超越NumPy和Pandas的Python库
大家好，Python是世界上使用最广泛的编程语言之一，并为开发人员提供了大量的库。然而，当涉及到数据处理和科学计算时，用户通常会想到诸如Numpy、Pandas或SciPy等库。
本文将介绍3个你可能感兴趣的Python库。
1.Dask
Dask是一个灵活的并行计算库，可实现大规模数据处理的分布式计算和并行计算。
Python已经发展成为数据分析和通用编程中的主流语言。这种增长得益于像NumPy、Pandas和scikit-learn等计算库。然而，这些包并不适用于超越单台机器的规模。当数据集超过内存时，Dask被开发出来原生地扩展这些包及其周边生态系统，以适应多核机器和分布式集群。
当需要像使用Pandas一样常用时，使用Dask DataFrame，通常是因为Pandas在处理数据量或计算速度方面存在问题：
-
处理大型数据集，即使这些数据集无法容纳在内存中
-
通过使用多个内核加速长时间计算
-
对使用标准Pandas操作的大型数据集进行分布式计算，例如
groupby、join和时间序列计算
因此，当需要处理巨大的Pandas数据帧时，Dask是一个不错的选择。这是因为Dask允许用户在笔记本电脑上处理100GB以上的数据集，或者在工作站上处理1TB以上的数据集。
Dask DataFrames协调许多按索引排列的Pandas DataFrames/Series。Dask DataFrame以行为单位进行分区，通过索引值对行进行分组，以提高效率。这些Pandas对象可以存在于磁盘上或其他机器上。
首先，需要安装Dask。可以通过pip或conda进行安装，如下所示：
$ pip install dask[complete]
or
$ conda install dask
功能一：打开 csv 文件
可以展示Dask的第一个功能，即如何打开CSV文件，如下所示：
import dask.dataframe as dd
# 使用Dask加载大型CSV文件
df_dask = dd.read_csv('my_very_large_dataset.csv')
# 在Dask DataFrame上执行操作
mean_value_dask = df_dask['column_name'].mean().compute()
因此，正如在代码中看到的，本文使用Dask的方式与Pandas非常相似。尤其是：
-
使用
read_csv()方法与Pandas完全相同 -
截取列的方式与Pandas完全相同。事实上，如果有一个名为
df的Pandas数据框架，我们会这样截取一列：df['column_name']。 -
将
mean()方法应用于截取的列，这与Pandas类似，但这里还需要添加compute()方法。
此外，即使打开CSV文件的方法与Pandas相同，Dask也能毫不费力地处理超过单台机器内存容量的大型数据集。
这意味着，除了在Pandas中无法打开大型数据帧，而在Dask中可以打开之外，无法看到任何实际的差异。
功能二：扩展机器学习工作流程
可以使用Dask创建一个具有大量样本的分类数据集。然后可以将其分割为训练集和测试集，使用机器学习模型拟合训练集，并计算测试集的预测结果，如下所示：
import dask_ml.datasets as dask_datasets
from dask_ml.linear_model import LogisticRegression
from dask_ml.model_selection import train_test_split
# 使用Dask加载分类数据集
X, y = dask_datasets.make_classification(n_samples=100000, chunks=1000)
# 将数据分割为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y)
# 并行训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)
# 对测试集进行预测
y_pred = model.predict(X_test).compute()
该示例强调了Dask处理大规模数据集的能力，即使是在机器学习问题的情况下，也可以通过在多个内核之间分布计算来实现。
具体而言，可以使用dask_datasets.make_classification()方法为分类问题创建一个“Dask dataset” ，并且可以指定样本数量和块大小（甚至是非常巨大的数量）。
与之前类似，预测结果是通过compute()方法获得的。
# 注意：
# 在这种情况下，可能需要安装模块`dask_ml`。
# 可以按以下方式进行安装：
$ pip install dask_ml
功能三：高效图像处理
Dask所利用的并行处理能力也可以应用于图像处理。
特别是可以打开多个图像，调整其大小，并保存调整后的图像。按以下方式操作：
import dask.array as da
import dask_image.imread
from PIL import Image
# 使用Dask加载图像集合
images = dask_image.imread.imread('image*.jpg')
# 并行调整图像大小
resized_images = da.stack([da.resize(image, (300, 300)) for image in images])
