前言
Python是最著名的编程语言之一，由于它最简单的语法结构而受到开发人员的青睐，更随着近年来它在人工智能和机器学习领域中正变得越来越重要。Python之所以强大，还因为它拥有大量的库，这使得python渗透于任何类型的开发，借助python可以进行网络开发，脚本编写，游戏开发，数据科学等工作。
接大厂老师带你上手年最流行的十个Python库(上)，下面将向您继续介绍年在大厂Python老师傅中最流行的的十大Python库中其余的Python库。
Pandas
有许多Python库可帮助我们处理复杂的数据集。但是毫无疑问，Pandas是最重要的。Pandas可以帮助您处理和分析大量数据，而无需学习专门的数据处理语言（例如R）。
简单例子
importpandasaspdIn[2]:df=pd.DataFrame({...:Name:[Braund,Mr.OwenHarris,...:Allen,Mr.WilliamHenry,...:Bonnell,Miss.Elizabeth],...:Age:[22,35,58],...:Sex:[male,male,female]}...:)...:In[3]:dfOut[3]:NameAgeSex0Braund,Mr.OwenHarris22male1Allen,Mr.WilliamHenry35male2Bonnell,Miss.Elizabeth58female
Scipy
Scipy是供应用程序开发人员和工程师使用的机器学习库。但是，在这里您需要了解SciPy库和SciPy堆栈之间的区别。SciPy库包含用于优化，线性代数，积分和统计的模块。
SciPy是使用NumPy求解数学函数的库。SciPy使用NumPy数组作为基本数据结构，并带有用于科学编程中各种常用任务的模块。
fromscipyimportmiscmisc.imread(picture)
PendulumPython
您可能知道，如果您至少有一点Python编程经验，则可以使用DateTime模块来管理应用程序中的日期和时间。
为什么要用它?
datetime对于基本情况，本机实例就足够了，但是当您面对更复杂的用例时，它们通常会显示出局限性，并且使用起来并不那么直观。Pendulum提供了更清洁，更易于使用的API，同时仍然依赖于标准库。所以它仍然datetime更好。
与Python的其他日期时间库不同，Pendulum是标准datetime类（从它继承的）的直接替代，因此，基本上，您可以用代码中datetime的DateTime实例替换所有实例（检查类型的库存在例外）通过使用对象type函数等sqlite3或PyMySQL例如）。
它还删除了朴素的日期时间的概念：每个Pendulum实例都支持时区，默认情况下UTC为方便使用。Pendulum还timedelta通过提供更直观的方法和属性来改进标准类。
总之，PendulumPython程序包使事情变得简单，这涉及到复杂的编码，包括日期和时间。而DateTime是遵循这些方面的出色基础工作。使用起来更加直观，并且可以自动管理时区。
简单例子：
importpendulumnow_in_paris=pendulum.now(Europe/Paris)now_in_paris-07-04T00:49:58.+02:00#Seamlesstimezoneswitchingnow_in_paris.in_timezone(UTC)-07-03T22:49:58.+00:00tomorrow=pendulum.now().add(days=1)last_week=pendulum.now().subtract(weeks=1)past=pendulum.now().subtract(minutes=2)past.diff_for_humans()2minutesagodelta=past-last_weekdelta.hours23delta.in_words(locale=en)6days23hours58minutes#Properhandlingofdatetimenormalizationpendulum.datetime(,3,31,2,30,tz=Europe/Paris)-03-31T03:30:00+02:00#2:30doesnotexist(Skippedtime)#Properhandlingofdsttransitionsjust_before=pendulum.datetime(,3,31,1,59,59,,tz=Europe/Paris)-03-31T01:59:59.+01:00just_before.add(microseconds=1)-03-31T03:00:00+02:00
Keras
为什么用它?
好吧，每个人都知道Keras是Python中最酷的机器学习库之一。它有助于提供一种更简单的机制来表达神经网络。除此之外，Keras还提供了一些最佳实用程序，可用于编译模型，处理数据集，图形可视化等等。
在后端，Keras内部使用Theano或TensorFlow。也可以使用一些最流行的神经网络，例如CNTK。当我们将其与其他机器学习库进行比较时，Keras相对较慢。
由于已经和TensorFlow2.0集成，Keras已停止更新。目前，建议将使用多后端Keras与TensorFlow后端一起使用的Keras用户切换到tf.kerasTensorFlow2.0中。Keras2.2.5是Keras实现2.2。*API的最新版本。这是仅支持TensorFlow1（以及Theano和CNTK）的最新版本。当前版本是Keras2.4.0，可以直接重定向到tf.keras。
TrainsasimpledeepNNontheMNISTdataset.Getsto98.40%testaccuracyafter20epochs(thereis*alot*ofmarginforparametertuning).2secondsperepochonaKGPU.from__future__importprint_functionimportkerasfromkeras.datasetsimportmnistfromkeras.modelsimportSequentialfromkeras.layersimportDense,Dropoutfromkeras.optimizersimportRMSpropbatch_size=num_classes=10epochs=20#thedata,splitbetweentrainandtestsets(x_train,y_train),(x_test,y_test)=mnist.load_data()x_train=x_train.reshape(,)x_test=x_test.reshape(,)x_train=x_train.astype(float32)x_test=x_test.astype(float32)x_train/=x_test/=print(x_train.shape[0],trainsamples)print(x_test.shape[0],testsamples)#convertclassvectorstobinaryclassmatricesy_train=keras.utils.to_categorical(y_train,num_classes)y_test=keras.utils.to_categorical(y_test,num_classes)model=Sequential()model.add(Dense(,activation=relu,input_shape=(,)))model.add(Dropout(0.2))model.add(Dense(,activation=relu))model.add(Dropout(0.2))model.add(Dense(num_classes,activation=softmax))model.summary()model.