机器学习是当今的热门话题之一。Python是众多用户中排名第一的编程语言。然而，Python是一种通用编程语言，这意味着它被用于许多不同的领域。要使用Python进行机器学习，除了通用Python之外，您还需要学习一些额外的Python库。
在这篇文章中，我将讨论的概况牛逼，他最根本的Python库，将帮助你开始你的机器学习之旅。我强烈建议您尽可能熟悉它们，因为它们是基础知识。如果没有正确学习它们，您将在学习之旅中途放弃！
1.NumPy
NumPy是许多其他基于NumPy的库的母库。NumPy的代表民ericalPY马拉松。所述ndarray（N维阵列）对象是在NumPy的主数据结构。在机器学习中，我们经常使用向量（一维数组）和矩阵（二维数组）。NumPy提供了创建这些数组的简单方法。在处理图像数据时，我们处理NumPy3D数组。NumPy还提供了大量的数学函数，尤其是线性代数。
资源
官方网站
文档
安装
默认情况下，NumPy带有Anaconda安装程序。如果您已经通过Anaconda安装了Python，则无需再次安装NumPy。但是，有两种安装NumPy的方法。
conda安装
condainstall-canacondanumpy#ORcondainstall-cconda-forgenumpy
pip安装
pipinstallnumpy
导入约定
社区接受的NumPy导入约定是：
importnumpyasnp
2.Pandas
Pandas是Python数据操作和分析库。它建立在NumPy之上，这意味着它支持NumPyN维数组。Pandas如此受欢迎，以至于它的下载总数可以代表整个数据科学社区！Pandas提供了数据加载、数据清理、变量编码、数据转换等方法。Pandas还提供了绘图功能，因为它集成了各种绘图库。Series和DataFrame是Pandas中的两种主要数据结构。PandasSeries可以用一维NumPy数组创建，而PandasDataFrames可以用二维NumPy数组创建，因为Pandas是建立在NumPy之上的。
资源
官方网站
文档
安装
默认情况下，Pandas带有Anaconda安装程序。如果您已经通过Anaconda安装了Python，则无需再次安装Pandas。但是，有两种安装Pandas的方法。
conda安装
condainstall-canacondapandas#ORcondainstall-cconda-forgepandas
pip安装
pipinstallpandas
导入约定
社区接受的Pandas导入约定是：
importpandasaspd
3.Matplotlib
Matplotlib是Python中的基本绘图库。但是，它为您的绘图提供了大量自定义选项。它也是其他高级绘图库的母库。该库有两种不同的应用程序编程接口(API)——Pyplot接口和面向对象的接口。
资源
官方网站
文档
安装
默认情况下，Matplotlib带有Anaconda安装程序。如果您已经通过Anaconda安装了Python，则无需再次安装Matplotlib。但是，有两种安装Matplotlib的方法。
conda安装
condainstall-cconda-forgematplotlib
pip安装
pipinstallmatplotlib
导入约定
社区接受的Matplotlib导入约定是：
importmatplotlib.pyplotasplt
4.Seaborn
Seaborn是一个高级数据可视化库，这意味着它会自动为我们做很多事情！它还为您的情节提供了很多美感。您可以使用Matplotlib自定义seaborn。
资源
官方网站
文档
安装
默认情况下，Seaborn带有Anaconda安装程序。如果您已经通过Anaconda安装了Python，则无需再次安装Seaborn。但是，有两种安装Seaborn的方法。
conda安装
condainstall-canacondaseaborn
pip安装
pipinstallseaborn
导入约定
Seaborn的社区接受的导入约定是：
importseabornassns
5.Scikit-learn
Scikit-learn是一个Python机器学习库。它的语法非常一致，即使对于初学者来说，通过创建一两个模型也很容易熟悉整个库。它的官方文档提供了使用这个库所需的所有支持。它包括用于分类、回归、聚类、降维模型的算法。它还提供了用于数据预处理的高级方法。
资源
官方网站
文档
安装
默认情况下，Scikit-learn附带Anaconda安装程序。如果您已经通过Anaconda安装了Python，则无需再次安装Scikit-learn。但是，有两种安装Scikit-learn的方法。
conda安装
condainstall-canacondascikit-learn#ORcondainstall-cconda-forgescikit-learn
pip安装
pipinstallscikit-learn
导入约定
我们不会一次导入整个库。相反，我们根据需要导入类和函数。
6.Yellowbrick
Yellowbrick是一个机器学习可视化库。顾名思义，它适用于机器学习相关的可视化。语法与Scikit-learn库非常相似。使用Yellowbrick，您只需一两行代码即可创建高级绘图！
资源
官方网站和文档
安装
默认情况下，Yellowbrick不附带Anaconda安装程序。因此，您需要单独安装它。有两种方法。
conda安装
condainstall-cdistrictdatalabsyellowbrick
pip安装
pipinstallyellowbrick
导入约定
与Scikit-learn一样，我们不会一次导入整个库。相反，我们根据需要导入类和函数。
7.XGBoost
当我们考虑机器学习模型的性能时，XGBoost（ExtremeGradientBoosting）是数据科学家和机器学习工程师最喜欢的机器学习算法。XGBoost（这次是库）可用于许多编程语言，包括Python。XGBoost的Scikit-learn包装器（Scikit-learn兼容API）最近发布，以便我们可以像Scikit-learn一样使用XGBoost。还有一个用于XGBoost的非Scikit-learn兼容API。但是，与XGBoost的Scikit-learn包装器相比，它很难使用。因此，我建议您首先使用XGBoost的Scikit-learn包装器，然后转到非Scikit-learn版本（如果需要）。
资源
官方网站和文档
安装
默认情况下，XGBoost不附带Anaconda安装程序。因此，您需要使用以下代码单独安装它。
condainstall-canacondapy-xgboost#Windowscondainstall-cconda-forgexgboost#MacOSorLinux
导入
社区接受的XGBoost导入约定是：
importxgboostasxgb
8.TensorFlow
TensorFlow是为深度学习任务创建的深度学习库。深度学习是机器学习的一个子集。TensorFlow也可用于一般机器学习。它有两个API——高级API和低级API。它的主要数据结构是Tensor。
资源
官方网站和文档
安装
默认情况下，TensorFlow不附带
conda安装
condainstall-cconda-forgetensorflow#CPU-only
pip安装
pipinstalltensorflow#BothCPUandGPUsupport
导入约定
社区接受的TensorFlow导入约定是：
importtensorflowastf
我们应该按照什么顺序学习这些库？
按照上面的顺序！只需从NumPy基础知识和数组创建方法开始。然后执行NumPy数组索引和切片。熟悉它们后，转到Pandas基础-创建系列和数据帧。现在，您可以进行并行学习——NumPy和Pandas。在这个阶段，熟悉NumPy算术和线性代数运算以及Pandas高级理论——子集、数据清洗、变量编码、数据转换等。然后，进入Matplotlib和Seaborn。只需从Matplotlib开始。我的建议是您使用Pandas绘图函数进行基本的可视化。如果您需要更多自定义，请选择Matplotlib。对于高级可视化，请使用seaborn。
现在，是时候学习Scikit-learn了。现在，这将很容易，因为您熟悉NumPy和Pandas。当您熟悉Scikit-learn时，您可以使用Yellowbrick进行机器学习可视化。然后去学习TensorFlow和深度学习部分。通过这样做，你会在学习的过程中永不放弃！这些方法对你有用吗？
在评论区让我知道。谢谢阅读！下次见，祝大家学习愉快！