Հիմնական Python գրադարանները մեքենայական ուսուցման և տվյալների գիտության համար

Python-ը լայնորեն օգտագործվող ծրագրավորման լեզու է, որը հայտնի է իր պարզությամբ, ընթեռնելիությամբ և ճկունությամբ: Գրադարանների և շրջանակների հսկայական էկոհամակարգով Python-ը հարմար է խնդիրների լայն շրջանակի համար, ներառյալ տվյալների վերլուծությունը, մեքենայական ուսուցումը, վեբ մշակումը և այլն: Այս հոդվածում մենք ուսումնասիրեցինք Python-ի որոշ մասնագիտացված գրադարաններ, որոնք սովորաբար օգտագործվում են հատուկ առաջադրանքների համար: Տվյալների վերլուծության և վիզուալիզացիայի գրադարաններից մինչև մեքենայական ուսուցման և վեբ մշակման գրադարաններ, Python-ն ունի բազմաթիվ գործիքներ, որոնք կօգնեն ծրագրավորողներին իրականացնել իրենց նպատակները:

Տվյալների վերլուծություն և պատկերացում

Ահա մի քանի հայտնի Python գրադարանների ցանկը տվյալների վերլուծության և վիզուալիզացիայի համար.

1. NumPy. NumPy-ը թվային տվյալների հետ աշխատելու գրադարան է, ներառյալ զանգվածների և մատրիցների աջակցությունը: Այն ապահովում է գործառույթների լայն շրջանակ՝ տվյալների այս կառուցվածքների վրա մաթեմատիկական գործողություններ կատարելու համար, ինչպես նաև աջակցություն ավելի առաջադեմ գործողությունների համար, ինչպիսիք են գծային հանրահաշիվը և պատահական թվերի ստեղծումը:
2. pandas. pandas-ը գրադարան է աղյուսակային տվյալների հետ աշխատելու համար, ինչպիսիք են CSV ֆայլերում կամ աղյուսակների ձևաչափերում պահվող տվյալները: Այն ապահովում է տարբեր աղբյուրներից տվյալների ընթերցման, տվյալների մաքրման և մանիպուլյացիայի, ինչպես նաև սյուժեներ և գծապատկերներ ստեղծելու գործառույթներ:
3. Matplotlib. Matplotlib-ը սյուժեներ և գծապատկերներ ստեղծելու գրադարան է: Այն ապահովում է գործառույթների լայն շրջանակ տարբեր տեսակի սյուժեների ստեղծման համար, ներառյալ գծային սյուժեները, ցրված սյուժեները, գծապատկերները և այլն:
4. Seaborn. Seaborn-ը Matplotlib-ի վերևում կառուցված գրադարան է, որն ապահովում է լրացուցիչ գործառույթներ ավելի առաջադեմ սյուժեներ և գծապատկերներ ստեղծելու համար: Այն հատկապես հարմար է վիճակագրական տվյալների վիզուալիզացիայի համար և ներառում է ջերմային քարտեզների, միջուկի խտության սյուժեների ստեղծման գործառույթներ և այլն:
5. Plotly. Plotly-ն գրադարան է ինտերակտիվ սյուժեներ և գծապատկերներ ստեղծելու համար: Այն ապահովում է սյուժեների լայն շրջանակ ստեղծելու գործառույթներ, ներառյալ գծային սյուժեները, ցրված սյուժեները, գծապատկերները և այլն, և թույլ է տալիս օգտվողներին փոխազդել սյուժեների հետ այնպիսի գործիքների միջոցով, ինչպիսիք են խոշորացումը և պանելը:

Սրանք ընդամենը մի քանի օրինակներ են Python-ի բազմաթիվ գրադարաններից, որոնք հասանելի են տվյալների վերլուծության և արտացոլման համար: Կան բազմաթիվ այլ տարբերակներ, որոնցից կարող եք ընտրել՝ կախված ձեր հատուկ կարիքներից և նախասիրություններից:

Տվյալների վերլուծության և վիզուալիզացիայի համար ամենահայտնի գրադարաններից երկուսն ենNumpy և Pandas:

Numpy-ը թվային տվյալների հետ աշխատելու գրադարան է, ներառյալ զանգվածների և մատրիցների աջակցությունը: Այն ապահովում է գործառույթների լայն շրջանակ՝ տվյալների այս կառուցվածքների վրա մաթեմատիկական գործողություններ կատարելու համար, ինչպես նաև աջակցություն ավելի առաջադեմ գործողությունների համար, ինչպիսիք են գծային հանրահաշիվը և պատահական թվերի ստեղծումը:

