⚙️ DeepFace для распознавания лиц

ℹ️ Deepface — легкий фреймворк для распознавания лиц и анализа атрибутов лица (возраст, пол, эмоции и раса) для Python.

🔗 Ссылочка на доку

Python Learning 👩‍💻

⚙️ Yellowbrick для визуального анализа и диагностики

ℹ️ Yellowbrick — набор средств визуального анализа и диагностики, предназначенных для облегчения машинного обучения с помощью scikit-learn.

🗣️ Основной объект API библиотеки Visualizer представляет собой средство оценки scikit-learn, которое учится на данных. «Визуализаторы» изучают данные, создавая визуальное представление рабочего процесса выбора модели.

🔗 Ссылочка на доку

Python Learning 👩‍💻

⚙️ Gensim для извлечения семантических тем

ℹ️ Пакет Python с открытым исходным кодом, смоделированный для извлечения семантических тем из больших документов и текстов для обработки, анализа и прогнозирования поведения человека с помощью статистических моделей и лингвистических вычислений.

🗣️ Gensim имеет возможность обрабатывать огромные данные, независимо от того, являются ли они необработанными и неструктурированными.

🔗 Ссылочка на доку

Python Learning 👩‍💻

⚙️ NLTK для обработки естественного языка

ℹ️ NLTK (Natural Language Toolkit) — один из наиболее популярных инструментов для обработки естественного языка.

✔️ Особенности NLTK:

• Поддерживает более 50 языковых наборов данных и обученных языковых моделей.
• Предлагает классификацию текста, выделение корней, токенизацию, тегирование, синтаксический анализ.
• Функции для анализа настроений или мнения, выраженного во фрагменте текста.

🔗 Ссылочка на доку

Python Learning 👩‍💻

⚙️ TorchAudio для обработки аудиосигнала

ℹ️ Библиотека машинного обучения для обработки звука и сигналов с помощью PyTorch.

🗣️ TorchAudio предоставляет функции ввода-вывода, обработки сигналов и данных, наборы данных, реализации моделей и компоненты приложений.

🔗 Ссылочка на доку

Python Learning 👩‍💻

⚙️ Taipy для создания пользовательских интерфейсов

ℹ️ Taipy - это библиотека Python, которая позволяет специалистам по обработке данных создавать увлекательные повествования на основе своих данных.

🗣️ Магия Taipy заключается в его способности привязывать переменные и выражения к состоянию визуальных компонентов в пользовательском интерфейсе.

🔗 Ссылочка на доку

Python Learning 👩‍💻

⚙️ Unstructured для предварительной обработки текста

ℹ️ Unstructured - это доступная библиотека Python для легкого извлечения текста из документов. Она упрощает очистку текста, обрабатывая все, от удаления маркеров до управления эмодзи и языкового перевода.

🔗 Ссылочка на доку

Python Learning 👩‍💻

⚙️ Temporian для предварительной обработки временных данных

ℹ️ Temporian предлагает новую парадигму для работы с временными данными. Будучи специально разработанными для него, плюс его основные вычисления, выполняемые как высокооптимизированный код C ++, позволяют ему сделать обычные временные операции более безопасными, простыми в написании и намного, намного быстрее в выполнении - с бенчмарками, показывающими ускорение более чем в 100 раз по сравнению с эквивалентным кодом pandas.

🔗 Ссылочка на доку

Python Learning 👩‍💻

⌛ Что будет выведено при выполнении кода?

Python Learning 👩‍💻

⚙️ Fabulous — вывод картинок в консоль

ℹ️ Вам не достаточно красивого вывода таблиц в консоль? А как насчёт вывода текста с тенями или даже картинок? Теперь это возможно!

🗣️ Использовать только в небольших количествах во избежание перелома чувства прекрасного

🔗 Ссылочка на доку

Python Learning 👩‍💻

⌛ Что будет выведено при выполнении кода?

Python Learning 👩‍💻

⚙️ XlsxWriter для записи файлов в формате Excel

ℹ️ XlsxWriter — это очень мощный модуль Python для записи файлов в формате Excel. Он поддерживает добавление текста, чисел, формул, изображений и макросов Excel — среди прочих функциональных возможностей.

✔️ XlsxWriter даже интегрируется с pandas, известным пакетом Python для работы с данными.

🔗 Ссылочка на доку

Python Learning 👩‍💻

⌛ Что будет выведено при выполнении кода?

Python Learning 👩‍💻

➡️ PyForest: Один импорт для всех важных модулей

Импортируйте все ключевые библиотеки Python одной строкой. Это удобно для всех ваших проектов по Data Science и при создании нового окружения в Conda.

🗣️ При работе с данными вы используете библиотеки, такие как pandas, matplotlib, seaborn, numpy и sklearn. Прежде чем приступить к работе, нужно их импортировать.

Библиотека решает несколько проблем:

• Однообразие: импорт всегда одинаковый и скучный.
• Пропущенные импорты мешают работе.
• Иногда нужно искать точные строки импорта, например, import matplotlib.pyplot as plt или from sklearn.ensemble import GradientBoostingRegressor.

🔗 Ссылочка на доку

Python Learning 👩‍💻

✔️ Autoviz: Автоматическая визуализация любого набора данных одной командой

Визуализация используется для показа данных с помощью графиков и диаграмм. В Data Science визуализация помогает понять наборы данных и найти связи между ними. Она также помогает выявить закономерности для дальнейшего анализа.

🗣️ Для визуализации данных в Python часто используют Matplotlib, Seaborn, Plotly и другие. Но перед использованием этих библиотек нужно определить тип графика и аргументы. AutoViz решает эту проблему, быстро предоставляя нужную информацию.

🔗 Ссылочка на доку

Python Learning 👩‍💻

➡️ clean-text для нормализации и очистки текста

Отличный однострочный код для нормализации и очистки текста — идеально для проектов по обработке естественного языка.

Контент, созданный пользователями в Интернете и в социальных сетях, часто бывает грязным. Предварительно обработайте свои данные с помощью clean-text, чтобы создать нормализованное текстовое представление. Например, преобразуйте этот испорченный ввод:

A bunch of \\u2018new\\u2019 references, including [Moana](https://en.wikipedia.org/wiki/Moana_%282016_film%29).
»Yóù àré     rïght <3!«

в этот чистый вывод:

A bunch of 'new' references, including [moana](<URL>).
"you are right <3!"

🔗 Ссылочка на доку

Python Learning 👩‍💻

⚙️ Оптимизация памяти в Python: Использование генераторов вместо списков

Когда мы работаем с большими наборами данных, важно помнить об эффективном использовании памяти. Одной из полезных фишек Python для оптимизации памяти является использование генераторов вместо списков.

➡️ Пример кода

Допустим, у нас есть задача найти квадраты чисел от 1 до 1 000 000. Сначала посмотрим, как это сделать с помощью списка:

# Плохая практика: использование списка
squares = [x**2 for x in range(1, 1000001)]

Этот код создает список квадратов чисел, что требует значительного объема памяти. Вместо этого можно использовать генератор, который создаст объекты по мере их запроса, не занимая много памяти:

# Лучшая практика: использование генератора
squares = (x**2 for x in range(1, 1000001))

Теперь squares - это генератор, который генерирует квадраты чисел по мере необходимости, занимая минимальное количество памяти.

Почему это полезно

Использование генераторов вместо списков позволяет значительно экономить память, особенно при работе с большими наборами данных. Это делает ваш код более эффективным и позволяет работать с гораздо большими объемами данных без значительных затрат ресурсов.

Python Learning 👩‍💻