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。

下面我将讨论这些库的概述和具体的功能、关于安装的代码，以及如何使用这些有益的库的示例。

Pandas

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

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。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]。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

如果你想了解更多有关数据科学工具和语言的信息，请随时阅读另一篇文章[14]：https://towardsdatascience.com/top-data-science-tools-and-languages-b38b88c7669d 。

谢谢你的阅读！