Pandasը գրադարան է աղյուսակային տվյալների հետ աշխատելու համար, ինչպիսիք են CSV ֆայլերում կամ աղյուսակների ձևաչափերում պահվող տվյալները: Այն ապահովում է տարբեր աղբյուրներից տվյալների ընթերցման, տվյալների մաքրման և մանիպուլյացիայի, ինչպես նաև սյուժեներ և գծապատկերներ ստեղծելու գործառույթներ: պանդաները հատկապես օգտակար են տվյալների մեծ հավաքածուներ մշակելու համար, քանի որ այն ապահովում է արդյունավետ գործառույթներ տվյալների ընտրության, զտման և համախմբման համար:

NumPy-ը և պանդաները միասին կազմում են Python-ում տվյալների վերլուծության և վիզուալիզացիայի հզոր գործիքակազմ: Դրանք լայնորեն օգտագործվում են այնպիսի ոլորտներում, ինչպիսիք են ֆինանսները, տնտեսագիտությունը և տվյալների գիտությունը, և հանդիսանում են տվյալների վրա հիմնված բազմաթիվ հավելվածների էական մասը:

Օրինակ

Ահա մի պարզ օրինակ, թե ինչպես օգտագործել NumPy-ը և պանդաները Python-ում տվյալների վերլուծության համար.

Նախ, եկեք սկսենք ներմուծել գրադարանները.

import numpy as np
import pandas as pd

Հաջորդը, եկեք ստեղծենք որոշ տվյալներ աշխատելու համար: Այստեղ մենք կօգտագործենք NumPy՝ տվյալների պատահական զանգված ստեղծելու համար.

data = np.random.randn(5, 3)
This creates a 5x3 array of random data. We can use NumPy’s array manipulation functions to work with this data, such as selecting specific elements, reshaping the array, or performing mathematical operations on the data.

Հաջորդը, եկեք տվյալները փոխարկենք pandas DataFrame-ի, որը աղյուսակային տվյալների կառուցվածք է, որը նման է աղյուսակի.

df = pd.DataFrame(data, columns=['a', 'b', 'c'])

Սա ստեղծում է DataFrame՝ «a», «b» և «c» սյունակներով և NumPy զանգվածի տվյալներին համապատասխանող տողերով: Մենք կարող ենք օգտագործել պանդաների գործառույթները DataFrame-ի տվյալների հետ աշխատելու համար, ինչպես օրինակ՝ ընտրելով որոշակի տողեր կամ սյունակներ, տվյալներ հավաքելը կամ գծապատկերներ ստեղծելը:

Ահա ավելի ամբողջական օրինակ, որը ցույց է տալիս NumPy-ի և պանդաների որոշ առանձնահատկություններ.

import numpy as np
import pandas as pd

# Generate some random data
data = np.random.randn(5, 3)

# Create a DataFrame from the data
df = pd.DataFrame(data, columns=['a', 'b', 'c'])

# Select the 'b' column
b = df['b']

# Select the first two rows
first_two = df[:2]

# Calculate the mean of the 'b' column
mean_b = b.mean()

# Sort the DataFrame by the 'a' column
sorted_df = df.sort_values('a')

# Create a histogram of the 'b' column
hist_b = b.hist()

Այս կոդը ստեղծում է պատահական NumPy զանգված, այն փոխակերպում է DataFrame-ի, ընտրում է կոնկրետ սյունակներ և տողեր, հաշվարկում է վիճակագրական չափումները, տեսակավորում է տվյալները և ստեղծում սյունակներից մեկի հիստոգրամը։ Սրանք ընդամենը մի քանի օրինակ են բազմաթիվ գործողությունների, որոնք կարելի է կատարել NumPy-ի և պանդաների միջոցով:

Մեքենայական ուսուցում

Ահա մի քանի հայտնի Python գրադարանների ցանկը մեքենայական ուսուցման համար.

