動態(tài)數(shù)據(jù)科學的這三劍客幾乎無人不知無人不曉：Numpy，Pandas和Matplotlib。你可能已經(jīng)熟悉這些包以及它們的運作方式。

還有其他很炫酷的包，你肯定也想試一試，例如Plotly，Seaborne，Scikit-Learn，Tensorflow和Pytorch等等。它們都很好，還有數(shù)百萬個用于Python機器學習的軟件包，其中有些未受到重視，甚至有些完全不為人知的！

本文就帶大家認識一下這些滄海遺珠。

1.Gleam

Gleam可能很多人沒有聽說過，它是一個很棒的工具，用于創(chuàng)建帶有頁面、面板和按鈕的交互式可視化項目。這些交互式Web可視化也完全與Web集成在一起，這意味著可以將它們放到網(wǎng)站到端點的任何地方。Gleam使用wtforms進行交互，可以使用任何的不同可視化工具來實際顯示數(shù)據(jù)。

如果想要一個很酷的交互式窗格，基本上可以使用任何圖形庫，那么Gleam是你的最佳選擇。

2.Table

放著pandas不用，為什么要去用Table呢？這當然是一個可行的方法。Table包使得該列表輕松成為pandas的輕量級替代品，使用Table.py讀取龐大的數(shù)據(jù)集要比使用Pandas.py容易得多。總體而言，在某些情況下它可能更合適。

import pandas as pd

3.Mlpy

Mlpy為監(jiān)督和無監(jiān)督學習提供了大量最先進的機器學習方法。與同類產(chǎn)品不同，它旨在為數(shù)據(jù)科學提供一種多合一的方法。雖然有點過時，但對于快速增長的Python機器學習包來說無疑是一個很好的起步，它的易用性、有趣的算法和包容性是最大的亮點。

Mlpy試圖創(chuàng)建一種能平衡重現(xiàn)性、模塊化和效率的包。該包在這方面取得了成功，因為盡管許多同類包的更新頻率更高，而且肯定是行業(yè)標準，但許多此類想法似乎在編譯中丟失了。因為這些都是由成千上萬的開發(fā)人員以C語言編寫的龐大的包，但這可能也是使用它們的缺點所在。

4.Shogun

Shogun是一個用C++編寫的機器學習庫，恰巧擁有Python端口。Shogun的一大優(yōu)點是，它可用于多種不同的編程語言，并且相對統(tǒng)一。學習Shogun，你可以將所學知識應用于支持的任何其他語言。

Shortgun擁有廣泛的前沿機器學習算法，它也是開源的，并且根據(jù)GNU（自由軟件基金會）通用許可發(fā)行，這是一個加分項。

5.OpenCV

OpenCV最初是由Intel開發(fā)的。盡管是Intel的獨家包，但它是開源的，并根據(jù)FreeBSD許可證發(fā)布。OpenCV非常優(yōu)秀的一點是，它著重于實時計算機視覺，與Shogun一樣，OpenCV最初是用C++編寫的，但是具有Python和其他語言的接口。

說實話，這五個包還不夠普及，對它們的評價也很鮮見。這些軟件包確實很酷，但可以肯定，還有數(shù)百個甚至數(shù)千個其他很酷的模塊可以添加到Pip環(huán)境中，這些模塊也很棒卻鮮為人知。

Python有一個完善