۱۰ پکیج کاربردی پایتون برای دیتا ساینس 🐍این پکیجها واقعاً کاربردیان! 👇
۱. 🧹 Cleanlabکاربرد: شناسایی و اصلاح خطاهای برچسب در دیتاستها
اگه دیتاست داری با label های اشتباه، این کتابخونه کمکت میکنه پیدا کنی کدوم دادهها label اشتباه دارن. این خیلی مهمه چون دادههای با label اشتباه مدلت رو خراب میکنن.
from cleanlab.classification import CleanLearning
from sklearn.linear_model import LogisticRegression
cl = CleanLearning(LogisticRegression())
cl.fit(X_train, y_train)
labels_issue = cl.get_label_issues()
چرا استفاده کنیم؟• بهبود کیفیت دادهی آموزشی
• افزایش دقت مدل
• شناسایی outlier ها
GitHub۲. 🏃 LazyPredictکاربرد: مقایسه سریع چندین مدل ML
با چند خط کد، کلی مدل مختلف رو همزمان آموزش میدی و نتایج رو مقایسه میکنی. عالی برای اینکه سریع بفهمی کدوم مدل برای مسئلهت بهتره.
from lazypredict.Supervised import LazyClassifier
clf = LazyClassifier()
models = clf.fit(X_train, X_test, y_train, y_test)
print(models)
خروجی:Model | Accuracy | Time
-------------------+----------+-----
RandomForest | 0.95 | 0.5s
LogisticRegression | 0.92 | 0.2s
SVM | 0.89 | 0.8s
GitHub۳. 🔍 Luxکاربرد: تحلیل خودکار داده و پیشنهاد نمودار
Lux دیتات رو تحلیل میکنه و نمودارهای پیشنهادی میسازه. دیگه نیازی نیست دستی نمودار بسازی!
import lux
df # فقط همینو بنویسی کافیه!
ویژگیها:• تحلیل خودکار
• پیشنهاد نمودار
• شناسایی الگوها
GitHub۴. 🌲 PyForestکاربرد: Import کردن همه کتابخانهها با یه خط
دیگه نیازی نیست تک تک import کنی. با یه خط همه چیز رو وارد کن!
from pyforest import *
چی import میشه؟• Pandas, NumPy
• Sklearn, XGBoost
• Matplotlib, Seaborn
• و خیلیای دیگه!
GitHub۵. 📊 PivotTableJSکاربرد: Pivot Table در Jupyter
مثل اکسل میتونی pivot بزنی، فیلتر کنی و خلاصهسازی کنی — بدون کدنویسی!
from pivottablejs import pivot_ui
pivot_ui(df)
GitHub۶. ✏️ Drawdataکاربرد: کشیدن دستی دیتاست
میتونی با موس دادههای دوبعدی بکشی و دیتاست بسازی! عالی برای درک بهتر الگوریتمهای ML.
from drawdata import draw_scatter
draw_scatter()
GitHub7. ⚫ Blackکاربرد: فرمتبندی خودکار کد
کد رو مرتب و استاندارد میکنه. دیگه نگران style نباش!
black myfile.py
قبل:def hello( ):
print( "hello" )
بعد:def hello():
print("hello")
GitHub8. 🤖 PyCaretکاربرد: AutoML ساده
کل روند ML رو اتومات میکنه — از انتخاب مدل تا تیونینگ!
from pycaret.classification import *
clf = setup(data, target='target')
best_model = compare_models()
final_model = tune_model(best_model)
GitHub9. ⚡ PyTorch Lightningکاربرد: سادهسازی آموزش PyTorch
کدهای تکراری رو حذف میکنه و تمرکزت رو میذاری روی تحقیق!
import pytorch_lightning as pl
class MyModel(pl.LightningModule):
def training_step(self, batch, batch_idx):
# training logic
...
GitHub10. 🌐 Reflexکاربرد: تبدیل مدل ML به وباپ
هر مدلی رو میتونی تو یه دقیقه تبدیل به وباپ کنی!
import reflex as rx
def index():
return rx.vstack(
rx.input(value="Enter text"),
rx.button("Predict"),
)
app = rx.App()
app.compile()
GitHub📊 جدول خلاصه:پکیج | کاربرد | نصب
-----------------+--------------+--------------------------------
**Cleanlab** | اصلاح label | `pip install cleanlab`
**LazyPredict** | مقایسه مدل | `pip install lazypredict`
**Lux** | تحلیل خودکار | `pip install lux-api`
**PyForest** | import سریع | `pip install pyforest`
**PivotTableJS** | pivot table | `pip install pivottablejs`
**Drawdata** | کشیدن داده | `pip install drawdata`
**Black** | فرمت کد | `pip install black`
**PyCaret** | AutoML | `pip install pycaret`
**Lightning** | PyTorch | `pip install pytorch-lightning`
**Reflex** | وباپ | `pip install reflex`
#علم_داده #DataScience #پایتون
🆔
@python4all_proلینک کانال در بله👇👇
https://ble.ir/Python4all_pro 