1. scikit-learn. scikit-learn-ը գրադարան է, որն ապահովում է մեքենայական ուսուցման ալգորիթմների լայն շրջանակ, ներառյալ դասակարգման, ռեգրեսիայի, կլաստերավորման և այլնի աջակցություն: Այն նախագծված է հեշտ օգտագործման համար՝ մոդելների վերապատրաստման և գնահատման համար հետևողական ինտերֆեյսով և տվյալների նախնական մշակման և վերլուծության գործիքների մեծ հավաքածուով:
2. TensorFlow. TensorFlow-ը գրադարան է, որը մշակվել է Google-ի կողմից՝ մեքենայական ուսուցման մոդելներ ստեղծելու և վերապատրաստելու համար: Այն հատկապես հարմար է խորը ուսուցման համար՝ մեքենայական ուսուցման մի տեսակ, որը ներառում է արհեստական ​​նեյրոնային ցանցերի ուսուցում մեծ տվյալների վրա: TensorFlow-ն ապահովում է ինչպես խորը ուսուցման, այնպես էլ ավելի ավանդական մեքենայական ուսուցման տեխնիկայի աջակցություն, և նախագծված է մեծ մասշտաբային լինելու համար՝ թույլ տալով մոդելներ վարժեցնել սերվերների մեծ կլաստերների վրա կամ նույնիսկ մասնագիտացված սարքաշարերի վրա, ինչպիսիք են GPU-ները:
3. PyTorch: PyTorch-ը խորը ուսուցման գրադարան է, որը մշակվել է Facebook-ի կողմից: Այն ապահովում է աջակցություն նեյրոնային ցանցերի կառուցման և վերապատրաստման համար և նախատեսված է ճկուն և հեշտ օգտագործման համար: PyTorch-ը հայտնի է GPU սարքաշարի վրա հաշվարկներ կատարելու իր ունակությամբ, ինչը կարող է մեծապես արագացնել խորը ուսուցման մոդելների ուսուցումը:
4. Keras. Keras-ը բարձր մակարդակի խորը ուսուցման գրադարան է, որն աշխատում է TensorFlow-ի, PyTorch-ի կամ Theano-ի վրա: Այն նախագծված է հեշտ օգտագործման համար՝ նեյրոնային ցանցեր կառուցելու և մարզելու համար պարզ, ինտուիտիվ API-ով: Keras-ը հանրաճանաչ ընտրություն է նախատիպերի և խորը ուսուցման մոդելների մշակման համար, քանի որ այն

Python-ում կան մի քանի գրադարաններ, որոնք հայտնի են մեքենայական ուսուցման առաջադրանքների համար, ներառյալ scikit-learn-ը և TensorFlow-ը: scikit-learn-ը գրադարան է, որն ապահովում է մեքենայական ուսուցման ալգորիթմների լայն շրջանակ, ներառյալ դասակարգման, ռեգրեսիայի, կլաստերավորման և այլնի աջակցություն: TensorFlow-ը գրադարան է, որը մշակվել է Google-ի կողմից՝ մեքենայական ուսուցման մոդելների ստեղծման և ուսուցման համար՝ ինչպես խորը ուսուցման, այնպես էլ ավելի ավանդական մեքենայական ուսուցման տեխնիկայի աջակցությամբ:

Scikit-learn-ը գրադարան է, որն ապահովում է մեքենայական ուսուցման ալգորիթմների լայն շրջանակ, ներառյալ դասակարգման, ռեգրեսիայի, կլաստերավորման և այլնի աջակցություն: Այն նախագծված է հեշտ օգտագործման համար՝ մոդելների վերապատրաստման և գնահատման համար հետևողական ինտերֆեյսով և տվյալների նախնական մշակման և վերլուծության գործիքների մեծ հավաքածուով:

TensorFlowը գրադարան է, որը մշակվել է Google-ի կողմից՝ մեքենայական ուսուցման մոդելներ ստեղծելու և վերապատրաստելու համար: Այն հատկապես հարմար է խորը ուսուցման համար՝ մեքենայական ուսուցման մի տեսակ, որը ներառում է արհեստական ​​նեյրոնային ցանցերի ուսուցում մեծ տվյալների վրա: TensorFlow-ն ապահովում է ինչպես խորը ուսուցման, այնպես էլ ավելի ավանդական մեքենայական ուսուցման տեխնիկայի աջակցություն, և նախագծված է մեծ մասշտաբային լինելու համար՝ թույլ տալով մոդելներ վարժեցնել սերվերների մեծ կլաստերների վրա կամ նույնիսկ մասնագիտացված սարքաշարերի վրա, ինչպիսիք են GPU-ները:

Օրինակ

Ահա մի պարզ օրինակ, թե ինչպես օգտագործել scikit-learn-ը Python-ում մեքենայական ուսուցման համար.

import sklearn

# Load the iris dataset
iris = sklearn.datasets.load_iris()

# Split the data into training and test sets
X_train, X_test, y_train, y_test = sklearn.model_selection.train_test_split(iris.data, iris.target, test_size=0.3)

# Train a random forest classifier
clf = sklearn.ensemble.RandomForestClassifier()
clf.fit(X_train, y_train)

# Evaluate the classifier on the test set
accuracy = clf.score(X_test, y_test)

print(f'Test accuracy: {accuracy:.2f}')

