これら 9 つの Python ツールをすべての新しいマシンにインストールします

誰もがお気に入りのプログラムが入ったツールボックスを持っており、新しいプログラムを入手するたびにマシンにインストールします。 Python を使用して、独自の重要なツールキットを構築しました。新しいマシンを購入するたびに私が利用するライブラリとプログラムを以下に示します。

ジュピター/IPython

科学的プログラミングを簡単に実行

Jupyter は、テキスト、グラフィックス、コードを融合したインタラクティブなノートブックを作成する方法です。これはプログラミングの独特な形式です。これは科学プログラミングの世界に旋風を巻き起こしました。コードのスニペットを実行したり再実行したりするのはとても簡単です。

Python は Python 固有のツールではなく、他の言語もサポートしていますが、統計などの科学計算に最適なオープンソース言語の 1 つです。 Jupyter ノートブックは元々、対話型の Python 環境を強化する IPython の一部でした。私は主に実験には IPython を使用し、結果を保存する場合には Jupyter ノートブックを使用します。

マンバ

カスタム環境を瞬時に構築

これは特定の Python ツールではありませんが、Mamba は新しいマシンに環境をセットアップするのに役立ちます。 Python は多くのシステムに含まれていますが、Linux システムでは主にスクリプトや OS 自体のその他の機能をサポートするために使用され、プロジェクトのプログラミングを目的としたものではありません。パッケージをインストールしたい場合は、パッケージ マネージャーを使用するか、仮想環境をセットアップする必要があります。

Mamba を使用すると、必要なパッケージを使用してカスタム環境を簡単にセットアップし、前後に切り替えることができます。これにより、システムの Python 環境が台無しになる可能性が大幅に低くなります。

ナムピー

その場で数値を処理する

NumPy は、Python 上の科学計算の主力製品です。その機能は、すでに科学や工学で広く使用されている Matlab に匹敵します。これにより、数値配列の操作が簡単になります。ベクトルと行列を定義して、連立一次方程式を簡単に解くことができます。

私にとっての主な魅力は、平均値や中央値など、基本的な統計計算が数多く利用できることです。 NumPy は他の多くのライブラリとも連携しますが、これについては後で説明します。

サイピー

大量の科学ツールを 1 つのパッケージに

SciPy は、多くの科学的機能が詰まったバッグです。繰り返しになりますが、私にとってその主な魅力は統計コンピューティングです。 何らかの理由で標準の NumPy にない関数をコンピュータで実行できます。たとえば、統計モード、つまりデータセット内で最も頻繁に現れる数値を計算できます。

「a」という配列があるとします。モードを見つけたい場合は、次のコードを実行するだけです。

from scipy import stats
stats.mode(a)

SciPy には、正規分布、二項分布、スチューデントの t 分布などの一般的な統計分布も多数あります。もうテーブルを調べる必要はありません。

シンピー

Wolfram Mathematicに似ていますが無料です

NumPy と SciPy は数値計算をカバーしますが、SymPy はまったく異なるものを提供します。これは、Python を計算機代数システムに変えるライブラリです。これにより、計算機が数値を処理するのと同じ方法でシンボリック変数を操作できるようになります。これはWolfram Mathematica のような高価なパッケージで提供されている機能です。

これにより、多項式の展開や因数分解、方程式の解法、さらには積分や微分などの代数演算を Python 内で実行できるようになります。これは日常業務のごく一部を占めますが、統計概念をより深く理解するためには貴重です。これを使用して線形回帰の式を計算し、他のライブラリが実際の計算を処理します。また、これらのより高度な操作を使用するテキストを処理するためにもこのツールを使用しています。これは私の数学的独学にとって非常に貴重なツールであることがわかりました。

パンダ

数値の書式設定と操作

統計計算の場合、これは NumPy 単体よりもさらに強力です。 pandas を使用すると、長方形データの DataFrame を簡単に定義できます。これは、スプレッドシートやリレーショナル データベースで見られるデータの配置に似ています。 Excel や CSV スプレッドシートからデータをインポートするのも簡単です。

データを表示できるだけでなく、説明的な統計などの計算を実行するための組み込み関数も多数あります。 pandas メソッドを使用してデータをプロットすることもできます。

シーボーン

データをグラフに載せる

シーボーンについては以前にも触れました。一般的な統計プロットを簡単に生成できる方法が気に入っています。これは事実上、人気のある Matplotlib ライブラリのフロントエンドです。後者は便利ですが、必要なプロットを設定するのは面倒な場合があります。 Seaborn では、主に必要なプロットの種類を選択し、X 軸と Y 軸を設定することが重要です。

たとえば、組み込みのレストランのヒント データベースの散布図を使用して、チップと請求総額の回帰を取得するには、次のようにします。

import seaborn as sns
sns.set_theme()
tips = sns.load_dataset('tips')
sns.regplot(x='total_bill',y='tip',data=tips)

ピンゴイン

結果をきれいな方法で出力する

Pingoin は、統計テストの結果をユーザーフレンドリーな方法で取得するための便利なライブラリです。先ほどの回帰プロットの背後にある実際の数値を確認するには、pingouin の関数を使用できます。 linear_regression 方法：

import pingouin as pg
pg.linear_regression(tips('total_bill'),tips('tip'))

他にも Student の t 検定やカイ 2 乗検定などの一般的な検定があります。

統計モデル

線形回帰と機能横断性

statsmodels は、名前が示すように、主に統計テスト用の古いライブラリです。その主な魅力は線形回帰です。その結果は、R などの他の統計プログラムと照合されます。これは、結果が有効であることを確認したい場合に役立ちます。 R について言えば、R のような数式もサポートされています。これを、ヒント データセットの回帰分析の別のバージョンで示します。

import statsmodels.formula.api as smf
results = smf.ols('tip ~ total_bill',data=tips).fit()
results.summary()

どこにでも持ち運べるツール

これらのライブラリとツールにより、データの分析がさらに簡単になり、さらに楽しくなります。それで、彼らは私の次のマシンまで私を追ってくるでしょう。