Python是現時最好的程式設計語言之一，在科學計算領域有著廣泛的應用：電腦視覺、人工智慧、數學、天文學等等。不出所料，這也適用於機器學習。
當然，它也有一些缺點；其中之一是Python的工具和庫是分散的。如果您是一個有unix意識的人，那麼這非常方便，因為每個工具都做一件事並且做得很好。但是，這也要求您瞭解不同的庫和工具，包括它們的優缺點，以便能够為您正在構建的系統做出正確的決策。工具本身並不能使一個系統或產品變得更好，但是有了正確的工具，我們可以更有效地工作，更高效。囙此，瞭解適合您工作領域的工具至關重要。
本文旨在列出和描述可用於Python的最有用的機器學習工具和庫。為了列出這個清單，我們不需要用Python編寫庫；它有一個Python介面就足够了。最後我們還有一小部分是關於深度學習的，因為它最近受到了相當多的關注。
我們的目標不是列出Python中可用的所有機器學習庫（Python包索引返回139個“機器學習”結果），而是列出我們認為有用且維護良好的庫。此外，雖然有些模塊可以用於各種機器學習任務，但我們包括了主要關注機器學習的庫。例如，儘管Scipy有一些聚類演算法，但該模塊的主要重點不是機器學習，而是成為科學計算的一套綜合工具。囙此，我們從清單中排除了Scipy這樣的庫（儘管我們也使用它！）。
另一件值得一提的事情是，我們還根據它如何與其他科學計算庫集成來評估這個庫，因為機器學習（無論是有監督的還是無監督的）是資料處理系統的一部分。如果正在使用的庫與資料處理系統的其餘部分不匹配，那麼您可能會發現自己花費了大量時間在不同庫之間創建中間層。在您的工具集中有一個很棒的庫是很重要的，但是這個庫與其他庫很好地集成也是很重要的。
如果您在另一種語言方面很出色，但希望使用Python包，我們還將簡要介紹如何與Python集成以使用post中列出的庫。
Scikit學習
Scikit Learn是CB Insights的首選機器學習工具。我們使用它進行分類、特徵選擇、特徵選取和聚類。我們最喜歡的是它有一個一致的API，易於使用，同時還提供了許多現成的評估、診斷和交叉驗證方法（聽起來很熟悉？Python也有包含電池的方法）。錦上添花的是，它在引擎蓋下使用了Scipy資料結構，與Python中的其他科學計算（Scipy、Numpy、Pandas和Matplotlib包）非常吻合。囙此，如果要視覺化分類器的效能（例如，使用精確調用圖或接收器操作特性（ROC）曲線），可以借助Matplotlib快速視覺化這些效能。考慮到在清理和構造數據上花費了多少時間，這使得使用庫非常方便，因為它與其他科學計算包緊密集成。
此外，它還限制了自然語言處理特徵選取的能力，如包字、tfidf、預處理（停止字、自定義預處理、分析器）。此外，如果您想在toy數据集上快速執行不同的基準測試，它有一個datasets模塊，該模塊提供通用和有用的數据集。您還可以根據這些數据集構建玩具數据集，以便在將模型應用於實際數据集之前查看模型是否性能良好。對於參數優化和調整，它還提供網格蒐索和隨機蒐索。如果沒有很好的社區支持或者沒有很好的維護，這些功能就無法實現。我們期待著它的首次穩定發佈。
狀態模型
Statsmodels是另一個以統計模型為重點，主要用於預測和探索性分析的大型庫。如果你想擬合線性模型，做統計分析，也許是一點預測建模，那麼Statsmodels是一個很好的擬合。它提供的統計測試非常全面，涵蓋了大多數情况下的驗證任務。如果您是R或S用戶，則它還接受其某些統計模型的R語法。它還接受Numpy數組和Pandas數據幀，使創建中間資料結構成為過去！
PyMC公司
PyMC是Bayesian人的首選工具。它包括貝葉斯模型、統計分佈和模型收斂性診斷工具。它還包括一些層次模型。如果你想做貝葉斯分析，你應該檢查一下。
幕府
Shogun是一個機器學習工具箱，主要關注用C++編寫的支持向量機（SVM）。它是主動開發和維護的，提供了一個Python介面，Python介面大部分都有很好的檔案記錄。然而，我們發現與Scikit learn相比，它的API很難使用。此外，它也沒有提供許多現成的診斷或評估算灋。然而，它的速度是一個很大的優勢。
根西姆
