独家 | 6个Python数据科学库正在狂飙，你一定要学来提升文化素养

作者：Bex T翻译：wwl
校对：张睿毅

本文约3200字，建议阅读8分钟
计算类数据科学库，已经不再局限在Pandas、NumPy、Scikit-learn之内了！

动机

2023年的开始，自然需要探索数据科学和机器学习的新趋势。经典的数据科学库Pandas、NumPy、Matplotlib、Scikit-learn虽然很重要，但是已经不够用了。

这个系列的上一篇文章（https://towardsdatascience.com/8-booming-data-science-libraries-you-must-watch-out-in-2022-cec2dbb42437）是围绕经典机器学习库，包括CatBoost、LightGBM、Optuna、UMAP库。

相较于2021年，在2022年我观察到更多这样的评论，“我高兴地宣布成为一名机器学习运维工程师”。关于机器学习运维的内容和对机器学习运维工具的需求越来越多。

因此，今年的文章围绕机器学习运维领域中6个”狂飙“的Python库，它们的目的只有一个：用最有效的方式，生成性能最佳的模型，径直对接生产环境。

1、 BentoML

也许你之前听腻了这句话“机器学习模型不应该呆在Jupyter Notebooks里生锈”。避免你还没听腻，我再重复一遍：机器学习模型不应该呆在Jupyter Notebooks里生锈。

机器学习模型应该的是直接在生产环境中发挥它们应有的作用——新数据预测。

去年我就发现了，模型部署中，最好的Python库是BentoML。BentoML可以一键安装，你可以用它维护、打包任何框架的模型，在任何一家云服务商部署，并将模型封装作为API提供服务。

保存/加载模型支持统一格式（建立版本和专属标记），使您能够构建一套结构化模型注册版本管理。构建模型的docker映像，在本地运行，各自用一行代码就可以。

$ bentoml containerize my_classifier:latest
$ docker run -it --rm -p 3000:3000 my_classifier:6otbsmxzq6lwbgxi serve –production

或者，使用一些命令直接将模型部署到任意云提供商，无需离开命令行界面。以下示例使用AWS Sagemaker：

$ pip install bentoctl terraform
$ bentoctl operator install aws-sagemaker
$ export AWS_ACCESS_KEY_ID=REPLACE_WITH_YOUR_ACCESS_KEY
$ export AWS_SECRET_ACCESS_KEY=REPLACE_WITH_YOUR_SECRET_KEY
$ bentoctl init
$ bentoctl build -b model_name:latest -f deployment_config.yaml
$ terraform init
$ terraform apply -var-file=bentoctl.tfvars -auto-approve

这里提供一个我如何部署XGBoost模型到AWS Lambda云服务的分步教程（https://towardsdatascience.com/comprehensive-guide-to-deploying-any-ml-model-as-apis-with-python-and-aws-lambda-b441d257f1ec）。

数据和链接：

Github链接（4.4k star）：

https://github.com/bentoml/BentoML

文档：

https://docs.bentoml.org/en/latest/#

2、 MLFlow

在将最优模型部署到生产环境之前肯定是要实验的。通常，可能需要数十次甚至数百次实验的迭代。随着迭代次数的增加，就越来越难跟踪过去的配置以及哪次过去实验效果好，和好在哪的记录。

为了帮助您完成实验迭代的追踪过程，您需要一个可靠的框架，同时跟踪1、代码，2、数据，3、模型，4、超参数和5、评估指标。

因为有太多的优秀python库已经可以实现这件事，所以，如果你想从零一点点手动搭建框架，或者像原始人一样，用excel的话，你这个想法是最糟糕的。

在优秀的Python库中之一的MLFlow库是我最喜欢的。比如，把下边这行代码加到训练scikit-learn模型的脚本里，MLFlow就可以记录任何事情，包括模型本身、模型的超参数、以及用sklearn.metrics函数计算的各种评估指标：

mlflow.sklearn.autolog()

并且，在完成实验后，终端上运行：mlflow UI，它会弹出一个实验记录的仪表板，其中包含用于对实验结果进行筛选和可视化的控件：

MLFlow 有一个 mlflow.framework.autolog() 功能，适用的框架绝对超过你知道的。它特别简单且有效，你一定要用它。

这里是我分享的这个框架的教程（https://towardsdatascience.com/complete-guide-to-experiment-tracking-with-mlflow-and-dagshub-a0439479e0b9），包括它的特点，和数据生态其他工具的集成。

数据和链接：

Github链接（13.3k star）：

https://github.com/mlflow/mlflow

文档：

https://mlflow.org/docs/latest/index.html

3、 DVC

简而言之，DVC 是数据业内的 Git。

DVC（Data Version Control）将成为数据和模型版本控制的首选工具。它可以：

（1）跟踪千兆字节大小的数据集或模型，就像 Git 跟踪轻量级脚本。

（2）创建主代码库的分支以进行安全试验，而无需复制大文件。

当你用命令 dvc add directory 来跟踪大文件和目录的时候，会创建轻量的directory.dvc 元数据文件。

然后，DVC将这些轻量级的文件作为原始重文件的占位符进行管理。DVC处理大型数据集和模型组件，git处理directory.dvc中的元数据。他们形成了完美的组合。

DVC的另一个优势是它智能管线式工作流。一个典型的机器学习工作流包括诸如数据采集、数据清洗、特征工程、模型训练等步骤。

DVC 可以从所有这些步骤上创建出一个智能的工作流管线，输入这两个关键词：dvc repo就可以执行所有步骤。

那么这条管线有什么智能的地方呢？——DVC 只需执行流水线上变的步骤就足够了，这样流程的优化能够为您节省数小时计的时间和计算资源。

训练脚本添加MLFlow，用DVC跟踪模型版本，那么你将获得完美组合（Git, DVC, MLFlow）。

4、Weights & Biases

另一个实验记录的开源框架是 Weights & Biases库。跟之前库地不同点是，它是一个有超过2亿美金投资的公司开发的，客户有OpenAI, NVIDIA, Lyft, BMW, Samsung等。

它的主要卖点有：

（1）与 ML 生态系统的其他组件完美集成，就像 MLFlow 一样

（2）实验中提供跟踪和比较功能的 UI是最漂亮的（个人观点）

（3）协作报告和仪表板

（4）超参数优化（在 MLFlow 中不可行）

最好的部分是，上述所有功能都可以通过Jupyter直接使用。这意味着在Jupyter中即可跟踪实验，而不必放弃自己喜欢的IDE去进入脚本界面。

这样看来，完美的组合可能是Git, DVC和 Weights & Biases。

数据和链接：

Github链接（5.2k star）：

https://github.com/wandb/wandb

文档：

https://docs.wandb.ai/

5、 NannyML

部署模型只是故事的一部分。要维护成功搭建的机器学习驱动产品，您必须持续监控模型的效果。

监控的问题在于，当模型失败时，您最开始会收到提示的、醒目的、红色的错误提示。但随着时间的推移，这些错误提示的判断可能会变得越来越糟糕，这种现象称为无声的模型失败（silent model failure）。

比如说，你部署的模型是在图片中识别Nike服装。由于时尚观念地演化，Nike会持续的改变它的设计。由于你的模型训练并不包含这些新的设计，它再图像识别中会越来越多地错过耐克服装。您不会收到错误提示，但您的模型很快就会变无用。

NannyML帮助解决了这个问题。使用他们开发的新颖的基于置信度的效果估计算法（Confidence-Based Performance Estimation，）和其他一些鲁棒的统计实验，他们可以检测生产环境中的效果下降或无声的模型失效。

NannyML 还提供智能警报功能，因此您可以始终了解生产环境中发生的情况。

以下是帮助您入门的实践教程：

https://towardsdatascience.com/data-drift-explainability-interpretable-shift-detection-with-nannyml-83421319d05f

数据和链接：

Github链接（1.3k star）：

https://github.com/NannyML/nannyml

文档：

https://nannyml.readthedocs.io/en/stable/index.html

6、 Poetry

你可能已经听过很多Python程序员抱怨pip及其依赖的问题了，在我看到Poetry之前，我就是其中之一。

Poetry 是一个改变游戏规则的开源 Python 打包和依赖管理框架。在最简单的用例中，Poetry 可以在安装库之前检测依赖冲突，以便您可以完全避免依赖冲突。

您还可以用pyproject.toml配置文件配置你的python项目，Poetry将负责虚拟环境，使用简单的命令构建存储库并将其发布到PyPI。

这里有一个Poetry库的全面的 Python教程：

https://realpython.com/dependency-management-python-poetry/

数据和链接：

Github链接（23.1k star）：

https://github.com/python-poetry/poetry

文档：

https://python-poetry.org/

总结

数据科学领域在不断扩展，新的工具和工具库正在以惊人的速度进步。跟上最新进度的压力比以往任何时候都更难。在这篇文章中，我尽力聚焦到机器学习的一个领域，因为这个领域有望在 2023 年继续狂飙。感谢您的阅读！

原文标题：

6 New Booming Data Science Libraries You Must Learn To Boost Your Skill Set in 2023

原文链接：

https://medium.com/m/global-identity-2?redirectUrl=https%3A%2F%2Ftowardsdatascience.com%2F6-new-booming-data-science-libraries-you-must-learn-to-boost-your-skill-set-in-2023-106b318d9fa

编辑：于腾凯

校对：林亦霖

译者简介

wwl

翻译组招募信息

工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。

你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。

其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。

点击文末“阅读原文”加入数据派团队~

转载须知

如需转载，请在开篇显著位置注明作者和出处（转自：数据派ID：DatapiTHU），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。

发布后请将链接反馈至联系邮箱（见下方）。未经许可的转载以及改编者，我们将依法追究其法律责任。