儘管已經有了scikit-learn、statsmodels、seaborn等非常優秀的數據建模庫，但實際數據分析過程中常用到的一些功能場景仍然需要編寫數十行以上的代碼才能實現。
而今天要給大家推薦的dython就是一款集成了諸多實用功能的數據建模工具庫，幫助我們更加高效地完成數據分析過程中的諸多任務：
通過下面兩種方式均可完成對dython的安裝：
pip install dython
或：
conda install -c conda-forge dython
dython中目前根據功能分類劃分爲以下幾個子模塊：
-
「data_utils」
data_utils子模塊集成了一些基礎性的數據探索性分析相關的API，如identify_columns_with_na()可用於快速檢查數據集中的缺失值情況：
>> df = pd.DataFrame({'col1': ['a', np.nan, 'a', 'a'], 'col2': [3, np.nan, 2, np.nan], 'col3': [1., 2., 3., 4.]})
>> identify_columns_with_na(df)
column na_count
1 col2 2
0 col1 1
identify_columns_by_type()可快速選擇數據集中具有指定數據類型的字段：
>> df = pd.DataFrame({'col1': ['a', 'b', 'c', 'a'], 'col2': [3, 4, 2, 1], 'col3': [1., 2., 3., 4.]})
>> identify_columns_by_type(df, include=['int64', 'float64'])
['col2', 'col3']
one_hot_encode()可快速對數組進行「獨熱編碼」：
>> one_hot_encode([1,0,5])
[[0. 1. 0. 0. 0. 0.]
[1. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 1.]]
split_hist()則可以快速繪製分組直方圖，幫助用戶快速探索數據集特徵分佈：
import pandas as pd
from sklearn import datasets
from dython.data_utils import split_hist
# Load data and convert to DataFrame
data = datasets.load_breast_cancer()
df = pd.DataFrame(data=data.data, columns=data.feature_names)
df['malignant'] = [not bool(x) for x in data.target]
# Plot histogram
split_hist(df, 'mean radius', split_by='malignant', bins=20, figsize=(15,7))
-
「nominal」
nominal子模塊包含了一些進階的特徵相關性度量功能，例如其中的associations()可以自適應由連續型和類別型特徵混合的數據集，並自動計算出相應的Pearson、Cramer's V、Theil's U、條件熵等多樣化的係數；cluster_correlations()可以繪製出基於層次聚類的相關係數矩陣圖等實用功能：
-
「model_utils」
model_utils子模塊包含了諸多對機器學習模型進行性能評估的工具，如ks_abc()：
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from dython.model_utils import ks_abc
# Load and split data
data = datasets.load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=.5, random_state=0)
# Train model and predict
model = LogisticRegression(solver='liblinear')
model.fit(X_train, y_train)
y_pred = model.predict_proba(X_test)
# Perform KS test and compute area between curves
ks_abc(y_test, y_pred[:,1])
metric_graph()：
import numpy as np
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier
from dython.model_utils import metric_graph
# Load data
iris = datasets.load_iris()
X = iris.data
y = label_binarize(iris.target, classes=[0, 1, 2])
# Add noisy features
random_state = np.random.RandomState(4)
n_samples, n_features = X.shape
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]
# Train a model
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5, random_state=0)
classifier = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True, random_state=0))
# Predict
y_score = classifier.fit(X_train, y_train).predict_proba(X_test)
# Plot ROC graphs
metric_graph(y_test, y_score, 'pr', class_names=iris.target_names)
import numpy as np
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier
from dython.model_utils import metric_graph
# Load data
iris = datasets.load_iris()
X = iris.data
y = label_binarize(iris.target, classes=[0, 1, 2])
# Add noisy features
random_state = np.random.RandomState(4)
n_samples, n_features = X.shape
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]
# Train a model
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5, random_state=0)
classifier = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True, random_state=0))
# Predict
y_score = classifier.fit(X_train, y_train).predict_proba(X_test)
# Plot ROC graphs
metric_graph(y_test, y_score, 'roc', class_names=iris.target_names)
-
「sampling」
sampling子模塊則包含了boltzmann_sampling()和weighted_sampling()兩種數據採樣方法，簡化數據建模流程。
dython作爲一個處於快速開發迭代過程的Python庫，陸續會有更多的實用功能引入，感興趣的朋友們可以前往https://github.com/shakedzy/dython查看更多內容或對此項目保持關注。
最近有啥書？
Python編程寶典：迅速提高編程水平的100個關鍵技能：本書以實戰技能的形式，講解了Python編程從入門到精通可能涉及的100個關鍵技能，從最基本的語法基礎，到面向對象程序設計，再到算法與數據結構，最後是基於Python的各種應用，包括遊戲、網站、數據分析與數據挖掘等。點擊卡片查看詳情！👇
PS：京東平臺“北京大學出版社自營店”活動中，滿100-50，活動自今天起至31號。
本文分享自微信公衆號 - 凹凸數據（alltodata）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。