💡 作者：韓信子@ShowMeAI
📘 資料分析實戰系列：https://www.showmeai.tech/tutorials/40
📘 機器學習實戰系列：https://www.showmeai.tech/tutorials/41
📘 本文位址：https://www.showmeai.tech/article-detail/286
📢 聲明：版權所有，轉載請聯系平台與作者并注明出處
📢 收藏ShowMeAI檢視更多精彩内容
低代碼開發，顧名思義，指的是軟體開發過程中隻需要編寫少量代碼就夠了。與傳統開發方式相比，低代碼大幅減少了編寫代碼的工作量，這使其具備了更快的速度、更短的開發時間與更低的成本。
無代碼 / 低代碼機器學習平台（和庫）的興起，加速了代碼開發速度。借助于這些平台和架構，資料科學家們在繁重的探索研究和大量的程式設計任務之間，取得更好的平衡。
在本篇内容中，ShowMeAI 給大家總結了最值得學習&使用 Python 低代碼機器學習庫，覆寫資料科學最熱門的幾大方向——資料分析&簡單挖掘、機器學習、深度學習。
📌 資料分析&簡單挖掘
💡 D-Tale
D-Tale 是一個易于使用的低代碼 Python 庫，通過将 Flask 編寫的後端與 React 編寫的前端相結合，與 Jupyter Notebook 無縫內建，可以檢視和分析 Pandas 形态的資料，包括 DataFrame、Series、MultiIndex、DatetimeIndex 和 RangeIndex。
D-Tale 是 SAS 到 Python 轉換的産物，最初是基于 SAS 的 perl 腳本包裝器，現在是基于 Pandas 資料結構的輕量級 Web 用戶端。
大家可以在D-Tale的官方 📘Github 檢視它的詳細教程和用法，也可以前往 📘線上平台 操作體驗。
💡 AutoViz
對于低代碼探索式資料分析任務，AutoViz 是 Python 中另一個不錯的選擇。在功能方面，它隻需編寫一行代碼即可使用 AutoViz 完成任何資料集的自動可視化。
AutoViz 能夠結合任務确定哪些特征是最重要的，然後通過僅使用那些自動選擇的元素來繪制和呈現資訊。而且AutoViz速度極快，可視化可以在幾秒鐘内完成。
大家可以檢視官方 📘AutoViz 示例 Jupyter Notebook 進行學習。
💡 Lux
Lux 工具庫是一個非常自動的資料分析可視化工具。無需做太多的資料預處理，它會自動根據資料生成一系列候選圖表，根據實際需要從中做選擇即可。這大大減少了制作圖表所需的時間以及資料預處理工作量。
大家可以通過 Lux 的官方 📘GitHub 頁面了解更多用法細節。
💡 Pandas-Profiling
pandas-profiling 庫自動針對 pandas DataFrame 格式的資料生成資料分析報告。
最終的結果以互動式 HTML 報告呈現，包含以下資訊：
- 類型推斷：字段列的類型
- 要點：類型、唯一值、缺失值
- 分位數統計：包括最小值、Q1、中位數、Q3、最大值、範圍、四分位間距
- 描述性統計：包括均值、衆數、标準差、總和、中值絕對差、變異系數、峰度、偏度等
- 直方圖：分類和數字
- 相關性：Spearman、Pearson 和 Kendall 矩陣
- 缺失值：矩陣、計數、熱圖和缺失值的樹狀圖
- 文本分析：了解文本資料的類别（大寫、空格）、腳本（拉丁文、西裡爾文）和塊（ASCII）
- 檔案和圖像分析：提取檔案大小、建立日期和尺寸，并掃描截斷的圖像或包含 EXIF 資訊的圖像
大家可以在 pandas-profiling 的項目 📘GitHub 頁面擷取詳細使用方法。
📌 機器學習
💡 PyCaret
PyCaret 是 Python 中的一個開源、低代碼機器學習庫，可自動執行機器學習工作流。它也是一個端到端的機器學習和模型管理工具，可以成倍地加快實驗周期，提升工作開發效率。
與其他開源機器學習庫相比，PyCaret 有着明顯的低代碼特質，可僅用幾行代碼完成原本需要數百行代碼完成的工作，尤其是對于密集的實驗疊代過程可以大大提速。PyCaret 本質上是圍繞多個機器學習庫和架構封裝而成，包括大家熟悉的 Scikit-Learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt 和 Ray 等。
大家可以通過 Pycaret 的 📘官方文檔，📘官方GitHub，📘官方教程 了解更多使用細節。
📌 深度學習
💡 PyTorch Lightning
PyTorch Lightning 是一個應用在深度學習/神經網絡的 Python 低代碼庫，為 PyTorch 提供進階接口。
它具備高性能和輕量級的架構，以一種将研究與工程分離的方式來建構 PyTorch 代碼，使深度學習實驗更容易了解和重複。借助它能輕松建構分布式硬體上的可擴充深度學習模型。
官網介紹說，PyTorch Lightning 的設計是為了讓大家可以将更多的時間花在研究上，而不是花在工程上。大家可以通過 PyTorch Lightning 的 📘官方網站 了解更多使用細節。
💡 Hugging Face Transformers
Hugging Face Transformers 是 Hugging Face 的開源深度學習工具庫。借助 Transformers，大家可以非常友善快速地下載下傳最先進的預訓練模型，應用在自己的場景中，或者基于自己的資料做再訓練。
因為官方提供的大量預訓練模型，我們可以減少計算費用（因為無需從頭訓練）。豐富的模型覆寫多種資料類型和業務源，包括：
- 文本：對文本進行分類、資訊抽取、問答系統、機器翻譯、摘要生成，文本生成（覆寫 100 多種語言）
- 圖像：圖像分類、目标檢測和圖像分割
- 音頻：語音識别和音頻分類
PyTorch、TensorFlow 和 JAX 是三個最著名的深度學習庫，transformers 的對這三個架構都支援得很好，甚至可以在一個架構中用三行代碼訓練模型，在另一個架構中加載模型并進行推理。
參考資料
- 📘 D-Tale 官方 Github: https://github.com/man-group/dtale
- 📘 AutoViz 官方示例 Jupyter Notebook: https://github.com/AutoViML/AutoViz/tree/master/Examples
- 📘 Lux 官方 GitHub: https://github.com/lux-org/lux
- 📘 pandas-profiling 項目 GitHub: https://github.com/ydataai/pandas-profiling
- 📘 Pycaret 官方文檔: https://pycaret.gitbook.io/
- 📘 Pycaret 官方GitHub: https://www.github.com/pycaret/pycaret
- 📘 Pycaret 官方教程: https://pycaret.gitbook.io/docs/get-started/tutorials
- 📘 PyTorch Lightning 官方網站: https://www.pytorchlightning.ai/
- 📘 Hugging Face Transformers 官方網站: https://huggingface.co/
- 📘 Hugging Face Transformers GitHub: https://github.com/huggingface/transformers