# 计算结果
result = resized_images.compute()
# 保存调整后的图像
for i, image in enumerate(result):
resized_image = Image.fromarray(image)
resized_image.save(f'resized_image_{i}.jpg')
因此，下面是整个过程：
-
使用
dask_image.imread.imread("image*.jpg")方法打开当前文件夹中的所有".jpg"图像（或者可以指定一个文件夹）。 -
使用
da.stack()方法和列表推导式将所有图像的大小调整为300x300。 -
使用
compute()方法计算结果，就像之前一样。 -
使用for循环保存所有调整过大小的图像。
2.SymPy
如果需要进行数学计算，并希望使用Python进行操作，可以尝试使用SymPy。它旨在成为一个功能齐全的计算机代数系统（CAS），同时保持代码尽可能简单，以便易于理解和扩展，SymPy完全使用Python编写。
SymPy具有以下特点：
-
免费：SymPy采用BSD许可证，既具有言论自由，也免费。
-
基于Python：SymPy完全使用Python编写，并使用Python作为其语言。
-
轻量级：SymPy仅依赖于
mpmath，这是一个用于任意浮点数算术的纯Python库，因此易于使用。 -
作为库存在：除了作为交互工具使用外，SymPy还可以嵌入到其他应用程序中，并使用自定义函数进行扩展。
首先需要安装：
$ pip install sympy
请注意：
如果写成`$ pip install simpy`，将安装另一个（完全不同的！）库。
因此，第二个字母是"y"，而不是"i"。
功能一：解代数方程
如果需要解代数方程，可以这样使用SymPy：
from sympy import symbols, Eq, solve
# 定义符号
x, y = symbols('x y')
# 定义方程
equation = Eq(x**2 + y**2, 25)
# 解方程
solutions = solve(equation, (x, y))
# 打印解
print(solutions)
>>>
[(-sqrt(25 - y**2), y), (sqrt(25 - y**2), y)]
所以，这就是整个过程：
-
使用
symbols()方法定义方程的符号。 -
使用
Eq方法编写代数方程。 -
使用
solve()方法解方程。
正如上述所看到的，SymPy是一个非常易读和用户友好的Python库。
功能二：计算导数
计算导数是在分析数据时可能需要的另一个数学任务，原因有很多。通常情况下，可能因为各种原因需要进行计算，而SymPy真正简化了这个过程。如下所示：
from sympy import symbols, diff
# 定义符号
x = symbols('x')
# 定义函数
f = x**3 + 2*x**2 + 3*x + 4
# 计算导数
derivative = diff(f, x)
# 打印导数
print(derivative)
>>>
3*x**2 + 4*x + 3
因此，正如上述所看到的，这个过程非常简单和容易自解释：
-
使用
symbols()方法定义要求导的函数的符号。 -
定义函数。
-
使用
diff()计算导数，并指定函数和要计算导数的符号（这是一个绝对导数，但在具有x和y变量的函数的情况下，甚至也可以进行计算偏导数）。
如果进行测试，就会发现结果在2或3秒钟内就会出现。因此，它的速度也相当快。
功能三：计算积分
当然，如果SymPy可以计算导数，它也可以计算积分，如下所示：
from sympy import symbols, integrate, sin
# 定义符号
x = symbols('x')
# 执行符号积分
integral = integrate(sin(x), x)
# 打印积分
print(integral)
>>>
-cos(x)
所以，本文在这里使用integrate()方法，指定要积分的函数和积分变量。
3.Xarray
Xarray是一个扩展了NumPy特性和功能的Python库，使用户能够使用带有标签的数组和数据集进行工作。Xarray在类似于NumPy的原始多维数组之上引入了维度、坐标和属性形式的标签，这使得开发者的体验更加直观、简洁，减少了错误的发生。
换句话说，它通过向数组维度添加标签或坐标来扩展NumPy数组的功能。这些标签提供了元数据，可以对多维数据进行更高级的分析和操作。
例如，在NumPy中，使用基于整数的索引访问数组。而在Xarray中，每个维度都可以关联一个标签，这样就可以根据有意义的名称更容易地理解和操作数据。
在Xarray中，用户可以使用arr.sel(x=0, y=1, z=2)来访问数据，其中x、y和z是维度的标签，而不是使用arr[0, 1, 2]来访问数据。
首先要进行安装：
$ pip install xarray
功能一：使用标注坐标
假设用户想创建与温度相关的一些数据，并且想将它们标记为纬度和经度等坐标，如下所示：
import xarray as xr
import numpy as np
# 创建温度数据
temperature = np.random.rand(100, 100) * 20 + 10
# 创建经纬度坐标数组
latitudes = np.linspace(-90, 90, 100)
longitudes = np.linspace(-180, 180, 100)
