利用简单的python机器学习库玩转『低代码』
转载于：2022了你还不会『低代码』？数据科学也能玩转Low-Code啦！ - 掘金 (juejin.cn)
低代码开发，顾名思义，指的是软件开发过程中只需要编写少量代码就够了。与传统开发方式相比，低代码大幅减少了编写代码的工作量，这使其具备了更快的速度、更短的开发时间与更低的成本。
无代码 / 低代码机器学习平台（和库）的兴起，加速了代码开发速度。借助于这些平台和框架，数据科学家们在繁重的探索研究和大量的编程任务之间，取得更好的平衡。
在本篇内容中，ShowMeAI 给大家总结了最值得学习&使用 Python 低代码机器学习库，覆盖数据科学最热门的几大方向——数据分析&简单挖掘、机器学习、深度学习。
数据分析&简单挖掘
D-Tale
D-Tale 是一个易于使用的低代码 Python 库，通过将 Flask 编写的后端与 React 编写的前端相结合，与 Jupyter Notebook 无缝集成，可以查看和分析 Pandas 形态的数据，包括 DataFrame、Series、MultiIndex、DatetimeIndex 和 RangeIndex。
D-Tale 是 SAS 到 Python 转换的产物，最初是基于 SAS 的 perl 脚本包装器，现在是基于 Pandas 数据结构的轻量级 Web 客户端。
大家可以在D-Tale的官方 Github 查看它的详细教程和用法，也可以前往 在线平台 操作体验。
AutoViz
对于低代码探索式数据分析任务，AutoViz 是 Python 中另一个不错的选择。在功能方面，它只需编写一行代码即可使用 AutoViz 完成任何数据集的自动可视化。
AutoViz 能够结合任务确定哪些特征是最重要的，然后通过仅使用那些自动选择的元素来绘制和呈现信息。而且AutoViz速度极快，可视化可以在几秒钟内完成。
大家可以查看官方 AutoViz 示例 Jupyter Notebook 进行学习。
Lux
Lux 工具库是一个非常自动的数据分析可视化工具。无需做太多的数据预处理，它会自动根据数据生成一系列候选图表，根据实际需要从中做选择即可。这大大减少了制作图表所需的时间以及数据预处理工作量。
大家可以通过 Lux 的官方 GitHub 页面了解更多用法细节。
Pandas-Profiling
pandas-profiling 库自动针对 pandas DataFrame 格式的数据生成数据分析报告。
最终的结果以交互式 HTML 报告呈现，包含以下信息：
- 类型推断：字段列的类型
- 要点：类型、唯一值、缺失值
- 分位数统计：包括最小值、Q1、中位数、Q3、最大值、范围、四分位间距
- 描述性统计：包括均值、众数、标准差、总和、中值绝对差、变异系数、峰度、偏度等
- 直方图：分类和数字
- 相关性：Spearman、Pearson 和 Kendall 矩阵
- 缺失值：矩阵、计数、热图和缺失值的树状图
- 文本分析：了解文本数据的类别（大写、空格）、脚本（拉丁文、西里尔文）和块（ASCII）
- 文件和图像分析：提取文件大小、创建日期和尺寸，并扫描截断的图像或包含 EXIF 信息的图像
大家可以在 pandas-profiling 的项目 GitHub 页面获取详细使用方法。
机器学习
PyCaret
PyCaret 是 Python 中的一个开源、低代码机器学习库，可自动执行机器学习工作流。它也是一个端到端的机器学习和模型管理工具，可以成倍地加快实验周期，提升工作开发效率。
与其他开源机器学习库相比，PyCaret 有着明显的低代码特质，可仅用几行代码完成原本需要数百行代码完成的工作，尤其是对于密集的实验迭代过程可以大大提速。PyCaret 本质上是围绕多个机器学习库和框架封装而成，包括大家熟悉的 Scikit-Learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt 和 Ray 等。
大家可以通过 Pycaret 的 官方文档，官方GitHub，官方教程 了解更多使用细节。
深度学习
PyTorch Lightning
PyTorch Lightning 是一个应用在深度学习/神经网络的 Python 低代码库，为 PyTorch 提供高级接口。
它具备高性能和轻量级的架构，以一种将研究与工程分离的方式来构建 PyTorch 代码，使深度学习实验更容易理解和重复。借助它能轻松构建分布式硬件上的可扩展深度学习模型。
官网介绍说，PyTorch Lightning 的设计是为了让大家可以将更多的时间花在研究上，而不是花在工程上。大家可以通过 PyTorch Lightning 的 官方网站 了解更多使用细节。
Hugging Face Transformers
Hugging Face Transformers 是 Hugging Face 的开源深度学习工具库。借助 Transformers，大家可以非常方便快速地下载最先进的预训练模型，应用在自己的场景中，或者基于自己的数据做再训练。
因为官方提供的大量预训练模型，我们可以减少计算费用（因为无需从头训练）。丰富的模型覆盖多种数据类型和业务源，包括：
- 文本：对文本进行分类、信息抽取、问答系统、机器翻译、摘要生成，文本生成（覆盖 100 多种语言）
- 图像：图像分类、目标检测和图像分割
- 音频：语音识别和音频分类
PyTorch、TensorFlow 和 JAX 是三个最著名的深度学习库，transformers 的对这三个框架都支持得很好，甚至可以在一个框架中用三行代码训练模型，在另一个框架中加载模型并进行推理。
大家可以通过 Hugging Face Transformers 的 官方网站 和 GitHub 了解更多使用细节。
参考资料
- D-Tale 官方 Github: github.com/man-group/d…
- AutoViz 官方示例 Jupyter Notebook: github.com/AutoViML/Au…
- Lux 官方 GitHub: github.com/lux-org/lux
- pandas-profiling 项目 GitHub: github.com/ydataai/pan…
- Pycaret 官方文档: pycaret.gitbook.io/
- Pycaret 官方GitHub: www.github.com/pycaret/pyc…
- Pycaret 官方教程: pycaret.gitbook.io/docs/get-st…
- PyTorch Lightning 官方网站: www.pytorchlightning.ai/
- Hugging Face Transformers 官方网站: huggingface.co/
- Hugging Face Transformers GitHub: github.com/huggingface…