内容摘要：介绍处理数据的过程消耗了人们在日常工作中的大量时间，而且我也经历过。我不仅处理过数值数据，还处理过文本数据，这需要大量的预处理，可以通过nltk、textblob和pyldavis等库来帮助。下面我将

 介绍

处理数据的大常过程消耗了人们在日常工作中的大量时间，而且我也经历过。用数我不仅处理过数值数据，据科还处理过文本数据，大常这需要大量的用数预处理，可以通过nltk、据科textblob和pyldavis等库来帮助。大常

下面我将讨论这些库的用数概述和具体的功能、关于安装的据科代码，以及如何使用这些有益的大常库的示例。

Pandas

Pandas库[3]对于致力于探索性数据分析的用数数据科学家来说是一个必不可少的库。顾名思义，据科它使用pandas来分析你的大常数据，或者更具体地说，用数pandas数据帧。据科

以下是一些你可以从HTML报表中访问和查看的功能：

类型推断 唯一值 缺少值 分位数统计(例如，中位数) 描述性统计 直方图 相关性(如皮尔逊) 文本分析

如何安装?

使用pip：

pip install -U pandas-profiling[notebook] jupyter nbextension enable --py widgetsnbextension 这种方式对我也很管用： pip install pandas-profiling import pandas_profiling 

例子：

下面是我们可以从profile report功能访问的可视化示例之一。可以看到一个易于理解的源码库彩色的相关性可视化图。

局限性：

如果有一个大的数据集，这个概要报告可能需要相当长的时间。我的解决方案是要么简单地使用较小的数据集，要么对整个数据集进行采样。

NLTK

通常与nltk相关的术语是NLP，或者自然语言处理，它是数据科学(和其他学科)的一个分支，它更容易地包含对文本的处理。导入nltk之后，你可以更轻松地分析文本。

以下是你可以使用nltk访问的一些功能：

标记化文本(例如，[“标记化”，“文本”]) 词性标记 词干提取和词形还原

如何安装：

pip install nltk import nltk 

例子：

import nltk thing_to_tokenize = “a long sentence with words” tokens = nltk.word_tokenize(thing_to_tokenize) tokens returns: [“a”, “long”, “sentence”, “with”, “words”] 

我们需分开每个单词，以便对其进行分析。

在某些情况下需要分隔单词。然后它们可以被标记、计数，机器学习算法的新指标可以使用这些输入来创建预测。亿华云利用nltk的另一个有用的特性是文本可以用于情感分析。情感分析在很多企业中都很重要，尤其是那些有客户评论的企业。现在我们讨论情感分析，让我们看看另一个有助于快速情感分析的库。

TextBlob

TextBlob[8]与nltk有很多相同的优点，但是它的情感分析功能非常出色。除了分析之外，它还具有利用朴素贝叶斯和决策树支持分类的功能。

以下是你可以使用TextBlob访问的一些功能：

标记化 词性标注 分类 拼写更正 情感分析

如何安装：

pip install textblob from textblob import TextBlob 

例子：

情感分析：

review = TextBlob(“here is a great text blob about wonderful Data Science”) review.sentiment returns: Sentiment(polarity=0.80, subjectivity = 0.44) 

正常浮点范围为[-1.0，1.0]，而积极情感介于[0.0，1.0]之间。

分类：

from textblob.classifiers import NaiveBayesClassifier training_data = [(‘sentence example good one’, ‘pos’), (‘sentence example great two’, ‘pos’), (‘sentence example bad three’, ‘neg’), (‘sentence example worse four’, ‘neg’)] testing_data = [(‘sentence example good’, ‘pos’), (‘sentence example great’, ‘pos’)] cl = NaiveBayesClassifier(training_data) 

你可以使用这个分类器对文本进行分类，该分类器将返回“pos”或“neg”输出。

这些来自textblob的简单代码提供了非常强大和有用的情感分析和分类。

pyLDAvis

另一个使用NLP的工具是pyLDAvis[10]。云南idc服务商它是一个交互式主题模型可视化工具的库。例如，当我使用LDA(潜Dirichlet分布)执行主题模型时，我通常会看到单元格中的主题输出，这可能很难阅读。然而当它出现在一个很好的视觉总结中时，它会更有益，也更容易消化，就像pyLDAvis一样。

以下是你可以使用pyLDAvis访问的一些功能：

显示了前30个最突出的术语 有一个交互式调整器，允许你滑动相关性度量 显示x轴上的PC1和y轴上的PC2的热门主题 显示与大小对应的主题

总的来说，这是一种让人印象深刻的主题可视化方式，这是其他任何库都无法做到的。

如何安装：

pip install pyldavis import pyldavis 

例子：

为了看到最好的例子，这里有一个Jupyter Notebook[11]参考资料，它展示了这个数据科学库的许多独特和有益的特性: https://nbviewer.jupyter.org/github/bmabey/pyLDAvis/blob/master/notebooks/pyLDAvis_overview.ipynb

NetworkX

这个数据科学包NetworkX[13]，将其优势集中在生物、社会和基础设施网络可视化上。

以下是你可以使用NetworkX访问的一些功能：

创建图形、节点和边 检验图的元素 图结构 图的属性 多重图 图形生成器和操作

如何安装：

pip install networkx import networkx 

例子：

创建图形

import networkx graph = networkx.Graph() 

你可以与其他库协作，例如matplotlib.pyplot也可以创建图形的可视化(以数据科学家习惯于看到的方式)。

总结

如你所见，有很多有用的数据科学库可以很容易地访问。本文对一些探索性的数据分析库、自然语言处理库(NLP)和图形库做了一些说明。

我们讨论的顶级数据科学库、平台、包和模块包括：

Pandas Profiling NLTK TextBlob pyLDAvis NetworkX