Gensim被定義為“人類的主題建模”。正如其主頁所描述的，其主要關注點是潜在的Dirichlet分配（LDA）及其變體。與其他套裝軟體不同的是，它支持自然語言處理，這使得NLP流水線與其他機器學習算灋的結合更加容易。如果您的域在NLP中，並且您希望進行羣集和基本分類，則可能需要將其簽出。最近，他們將基於遞迴神經網路的文字表示word2vec從Google引入到他們的API中。這個庫完全用Python編寫。
橙色
在本文列出的庫中，Orange是唯一具有圖形使用者介面（GUI）的庫。它在分類、聚類和特徵選擇方面也相當全面，並有一些交叉驗證方法。它在某些方面（分類方法、一些預處理功能）也比Scikit learn好，但它與科學計算生態系統的其他部分（Numpy、Scipy、Matplotlib、Pandas）的配合不如Scikit learn好。
但是，與其他庫相比，擁有GUI是一個重要的優勢。您可以視覺化交叉驗證結果、模型和特性選擇方法（您需要分別為某些功能安裝Graphviz）。對於大多數算灋，Orange都有自己的資料結構，囙此您需要將數據包裝成與Orange相容的資料結構，這使得學習曲線更陡峭。
PyMVPA公司
PyMVPA是另一個統計學習庫，它與Scikit learn在API方面類似。它也有交叉驗證和診斷工具，但沒有Scikit學習的那麼全面。
深度學習
儘管深度學習是機器學習的一個分支，但是我們為這個領域創建了一個單獨的部分，因為它最近受到了Google和Facebook的大量關注。
西雅娜
Theano是最成熟的深度學習庫，它提供了很好的資料結構（張量）來表示神經網路的層，並且它們在線性代數方面與Numpy數組類似。一個警告是，它的API可能不太直觀，這會新增用戶的學習曲線。有很多庫是建立在no之上的，它們利用了no的資料結構。它還支持現成的GPU程式設計。
塔架2
還有一個庫建立在Theano之上，稱為PyLearn2，它為Theano帶來了模組化和可配置性，在這裡，您可以通過不同的設定檔創建神經網路，以便更容易地實驗不同的參數。可以說，它通過將神經網路的參數和内容分離到設定檔中，提供了更多的模組化。
脫咖啡因咖啡
Decaf是加州大學伯克利分校最近發佈的一個深度學習庫，它擁有最先進的神經網路實現，並在Imagenet分類競賽中進行了測試。
諾勒恩
如果你想在深度學習中使用優秀的Scikit learn library api，Nolearn將Decaf包裝起來，讓你的生活更輕鬆。它是一個包裝上的無咖啡因和它相容（主要）與Scikit學習，這使得無咖啡因更可怕。
超常
OverFeat是最近用C++編寫的Dogs vs Cats（kaggle competition）的贏家，但它還附帶了一個Python包裝器（以及Matlab和Lua）。它通過Torch庫使用GPU，囙此速度相當快。它還贏得了ImageNet分類中的檢測和定位競爭。如果您的主域在電腦視覺中，您可能需要檢查它。
赫貝爾
Hebel是另一個支持GPU的神經網路庫。您可以通過YAML檔案（類似於Pylearn2）來確定神經網路的内容，這提供了一種將神經網路與程式碼分離並快速運行模型的好方法。由於它是最近發展起來的，檔案缺乏深度和廣度。它在神經網路模型方面也受到限制，因為它只有一種類型的神經網路模型（前饋）。但是，它是用純Python編寫的，它將是一個很好的庫，因為它有很多實用功能，比如調度程式和監視器，我們沒有看到任何庫提供這些功能。
神經病學
NeuroLab是另一個神經網路庫，它有很好的api（如果你熟悉的話，類似於Matlab的api），它有不同於其他庫的遞迴神經網路（RNN）實現的不同變體。如果您想使用RNN，這個庫可能是使用其簡單API的最佳選擇之一。
與其他語言的集成
你不知道任何Python，但在另一種語言中很好？不要絕望！Python的一個優點是它是一種完美的粘合語言，您可以通過從Python訪問這些庫來使用您選擇的工具程式設計語言。以下各程式設計語言的套裝軟體可用於將Python與其他程式設計語言結合起來：
- R->旋轉木馬
- Matlab->matpython軟件
- Java->Jython
- 盧亞->瘋子蟒蛇
- 茱莉亞->PyCall.jl
非活動庫
這些庫已經一年多沒有發佈任何更新了，我們列出這些庫是因為有些庫可能會發現它很有用，但是不太可能維護這些庫以修復錯誤，特別是在將來進行增强：
- MDP公司
- MlPy公司
- FFnet網絡
- 侏儒
如果我們缺少一個您最喜歡的Python機器學習包，請隨時在評論中告訴我們。我們也很樂意將這個庫添加到我們的博客文章中。