，並允許快速資料操作和數學函數。
該函式庫是另一個必須了解的 Python 函式庫，與 Pandas 一樣，也是以資料為中心的任務的必備函式庫。
4.🔢統計模型
顧名思義，該函式庫提供了統計分析函數。
一系列功能涵蓋從描述性分析到統計測試；它也是一個處理時間序列資料、單變數和多元統計資料等的優秀函式庫。
5.👓YData Profiling
YData Profiling 透過一行程式碼徹底分析資料來促進 EDA 步驟。
分析包括缺失值檢測、相關性、分佈分析等。
該工具非常用戶友好且簡單，可以輕鬆加入到您的資料科學工具箱中。
機器學習/深度學習演算法
6.💼 Scikit-learn
這可能是 Python 最著名的 3 個函式庫，這是理所當然的。
Sklearn 是機器學習領域的參考書。它包括不同的模型，例如 K 均值聚類、回歸和分類演算法。
它在降維技術方面也很出色。
Sklearn也提供資料選擇和驗證功能。它易於學習/使用，應該成為您資料科學之旅中的首選 ML 庫。
7.🧠 Keras
Keras 是一個高階 API，運作在 TensorFlow 等框架之上。如果從神經網路開始，請從 Keras 開始。它非常適合快速實施，因為它簡化了實施過程，使其成為神經網路實施的最佳初學者友善選項。
8.🧠💪TensorFlow
這個庫是神經網路建模必須知道的。非常適合處理影像分類或 NLP（自然語言處理）等非結構化資料。 TensorFlow 廣泛應用於研究和工業領域，因為它為神經網路的設計和操作提供了完整的 API。 Keras（上面提到的）提供了一個更高層級（更簡單）的 API（它是建構在 TensorFlow 之上）。
9.🌴XGBoost
XGBoost 是有關機器學習演算法的最受歡迎的函式庫之一。
這個梯度提升庫廣泛用於現實生活中的用例，特別是表格資料。
它是 Kaggle 競賽獲勝者的最愛。
該庫包括回歸和分類演算法，但也提供特徵選擇工具。
10.🐈CatBoost
如果您的資料集主要由分類資料組成，那麼這個函式庫代表分類提升（Categorical Boosting），它是您的最佳選擇。該庫將規避一種熱編碼的複雜性，從而無需預處理分類資料。當使用預設參數執行時，它可以提供比 XGBoost 更好的精度。
希望您喜歡這篇文章！
我是一名新手作家，歡迎任何改進建議！
如果您有任何疑問，請隨時與我們聯繫。
原文出處：https://dev.to/taipy/top-10-python-libraries-for-any-ml-projects-3gfp
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
