❶ python機器學習庫怎麼使用
1. Scikit-learn（重點推薦）
www .github .com/scikit-learn/scikit-learn
Scikit-learn 是基於Scipy為機器學習建造的的一個Python模塊，他的特色就是多樣化的分類，回歸和聚類的演算法包括支持向量機，邏輯回歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類演算法和DBSCAN。而且也設計出了Python numerical和scientific libraries Numpy and Scipy2、Keras（深度學習）
https://github.com/fchollet/keras
Keras是基於Theano的一個深度學習框架，它的設計參考了Torch，用Python語言編寫，是一個高度模塊化的神經網路庫，支持GPU和CPU。
3、Lasagne（深度學習）
不只是一個美味的義大利菜，也是一個和Keras有著相似功能的深度學習庫，但其在設計上與它們有些不同。
4.Pylearn2
www .github .com/lisa-lab/pylearn2
Pylearn是一個讓機器學習研究簡單化的基於Theano的庫程序。它把深度學習和人工智慧研究許多常用的模型以及訓練演算法封裝成一個單一的實驗包，如隨機梯度下降。
5.NuPIC
www .github .com/numenta/nupic
NuPIC是一個以HTM學習演算法為工具的機器智能平台。HTM是皮層的精確計算方法。HTM的核心是基於時間的持續學習演算法和儲存和撤銷的時空模式。NuPIC適合於各種各樣的問題,尤其是檢測異常和預測的流數據來源。
6. Nilearn
www .github .com/nilearn/nilearn
Nilearn 是一個能夠快速統計學習神經影像數據的Python模塊。它利用Python語言中的scikit-learn 工具箱和一些進行預測建模，分類，解碼，連通性分析的應用程序來進行多元的統計。
7.PyBrain
www .github .com/pybrain/pybrain
Pybrain是基於Python語言強化學習，人工智慧，神經網路庫的簡稱。 它的目標是提供靈活、容易使用並且強大的機器學習演算法和進行各種各樣的預定義的環境中測試來比較你的演算法。
8.Pattern
www .github .com/clips/pattern
Pattern 是Python語言下的一個網路挖掘模塊。它為數據挖掘，自然語言處理，網路分析和機器學習提供工具。它支持向量空間模型、聚類、支持向量機和感知機並且用KNN分類法進行分類。
9.Fuel
www .github .com/mila-udem/fuel
Fuel為你的機器學習模型提供數據。他有一個共享如MNIST, CIFAR-10 (圖片數據集), Google's One Billion Words (文字)這類數據集的介面。你使用他來通過很多種的方式來替代自己的數據。
10.Bob
www .github .com/idiap/bob
Bob是一個免費的信號處理和機器學習的工具。它的工具箱是用Python和C++語言共同編寫的，它的設計目的是變得更加高效並且減少開發時間，它是由處理圖像工具,音頻和視頻處理、機器學習和模式識別的大量軟體包構成的。
11.Skdata
www .github .com/jaberg/skdata
Skdata是機器學習和統計的數據集的庫程序。這個模塊對於玩具問題，流行的計算機視覺和自然語言的數據集提供標準的Python語言的使用。
12.MILK
www .github .com/luispedro/milk
MILK是Python語言下的機器學習工具包。它主要是在很多可得到的分類比如SVMS,K-NN,隨機森林，決策樹中使用監督分類法。 它還執行特徵選擇。 這些分類器在許多方面相結合,可以形成不同的例如無監督學習、密切關系金傳播和由MILK支持的K-means聚類等分類系統。
13.IEPY
www .github .com/machinalis/iepy
IEPY是一個專注於關系抽取的開源性信息抽取工具。它主要針對的是需要對大型數據集進行信息提取的用戶和想要嘗試新的演算法的科學家。
14.Quepy
www .github .com/machinalis/quepy
Quepy是通過改變自然語言問題從而在資料庫查詢語言中進行查詢的一個Python框架。他可以簡單的被定義為在自然語言和資料庫查詢中不同類型的問題。所以，你不用編碼就可以建立你自己的一個用自然語言進入你的資料庫的系統。
現在Quepy提供對於Sparql和MQL查詢語言的支持。並且計劃將它延伸到其他的資料庫查詢語言。
15.Hebel
www .github .com/hannes-brt/hebel
Hebel是在Python語言中對於神經網路的深度學習的一個庫程序，它使用的是通過PyCUDA來進行GPU和CUDA的加速。它是最重要的神經網路模型的類型的工具而且能提供一些不同的活動函數的激活功能，例如動力，涅斯捷羅夫動力，信號丟失和停止法。
16.mlxtend
www .github .com/rasbt/mlxtend
它是一個由有用的工具和日常數據科學任務的擴展組成的一個庫程序。
17.nolearn
www .github .com/dnouri/nolearn
這個程序包容納了大量能對你完成機器學習任務有幫助的實用程序模塊。其中大量的模塊和scikit-learn一起工作，其它的通常更有用。
18.Ramp
www .github .com/kvh/ramp
Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程序。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（比如scikit-learn,rpy2等）Ramp提供了一個簡單的聲明性語法探索功能從而能夠快速有效地實施演算法和轉換。
19.Feature Forge
www .github .com/machinalis/featureforge
這一系列工具通過與scikit-learn兼容的API，來創建和測試機器學習功能。
這個庫程序提供了一組工具，它會讓你在許多機器學習程序使用中很受用。當你使用scikit-learn這個工具時，你會感覺到受到了很大的幫助。（雖然這只能在你有不同的演算法時起作用。）20.REP
www .github .com/yandex/rep
REP是以一種和諧、可再生的方式為指揮數據移動驅動所提供的一種環境。
它有一個統一的分類器包裝來提供各種各樣的操作，例如TMVA, Sklearn, XGBoost, uBoost等等。並且它可以在一個群體以平行的方式訓練分類器。同時它也提供了一個互動式的情節。
21.Python 學習機器樣品
www .github .com/awslabs/machine-learning-samples用亞馬遜的機器學習建造的簡單軟體收集。
22.Python-ELM
www .github .com/dclambert/Python-ELM
這是一個在Python語言下基於scikit-learn的極端學習機器的實現。
23.gensim
主題模型python實現
Scalable statistical semantics
Analyze plain-text documents for semantic structureRetrieve semantically similar documents
❷ python lda 主題模型 需要使用什麼包
python lda 主題模型 需要使用什麼包
數據結構是程序構成的重要部分，鏈表、樹、圖這些在用C 編程時需要仔細表達的問題在Python 中簡單了很多。在Python 中，最基本的數據結構就是數組、序列和哈希表，用它們想要表達各種常見的數據結構是非常容易的。沒了定義指針、分配內存的任務，編程變得有趣了。CORBA 是一種高級的軟體體系結構，它是語言無關平台無關的。C++、java 等語言都有CORBA 綁定，但與它們相比，Python 的 CORBA 綁定卻容易很多，因為在程序員看來，一個 CORBA 的類和 Python 的類用起來以及實現起來並沒有什麼差別。
❸ python庫有哪些
Python比較常見的庫有：Arrow、Behold、Click、Numba、Matlibplot、Pillow等：
1、Arrow
Python中處理時間的庫有datetime，但是它過於簡單，使用起來不夠方便和智能，而Arrow可以說非常的方便和智能。它可以輕松地定位幾個小時之前的時間，可以輕松轉換時區時間，對於一個小時前，2個小時之內這樣人性化的信息也能夠准確解讀。
2、Behold
調試程序是每個程序員必備的技能，對於腳本語言，很多人習慣於使用print進行調試，然而對於大項目來說，print的功能還遠遠不足，我們希望有一個可以輕松使用，調試方便，對變數監視完整，格式已於查看的工具，而Behold就是那個非常好用的調試庫。
3、Click
現在幾乎所有的框架都有自己的命令行腳手架，Python也不例外，那麼如何快速開發出屬於自己的命令行程序呢?答案就是使用Python的Click庫。Click庫對命令行api進行了大量封裝，你可以輕松開發出屬於自己的CLI命令集。終端的顏色，環境變數信息，通過Click都可以輕松進行獲取和改變。
4、Numba
如果你從事數學方面的分析和計算，那麼Numba一定是你必不可少的庫。Numpy通過將高速C庫包裝在Python介面中來工作，而Cython使用可選的類型將Python編譯為C以提高性能。但是Numba無疑是最方便的，因為它允許使用裝飾器選擇性地加速Python函數。
5、Matlibplot
做過數據分析，數據可視化的數學學生一定知道matlab這個軟體，這是一個收費的數學商用軟體，在Python中，Matlibplot就是為了實現這個軟體中功能開發的第三方Python庫。並且它完全是免費的，很多學校都是用它來進行數學教學和研究的。
6、Pillow
圖像處理是任何時候我們都需要關注的問題，平時我們看到很多ps中的神技，比如調整畫面顏色，飽和度，調整圖像尺寸，裁剪圖像等等，這些其實都可以通過Python簡單完成，而其中我們需要使用的庫就是Pillow。
7、pyqt5
Python是可以開發圖形界面程序的。而pyqt就是一款非常好用的第三方GUI庫，有了它，你可以輕松開發出跨平台的圖形應用程序，其中qtdesigner設計器，更是加速了我們開發圖形界面的速度。
除了上述介紹的之外，Python還有很多庫，比如：Pandas、NumPy、SciPy、Seaborn、Keras等。
❹ 求Python三體建模代碼
三體模型
1. 代碼
現在為了把之前的代碼延伸到三體系統，需要給常數增加一些東西——增加第三體的質量、位置和速率向量。把第三恆星的質量視作和太陽的質量等同。
#Mass of the Third Starm3=1.0 #Third Star#Position of the Third Starr3=[0,1,0] #mr3=sci.array(r3,dtype='float64')#Velocity of the Third Starv3=[0,-0.01,0]v3=sci.array(v3,dtype='float64')
需要更新代碼中質心和質心速率的公式。#Update COM formular_com=(m1*r1+m2*r2+m3*r3)/(m1+m2+m3)#Update velocity of COM formulav_com=(m1*v1+m2*v2+m3*v3)/(m1+m2+m3)
對一個三體系統來說，需要修改運動方程使之包括另一物體施加的額外引力。因此，需要在RHS上，對問題中每一對物體施加力的其他物體增加一個力項。在三體系統的情況下，一個物體會受到其餘兩個物體施加的力的影響並因此在RHS上出現兩個力項。數學上可表示為：
為在代碼中反映這些變化，需要為odeint求解器創建一個新函數。
def ThreeBodyEquations(w,t,G,m1,m2,m3): r1=w[:3] r2=w[3:6] r3=w[6:9] v1=w[9:12] v2=w[12:15] v3=w[15:18] r12=sci.linalg.norm(r2-r1) r13=sci.linalg.norm(r3-r1) r23=sci.linalg.norm(r3-r2) dv1bydt=K1*m2*(r2-r1)/r12**3+K1*m3*(r3-r1)/r13**3 dv2bydt=K1*m1*(r1-r2)/r12**3+K1*m3*(r3-r2)/r23**3 dv3bydt=K1*m1*(r1-r3)/r13**3+K1*m2*(r2-r3)/r23**3 dr1bydt=K2*v1 dr2bydt=K2*v2 dr3bydt=K2*v3 r12_derivs=sci.concatenate((dr1bydt,dr2bydt)) r_derivs=sci.concatenate((r12_derivs,dr3bydt)) v12_derivs=sci.concatenate((dv1bydt,dv2bydt)) v_derivs=sci.concatenate((v12_derivs,dv3bydt)) derivs=sci.concatenate((r_derivs,v_derivs)) return derivs
最後，調用odeint函數並向其提供上述函數連同初始條件。#Package initial parametersinit_params=sci.array([r1,r2,r3,v1,v2,v3]) #Initial parametersinit_params=init_params.flatten() #Flatten to make 1D arraytime_span=sci.linspace(0,20,500) #20 orbital periods and 500 points#Run the ODE solverimport scipy.integratethree_body_sol=sci.integrate.odeint(ThreeBodyEquations,init_params,time_span,args=(G,m1,m2,m3))
❺ 怎麼用Python數學建模
數學建模的重點是數學，不是計算機或編程語言，重點是要有強大的數學功底，及對欲建模問題的深刻理解和分析，計算機只是一個輔助工具。當你在數學層面對要建模問題分析清楚了，然後用計算機編程語言去把它表達出來即可。
選python 做這事還是不錯的。python 是開源的，開源的東西生機勃勃，眾人拾柴火焰高，全世界的編程高手都在為 python 增磚添瓦，目前官方(pypi.org)顯示有10多萬個第3方庫，而且貌似每天以數百個新庫的速度在增加，如此龐大的第3方庫，幾乎涉及各行各業各領域，你想做點什麼事情，隨便找找一般總有適合你的基礎庫別人已經做好了，你直接拿來用事半功倍。python 的龐大生態庫，大概只有 java 可與之一拼了，其它沒有哪種語言有這么龐大的庫。python 在 tiobe 琅琊榜上穩步上升，目前已超越 C++排第3了。
你要做數學建模，以下這些基礎庫或許會用到：
numpy, pandas, scipy, matplotlib , sympy .....
更多的你自己去了解一下。
❻ 2017年10大流行Python庫有哪些
1、NumPy
NumPy是構建科學計算 stack 的最基礎的包。它為 Python 中的 n 維數組和矩陣的操作提供了大量有用的功能。該庫還提供了 NumPy 數組類型的數學運算向量化，可以提升性能，從而加快執行速度。
2、SciPy
SciPy 是一個工程和科學軟體庫， 包含線性代數、優化、集成和統計的模塊。SciPy 庫的主
要功能建立在 NumPy 的基礎之上，它通過其特定的子模塊提供高效的數值常式操作。SciPy 的所有子模塊中的函數都有詳細的文檔，這也是一個優勢。
3、Pandas
Pandas是一個 Python 包，旨在通過「標記(labeled)」和「關系(relational)」數據進行工作，簡單直觀。Pandas 是 data wrangling 的完美工具。它設計用於快速簡單的數據操作、聚合和可視化。
4、Seaborn
Seaborn 主要關注統計模型的可視化;這種可視化包括熱度圖(heat map)，可以總結數據但也描繪總體分布。Seaborn 基於 Matplotlib，並高度依賴於它。
5、Bokeh
Bokeh是一個很好的可視化庫，其目的是互動式可視化，不過這個庫獨立於 Matplotlib，它通過現代瀏覽器以數據驅動文檔(D3.js)的風格呈現。
6、Scikits
Scikits 是 SciPy Stack 的附加軟體包，專為特定功能(如圖像處理和輔助機器學習)而設計。其中最突出的一個是 scikit-learn。該軟體包構建於 SciPy 之上，並大量使用其數學操作，是使用 Python 進行機器學習的實際上的行業標准。
7、Theano
Theano 是一個 Python 包，它定義了與 NumPy 類似的多維數組，以及數學運算和表達式。該庫是經過編譯的，使其在所有架構上能夠高效運行。這個庫最初由蒙特利爾大學機器學習組開發，主要是為了滿足機器學習的需求。
8、Keras
Keras是一個使用高層介面構建神經網路的開源庫，它是用 Python 編寫的。它簡單易懂，具有高級可擴展性。Keras 極其容易上手，而且可以進行快速的原型設計，足以用於嚴肅的建模。
9、Gensim
Gensim是一個用於 Python 的開源庫，實現了用於向量空間建模和主題建模的工具。Gensim 實現了諸如分層 Dirichlet 進程(HDP)、潛在語義分析(LSA)和潛在 Dirichlet 分配(LDA)等演算法，還有 tf-idf、隨機投影、word2vec 和 document2vec，以便於檢查一組文檔(通常稱為語料庫)中文本的重復模式。
10、Scrapy
Scrapy 是用於從網路檢索結構化數據的爬蟲程序的庫。它現在已經發展成了一個完整的框架，可以從 API 收集數據，也可以用作通用的爬蟲。該庫在介面設計上遵循著名的 Don』t Repeat Yourself 原則——提醒用戶編寫通用的可復用的代碼，因此可以用來開發和擴展大型爬蟲。
❼ 想用python建模，哪些包比較好用
1、 軟體推薦：python
常用的量化軟體有python、matlab、java、C++。從開發難度而言python和matlab都比較容易，java和C++麻煩一些。從運行速度而言，C++、java要快於matlab和python。不過對於大部分人而言，尤其是初學者，開發佔用的時間遠大於運行時間。如果追求運行速度的話，先將策略開發出來，再用C重寫也不遲。另外，從量化資源而言，python資源多於matlab，而且matlab是商業軟體，python是免費的。因此我推薦大家用python。
使用python的話，最好下載一個anaconda。這個軟體將常用的庫都集成好了，免去自己安裝的煩惱。下載地址：Download Anaconda Now!
python教程推薦這個網站：Table of Contents，只需要看第一部分就可以了。該教程不僅介紹了python,而且介紹了numpy,scipy,pandas,matplotlib等科學計算庫。
2、 數據源推薦：tushare
Tushare支持的數據很全面，相比wind個人版量化介面，tushare更友好。因此推薦tushare。下載地址：TuShare -財經數據介麵包
3、 量化框架：推薦使用量化平台
量化平台可以看成是一個已經搭建好的框架。用戶只需添加一些自己的買賣條件，即可回測策略，免去了自己從無到有搭建基礎框架的過程。
這里推薦一下咱們的京東平台。首先京東的數據和撮合機制還是很專業的，比如交易考慮到了漲停不能買、跌停不能賣的問題，另外京東在回測速度方面目前也具有優勢。
以上是做量化的一些基礎工具。另外根據策略類型的不同，也會用到一些其他工具。
❽ Python可以用來建模么
可以的，目前最火的建模編程語言就是python了，單機的話使用 scikit learn， 集群的話使用 spark MLlib （提供了python 介面，所以也可以用python 寫）
❾ 怎樣實現對短文本的主題分析python3實現
看這個題目很有興趣，說兩句mark一下學習。
人在閱讀時，不一定預設一個或者幾個主題，而是根據詞語涉及的場景或者類別逐步進入作者的思路，可能最後一句才發現那隻是一段笑話。
LDA的不足我覺得主要有兩個，一個是主題桶的數量，一個是詞語無序的統計。
改進的思路，一個是把主題桶換成詞典，就是把每個詞可能的場景或者類別抽取出來分析，發散思維而不是在主題桶里選擇。比如：蘋果、價格、喬布斯。蘋果可能的類別有水果、農業、經濟、手機等，與後面的詞語類別的重疊和統計，形成主題的神經網路，以後通過AI完善詞典不斷提高分析效果。
一個是增加對文本順序的考慮，對劇情內容進行捕捉，通過對前後主題和場景的變化，達到分析劇情的目的。
只是一個思路，僅供參考。
❿ python 主題模型是聚類還是分類
# -*- coding: utf-8 -*-from sklearn.cluster import KMeansfrom sklearn.externals import joblibimport numpyfinal = open('c:/test/final.dat' , 'r')data = [line.strip().split('\t') for line in final]feature = [[float(x) for x in ro...