# 创建带有标注坐标的Xarray数据数组
da = xr.DataArray(
temperature,
dims=['latitude', 'longitude'],
coords={'latitude': latitudes, 'longitude': longitudes}
)
# 使用标注坐标访问数据
subset = da.sel(latitude=slice(-45, 45), longitude=slice(-90, 0))
如果打印出来，就会得到：
# 打印数据
print(subset)
>>>
array([[13.45064786, 29.15218061, 14.77363206, ..., 12.00262833,
16.42712411, 15.61353963],
[23.47498117, 20.25554247, 14.44056286, ..., 19.04096482,
15.60398491, 24.69535367],
[25.48971105, 20.64944534, 21.2263141 , ..., 25.80933737,
16.72629302, 29.48307134],
...,
[10.19615833, 17.106716 , 10.79594252, ..., 29.6897709 ,
20.68549602, 29.4015482 ],
[26.54253304, 14.21939699, 11.085207 , ..., 15.56702191,
19.64285595, 18.03809074],
[26.50676351, 15.21217526, 23.63645069, ..., 17.22512125,
13.96942377, 13.93766583]])
Coordinates:
* latitude (latitude) float64 -44.55 -42.73 -40.91 ... 40.91 42.73 44.55
* longitude (longitude) float64 -89.09 -85.45 -81.82 ... -9.091 -5.455 -1.818
所以，接下来逐步了解这个过程：
-
将温度值创建为一个NumPy数组。
-
将纬度和经度值定义为NumPy数组。
-
使用
DataArray()方法将所有数据存储在一个Xarray数组中。 -
使用
sel()方法选择了一个经纬度子集，该方法为子集选择了我们想要的值。
这样得到的结果也很容易阅读，因此标签在很多情况下非常有帮助。
功能二：处理缺失数据
假设用户正在收集与一年中与温度相关的数据，并且想知道数组中是否有空值，如下所示：
import xarray as xr
import numpy as np
import pandas as pd
# 创建有缺失值的温度数据
temperature = np.random.rand(365, 50, 50) * 20 + 10
temperature[0:10, :, :] = np.nan # Set the first 10 days as missing values
# 创建时间、纬度和经度坐标数组
times = pd.date_range('2023-01-01', periods=365, freq='D')
latitudes = np.linspace(-90, 90, 50)
longitudes = np.linspace(-180, 180, 50)
# 创建带有缺失值的Xarray数据数组
da = xr.DataArray(
temperature,
dims=['time', 'latitude', 'longitude'],
coords={'time': times, 'latitude': latitudes, 'longitude': longitudes}
)
# 沿时间维度计算缺失值的数量
missing_count = da.isnull().sum(dim='time')
# 打印缺失值
print(missing_count)
>>>
array([[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10],
...,
[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0
这样，我们就得到了10个空数值。
此外，如果我们仔细查看代码，就会发现我们可以将Pandas的方法应用到Xarray中，比如isnull.sum()，在本例中，它可以计算缺失值的总数。
功能三：处理和分析多维数据
当我们可以给数组贴标签时，处理和分析多维数据的诱惑就会很大。例如，假设用户仍在收集与特定纬度和经度相关的温度数据。
我们可能想要计算温度的平均值、最大值和中值，可以进行如下操作：
import xarray as xr
import numpy as np
import pandas as pd
# 创建合成温度数据
temperature = np.random.rand(365, 50, 50) * 20 + 10
# 创建时间、纬度和经度坐标数组
times = pd.date_range('2023-01-01', periods=365, freq='D')
latitudes = np.linspace(-90, 90, 50)
longitudes = np.linspace(-180, 180, 50)
# 创建Xarray数据集
ds = xr.Dataset(
{
'temperature': (['time', 'latitude', 'longitude'], temperature),
},
coords={
'time': times,
'latitude': latitudes,
'longitude': longitudes,
}
)
# 对温度数据进行统计分析
mean_temperature = ds['temperature'].mean(dim='time')
max_temperature = ds['temperature'].max(dim='time')
min_temperature = ds['temperature'].min(dim='time')
# 打印数值
print(f"mean temperature:\n {mean_temperature}\n")
print(f"max temperature:\n {max_temperature}\n")
print(f"min temperature:\n {min_temperature}\n")
>>>
mean temperature:
array([[19.99931701, 20.36395016, 20.04110699, ..., 19.98811842,
20.08895803, 19.86064693],
[19.84016491, 19.87077812, 20.27445405, ..., 19.8071972 ,
19.62665953, 19.58231185],
[19.63911165, 19.62051976, 19.61247548, ..., 19.85043831,
20.13086891, 19.80267099],
...,
[20.18590514, 20.05931149, 20.17133483, ..., 20.52858247,
19.83882433, 20.66808513],
[19.56455575, 19.90091128, 20.32566232, ..., 19.88689221,
19.78811145, 19.91205212],
[19.82268297, 20.14242279, 19.60842148, ..., 19.68290006,
20.00327294, 19.68955107]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0
max temperature:
array([[29.98465531, 29.97609171, 29.96821276, ..., 29.86639343,
29.95069558, 29.98807808],
[29.91802049, 29.92870312, 29.87625447, ..., 29.92519055,
29.9964299 , 29.99792388],
[29.96647016, 29.7934891 , 29.89731136, ..., 29.99174546,
29.97267052, 29.96058079],
...,
[29.91699117, 29.98920555, 29.83798369, ..., 29.90271746,
29.93747041, 29.97244906],
[29.99171911, 29.99051943, 29.92706773, ..., 29.90578739,
29.99433847, 29.94506567],
[29.99438621, 29.98798699, 29.97664488, ..., 29.98669576,
29.91296382, 29.93100249]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0
min temperature:
array([[10.0326431 , 10.07666029, 10.02795524, ..., 10.17215336,
10.00264909, 10.05387097],
[10.00355858, 10.00610942, 10.02567816, ..., 10.29100316,
10.00861792, 10.16955806],
[10.01636216, 10.02856619, 10.00389027, ..., 10.0929342 ,
10.01504103, 10.06219179],
...,
[10.00477003, 10.0303088 , 10.04494723, ..., 10.05720692,
10.122994 , 10.04947012],
[10.00422182, 10.0211205 , 10.00183528, ..., 10.03818058,
10.02632697, 10.06722953],
[10.10994581, 10.12445222, 10.03002468, ..., 10.06937041,
10.04924046, 10.00645499]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0
然后获得了我们想要的结果，而且结果非常清晰易读。且正如之前所提到的，为了计算温度的最大值、最小值和平均值，本文使用了应用于数组的Pandas函数。