Այս ծածկագիրը բեռնում է ծիածանաթաղանթի տվյալների բազան, այն բաժանում է ուսուցման և փորձարկման խմբերի, վերապատրաստում է պատահական անտառի դասակարգիչը վերապատրաստման տվյալների վրա և գնահատում է դասակարգիչը թեստի տվյալների վրա: Այնուհետև տպում է դասակարգչի փորձարկման ճշգրտությունը: Սա պարզապես պարզ օրինակ է, բայց scikit-learn-ը տրամադրում է շատ ավելի առաջադեմ գործիքներ և ալգորիթմներ մեքենայական ուսուցման առաջադրանքների համար:

Ահա մի պարզ օրինակ, թե ինչպես օգտագործել TensorFlow-ը Python-ում մեքենայական ուսուցման համար.

import tensorflow as tf

# Define the model
model = tf.keras.Sequential([
    tf.keras.layers.Dense(16, input_shape=(4,), activation='relu'),
    tf.keras.layers.Dense(3, activation='softmax')
])

# Compile the model
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# Load the iris dataset
iris = tf.keras.datasets.iris
(X_train, y_train), (X_test, y_test) = iris.load_data()

# Train the model
model.fit(X_train, y_train, epochs=10)

# Evaluate the model
loss, accuracy = model.evaluate(X_test, y_test)

print(f'Test loss: {loss:.4f}')
print(f'Test accuracy: {accuracy:.2f}')

Այս կոդը սահմանում է նեյրոնային ցանցի պարզ մոդել մեկ թաքնված շերտով և այն վարժեցնում է ծիածանաթաղանթի տվյալների բազայի վրա՝ օգտագործելով Adam օպտիմիզատորը և խաչաձև էնտրոպիայի կատեգորիկ կորուստը: Այնուհետև այն գնահատում է մոդելը թեստային հավաքածուի վրա և տպում փորձարկման կորուստն ու ճշգրտությունը: Սա պարզապես պարզ օրինակ է, բայց TensorFlow-ն ապահովում է շատ ավելի առաջադեմ գործիքներ և ալգորիթմներ մեքենայական ուսուցման մոդելներ կառուցելու և վերապատրաստելու համար:

Վեբ մշակում

Ահա մի քանի հայտնի Python գրադարանների ցանկը վեբ մշակման համար.

1. Django. Django-ն լիարժեք, բարձր մակարդակի վեբ շրջանակ է, որը ներառում է մեծ թվով ներկառուցված գործառույթներ և կոմունալ ծառայություններ: Այն հարմար է խոշոր, բարդ վեբ հավելվածների համար և ունի տվյալների բազայի ինտեգրման և կառավարման ուժեղ աջակցություն:
2. Flask. Flask-ը թեթև վեբ շրջանակ է, որն ավելի ճկուն է և ավելի հեշտ է սովորել, քան Django-ն: Այն հարմար է ավելի փոքր վեբ հավելվածների կամ նախատիպերի համար և թույլ է տալիս ծրագրավորողներին արագորեն ստեղծել վեբ հավելվածներ՝ օգտագործելով նվազագույն կոդ:
3. Pyramid. Pyramid-ը վեբ շրջանակ է, որը շատ առումներով նման է Django-ին, բայց ավելի ճկուն է և մոդուլային: Այն հարմար է ինչպես փոքր, այնպես էլ մեծ վեբ հավելվածներ ստեղծելու համար և ապահովում է մի շարք հնարավորությունների և տեխնոլոգիաների աջակցություն:
4. web2py. web2py-ը լիարժեք վեբ շրջանակ է, որը նախատեսված է հեշտ օգտագործման և ապահով լինելու համար: Այն ներառում է տվյալների բազայի ինտեգրման, ձևերի մշակման և այլնի աջակցություն և հարմար է ինչպես փոքր, այնպես էլ մեծ վեբ հավելվածների համար:
5. Tornado. Tornado-ն բարձր արդյունավետությամբ վեբ շրջանակ է, որը հատկապես հարմար է իրական ժամանակում վեբ հավելվածներ ստեղծելու համար, ինչպիսիք են չաթի հավելվածները կամ վեբ խաղերը: Դա թեթև շրջանակ է, որը հեշտ է սովորել, բայց ապահովում է հզոր գործիքներ՝ լայնածավալ վեբ հավելվածներ ստեղծելու համար:

Սրանք ընդամենը մի քանի օրինակ են Python-ի բազմաթիվ գրադարանների, որոնք հասանելի են վեբ մշակման համար: Կան բազմաթիվ այլ տարբերակներ, որոնցից կարող եք ընտրել՝ կախված ձեր հատուկ կարիքներից և նախասիրություններից:

Վեբ մշակման համար Django և Flask գրադարանները հայտնի տարբերակներ են: Django-ն լիարժեք վեբ շրջանակ է, որը ներառում է տվյալների բազայի ինտեգրման աջակցություն, ձևանմուշների ներկայացում և այլն: Flask-ը թեթև վեբ շրջանակ է, որն ավելի ճկուն և հեշտ է սովորել, քան Django-ն, բայց ավելի քիչ ներկառուցված ֆունկցիոնալությամբ:

Djangoը լիարժեք, բարձր մակարդակի վեբ շրջանակ է, որը ներառում է մեծ թվով ներկառուցված գործառույթներ և կոմունալ ծառայություններ: Այն հարմար է խոշոր, բարդ վեբ հավելվածների համար և ունի տվյալների բազայի ինտեգրման և կառավարման ուժեղ աջակցություն:

Flask-ըթեթև վեբ շրջանակ է, որն ավելի ճկուն է և ավելի հեշտ է սովորել, քան Django-ն: Այն հարմար է ավելի փոքր վեբ հավելվածների կամ նախատիպերի համար և թույլ է տալիս ծրագրավորողներին արագորեն ստեղծել վեբ հավելվածներ՝ օգտագործելով նվազագույն կոդ: Flask-ը հայտնի է իր պարզությամբ և օգտագործման հեշտությամբ և հանրաճանաչ ընտրություն է մշակողների համար, ովքեր ցանկանում են արագ սկսել և գործարկել վեբ հավելվածով:

Ահա մի պարզ օրինակ, թե ինչպես օգտագործել Flask-ը Python-ում վեբ զարգացման համար.

from flask import Flask

app = Flask(__name__)

@app.route('/')
def hello():
    return 'Hello, World!'

if __name__ == '__main__':
    app.run()

Այս կոդը ստեղծում է մի պարզ Flask հավելված, որը լսում է հարցումները դեպի արմատային URL (‘/’) և վերադարձնում է Բարև, աշխարհ! տողը: Դուք կարող եք գործարկել այս կոդը և այցելել http://localhost:5000/ ձեր վեբ բրաուզերում՝ հավելվածը գործողության մեջ տեսնելու համար: Սա պարզապես պարզ օրինակ է, բայց Flask-ը տրամադրում է շատ ավելի առաջադեմ հնարավորություններ վեբ հավելվածներ ստեղծելու համար, ինչպիսիք են կաղապարների, ձևերի և տվյալների բազաների աջակցությունը:

Ահա մի պարզ օրինակ, թե ինչպես օգտագործել Django-ն Python-ում վեբ մշակման համար.

# myapp/views.py

from django.shortcuts import render

def home(request):
    return render(request, 'home.html', {'message': 'Hello, World!'})
<!-- myapp/templates/home.html -->

<h1>{{ message }}</h1>
# myapp/urls.py

from django.urls import path

from . import views

urlpatterns = [
    path('', views.home, name='home'),
]
# myproject/urls.py

from django.contrib import admin
from django.urls import include, path

urlpatterns = [
    path('myapp/', include('myapp.urls')),
    path('admin/', admin.site.urls),
]

Այժմ, եթե գործարկեք Django-ի զարգացման սերվերը և այցելեք http://localhost:8000/myapp/, ապա ձեր վեբ բրաուզերում պետք է տեսնեք Բարև, աշխարհ հաղորդագրությունը: Սա պարզապես պարզ օրինակ է, բայց Django-ն տրամադրում է շատ ավելի առաջադեմ հնարավորություններ վեբ հավելվածներ ստեղծելու համար, ինչպիսիք են տվյալների բազայի ինտեգրման աջակցությունը, ձևերը և օգտագործողի նույնականացումը:

Եզրակացություն

Եզրափակելով, Python-ը հզոր լեզու է՝ մասնագիտացված գրադարանների լայն շրջանակով, որը կարող է օգտագործվել կոնկրետ առաջադրանքների համար: Անկախ նրանից, թե դուք հետաքրքրված եք տվյալների վերլուծությամբ, մեքենայական ուսուցմամբ, վեբ մշակմամբ կամ ամբողջովին այլ բանով, հավանաբար կա Python գրադարան, որը կարող է օգնել ձեզ կատարել աշխատանքը: Եթե ​​ձեզ դուր եկավ այս հոդվածը և կցանկանայիք ավելին իմանալ Python-ի և նրա բազմաթիվ գրադարանների մասին, անպայման հետևեք ինձ և ստուգեք իմ մյուս հոդվածները: