你可以直接查看这个答案：

就列举一些目前比较流行而且非常实用的库吧！

核心库和统计

1.NumPy（提交数：17911，贡献者：641）

首先，我们将介绍用于科学应用的库，其中 NumPy 是一个不可忽视的选择。 NumPy用于处理大型多维数组和矩阵，并通过大量高级数学函数和实现方法来执行各种运算。 NumPy 在过去一年中经历了许多改进。 除了错误修复和兼容性问题之外，还涵盖了样式的可能性，即 NumPy 对象的格式化打印。

推荐资源：

2.SciPy（提交数：19150，贡献者：608）

科学计算的另一个核心库是 SciPy。 SciPy 基于 NumPy，因此扩展了 NumPy 的功能。 SciPy 的主要数据结构是由 Numpy 实现的多维数组。 其中包括许多用于解决线性代数、概率论、积分等任务的工具。 SciPy 的主要改进包括继续集成到不同的操作系统中，以及添加新功能和方法。 另外，还封装了很多新的BLAS和函数。

推荐资源：

3.（提交数：17144，贡献者：1165）

它是一个提供高级数据结构和各种分析工具的库。 它的主要特点是能够将相当复杂的数据操作转换为一两个命令。 包含许多用于分组、过滤和组合数据的内置方法以及时间序列功能。 该库已发布多个新版本，其中包括数百个新功能、增强功能、错误修复和 API 改进。 这些改进包括对数据进行分类和排序、使输出更适合应用方法以及执行自定义操作等方面。

推荐资源：

4.（提交数：10067，贡献者：153）

它是用于统计数据分析的模块，例如统计模型估计和执行统计测试。 在它的帮助下，您可以使用机器学习方法进行各种绘图尝试。 不断改进。 今年增加了时间序列改进和新的计数模型，即广义泊松模型、零膨胀模型和负二项式模型。 还包括新的多变量方法——因子分析、多元方差分析和方差分析中的重复测量。

可视化

5.（提交数：25747，贡献者：725）

是一个用于创建 2D 图表和图形的低级库。 使用它，您可以构建图表，例如直方图、散点图、非笛卡尔坐标图等。 此外，许多流行的绘图库可以结合使用，在颜色、大小、字体、图例等方面进行一定的改进。外观方面包括轴图例的自动对齐； 颜色方面也得到了改进，对色盲更加友好。

推荐资源：

6.（提交数：2044，贡献者：83）

它基于库的更高级别的 API。 它包含更适合使用图表的默认设置。 此外，还包含时间序列等丰富的可视化库。 该更新包括错误修复。 它还包括与 的兼容性、增强的后端交互以及可视化中添加的参数和选项。

推荐资源：

7.（提交数：2906，贡献者：48）

让您轻松构建复杂的图形。 适用于交互式网络应用程序。 可视化方面包括等高线图、三元图和三维图。 不断添加新的图像和功能，还提供了对动画等方面的支持。

8. Bokeh（提交数：16983，贡献者：294）

Bokeh 库使用小部件在浏览器中创建交互式且可扩展的可视化效果。 Bokeh 提供了多种图形集合和样式，并通过链接图表、添加小部件和定义回调来增强交互性。 Bokeh 对交互功能进行了改进，例如旋转类别标签、小型缩放工具以及自定义工具提示字段的增强功能。

9. Pydot（提交数：169，贡献者：12）

Pydot 用于生成复杂的有向图和无向图。 是写在接口里的。 使用 Pydot 使您能够显示图形结构，这些结构通常用于构建神经网络和基于决策树的算法。

机器学习

10.-learn（提交：22753，贡献者：1084）

-learn 是一个基于 NumPy 和 SciPy 的模块，是处理数据的不错选择。 -learn 为许多机器学习和数据挖掘任务提供算法，例如聚类、回归、分类、降维和模型选择。

-learn 是一个基于 NumPy 和 SciPy 的模块，是处理数据的不错选择。 -learn 为许多机器学习和数据挖掘任务提供算法，例如聚类、回归、分类、降维和模型选择。 -learn 做出了许多改进，包括交叉验证、多指标的使用，以及对最近邻采样和逻辑回归等训练方法的小改进。 主要更新还包括改进的常用术语和API元素词汇表，可以帮助用户熟悉-learn中的术语和规则。

11. //（提交数：3277/1083/1509，贡献者：280/79/61）

梯度提升 ( ) 是最流行的机器学习算法之一，在决策树模型中至关重要，因此我们需要关注 、 和 。 这些库都以相同的方式解决常见问题。 这些库可以实现更优化、可扩展和快速的梯度提升实现，使其在数据科学家和竞赛中备受追捧，其中许多人在这些算法的帮助下赢得了竞赛。

12. Eli5（提交数：922，贡献者：6）

通常机器学习模型预测的结果不是特别清晰，所以需要使用eli5。 它可用于可视化和调试机器学习模型并逐步跟踪算法执行。 同时eli5可以提供-learn、、、-库的支持。

深度学习

13.（提交数：33339，贡献者：1469）

它是一个流行的深度学习和机器学习框架，由 Brain 开发。 能够在多个数据集上使用的人工神经网络。 主要应用包括物体识别、语音识别等，新版本增加了新功能。 最新的改进包括修复安全漏洞和改进 GPU 集成，例如在单台机器上的多个 GPU 上运行评估器模型的能力。

推荐资源：

14.（提交数：11306，贡献者：635）

它是一个大规模框架，可以通过GPU加速进行计算，创建动态计算图并自动计算梯度。 此外，还提供了丰富的API来解决神经网络相关的应用。 它是一个基于Torch、用C语言实现的开源深度学习库。 API于2017年推出，此后该框架越来越受欢迎，并吸引了大量数据科学家。

推荐资源：

15.Keras（提交数：4539，贡献者：671）

Keras 是一个使用 和 运行的神经网络高级库。 现在，借助新版本，还可以使用 CNTK 和 MxNet 作为后端。 它简化了许多任务并显着减少了代码量。 但缺点是不适合复杂的任务。 Keras 在性能、可用​​性和 API 文档方面都有改进。 新功能包括图层、新应用程序等等。

推荐资源：

分布式深度学习

16. Dist-keras//spark-deep-（提交：1125/170/67，贡献者：2011 年 5 月 13 日）

由于用例数量不断增加，需要大量精力和时间的深度学习问题变得越来越重要。 然而，使用 Spark 等分布式计算系统可以更轻松地处理大量数据，从而扩展了深度学习的可能性。 因此 dist-keras、spark-deep 变得更加流行。 由于它们可以用来解决相同的任务，因此很难在它们之间进行选择。 这些包允许您在 Spark 的帮助下直接通过 Keras 库训练神经网络。 。 Spark-deep - 还提供使用神经网络创建管道的工具。

自然语言处理

17.NLTK（提交数：13041，贡献者：236）

NLTK 是一组用于自然语言处理的库和平台。 借助 NLTK，您可以通过多种方式处理和分析文本、对其进行标记并提取信息。 NLTK 还可用于原型设计和构建研究系统。 NLTK 的改进包括较小的 API 和兼容性更改以及新接口。

18.SpaCy（提交数：8623，贡献者：215）

SpaCy 是一个自然语言处理库，拥有优秀的示例、API 文档和演示应用程序。 该库是用 C 语言编写的，作为扩展。 支持近30种语言，提供简单的深度学习集成，并保证稳定性和高精度。 SpaCy 的另一个强大功能是它可以将整个文档作为一个整体进行处理，而不会将其分解为多个部分。

19.（提交数：3603，贡献者：273）

是一个构建在 Numpy 和 Scipy 之上的语义分析、主题建模和向量空间建模库。 它提供了其他NLP算法的实现。 尽管有自己的实现，该库也可用于高效学习单词表示。

数据抓取

20.（提交数：6625，贡献者：281）

可用于创建扫描页面并收集结构化数据。 此外，还可以从 API 中提取数据。 由于其可扩展性和便携性，非常易于使用。 今年的更新包括代理服务器升级，以及错误通知和问题识别系统。 这也提供了使用分析机械能元数据设置的新方法。