Bahasa pemograman paling populer di dunia pada saat ini adalah bahasa pemograman Phyton. Ini bukan hanya karena bahasa Python sangat mudah untuk dipelajari, dan relatif cepat, tetapi juga karena Phyton memiliki ekosistem yang mematikan dengan alat yang sesuai untuk setiap disiplin ilmu mulai dari bisnis hingga keuangan dan sains.
Satu bidang yang terbukti benar adalah di dunia ilmu data yang menakjubkan. Tentu saja, Python juga merupakan bahasa pemrograman paling populer yang digunakan saat ini untuk ilmu data. Meskipun sebagaian besar ilmuwan yang bekerja dengan bahasa tersebut mungkin akrab dengan banyak paket terkenal dan banyak digunakan seperti Scipy, Sklearn, dan Matplotlib, ada beberapa paket yang sebagian besar ilmuwan data belum pernah ada yang mengagumkan.
Section Artikel
No.1 Plot.ly
Untuk memulai, saya akan menggunakan library untuk visualisasi data yang cukup terkenal, tetapi beberapa mungkin belum pernah mendengarnya.
Plot.ly adalah pustaka grafik yang membawa interaktivitas ke tingkat yang baru. Saya benar-benar akan menyarankan menggunakan Plot.ly atas sesuatu seperti Matplotlib atau Seaborn.
Ini karena Plot.ly hadir dengan banyak alat berbeda yang pasti dapat dihargai oleh sebagian besar ilmuwan.
Basic Graphing
Plot.ly dilengkapi dengan semua alat fantastis yang mungkin diharapkan oleh ilmuwan data rata-rata Anda atau bahkan hanya pemograman komputer.
Plot sebar, bagan batang, dan bagan garis adalah pokok dari modul Plot.ly. Meskipun Matplotlib dapat mencapaitujuan yang sama, Plot.ly memiliki fungsi yang sama sementara juga memiliki gaya default dan interaktivitas skrip java yang membuatnya lebih menyenangkan dan lebih mudah untuk menjelajahi data.
Selain itu, presentasi tentu saja merupakan hal yang dapat memperoleh manfaat dari penggunaan Plot.ly dibandingkan banyak pesaingnya.
Di atas semua itu, Plot.ly juga memiliki beberapa bagan dan grafik yang kurang dikenal yang akan sulit Anda temukan di sebagian besar paket visualisasi data lainnya.
Bagan corong, bagan pai, bagan biola, dan peta pohon hanyalah beberapa contoh dari beberapa cara unik dan menyenangkan untuk menjelajahi data menggunakan pustaka Plot.ly.
Di atas semua itu, Plot.ly juga memiliki beberapa bagan dan grafik yang kurang dikenal yang akan sulit Anda temukan di sebagian besar paket visualisasi data lainnya. Bagan corong, bagan pai, bagan biola, dan peta pohon hanyalah beberapa contoh dari beberapa cara unik dan menyenangkan untuk menjelajahi data menggunakan pustaka Plot.ly.
3D
Selain untuk gaya cantik pada plot dasar, Plot.ly hadir dengan sistem visualisasi 3D berfitur lengkap yang menyaingi beberapa yang terbaik yang tersedia dengan teknologi modern. Satu keuntungan besar dari cara Plot.ly menangani 3D adalah performa.
Meskipun visualisasi 3D tentu saja cukup kompleks dan intensif, Plot.ly tampaknya menangani banyak aplikasi ini dengan relatif mudah. V
isualisasi 3D juga mengagumkan karena sumbu baru memungkinkan pemahaman yang lebih besar dengan menjelajahi nilai posisi data dalam ruang 3D. Selain itu, sumbu Z juga dapat mewakili berbagai fitur – sehingga memungkinkan untuk melihat beberapa korelasi yang berbeda sekaligus.
Maps
Satu hal yang menjadi kejutan dalam perkembangan teknologi belakangan ini adalah geo-data. Geo-data telah berevolusi dengan FIPS sedemikian rupa terutama karena ponsel pintar dan sistem pemosisian global (GPS,) dan ini telah memberi jalan pada fondasi yang kuat untuk ilmu data untuk dibangun di atasnya.
Hal ini tentu saja karena data sekarang lebih tersedia daripada sebelumnya secara gratis dengan menyertakan data geografis.
Sulit juga untuk membantah pendekatan indah Plot.ly terhadap peta. Clorepleth dari Plot.ly sangat menyenangkan untuk digunakan dan dapat membuat visualisasi yang menarik dalam hitungan detik.
Financial
Meskipun sisi finansial dari berbagai hal jelas bukan di mana sebagian besar pengetahuan domain saya jatuh, Plot.ly memiliki dukungan besar untuk beberapa visualisasi finansial. Ini juga menunjukkan keserbagunaan Plot.ly, karena visualisasi mengandalkan baik di dalam maupun di luar domain banyak ilmuwan.
Seperti semua yang ada di Plot.ly, bagan keuangan mudah digunakan dan indah – beberapa waktu lalu saya mengerjakan proyek di mana kami melacak nilai mata uang dan membuat aplikasi web lengkap dengan model LSTM yang akan melatih dirinya sendiri dan memprediksi data baru berdasarkan apa yang telah dipelajari.
Plot.ly benar-benar berguna dengan visualisasi Javascript yang mudah digunakan dan terintegrasi untuk data candlestick dalam keadaan ini.
Statistical
Untuk menambah kekuatan Plot.ly yang tidak masuk akal, Plot.ly juga mendukung beberapa jenis plot statistik yang berbeda. Selain itu, pembuatan plot statistik Plot.ly sangat matang dan membuat hal-hal seperti merencanakan distribusi relatif sederhana dan mudah.
Multi-language
Hal hebat lainnya tentang Plot.ly adalah ia ditulis dalam C. Hasilnya, ia menggunakan pustaka compiler LLVM dan kompatibel dengan seluruh array bahasa pemrograman hanya dengan API sederhana. Plot.ly tidak hanya tersedia untuk pengguna Python, tetapi juga pengguna R, pengguna C, dan basis pengguna bahasa lain yang ingin menerapkannya. Bahkan ada implementasi untuk bahasa Julia menggunakan paket Plots.jl.
Open-source
Hal hebat terakhir tentang Plot.ly adalah bahwa ini adalah open-source. Meskipun hal ini tidak terlalu menguntungkan bagi sebagian orang, kemampuan membuat perubahan jika diperlukan atau memahami bagaimana kode dijalankan di komputer Anda selalu merupakan nilai tambah. Menjadi perangkat lunak sumber terbuka juga berarti bahwa Plot.ly dapat digunakan dalam aplikasi bisnis praktis, sehingga bermanfaat tidak hanya bagi mereka yang memprogram sebagai hobi, tetapi juga bagi para profesional dunia nyata.
No. 2 GGplot
Alat hebat kedua yang saya rekomendasikan untuk analisis data dengan Python adalah GGPlot.py. Semua ilmuwan yang memiliki pengalaman dalam bahasa pemrograman R kemungkinan besar telah menggunakan GGPlot atau GGPlot2.
Baik paket R dan Python luar biasa dan membuat plot menjadi mudah dan lebih mendalam. Sementara implementasi R tentu layak untuk dicoba, versi Pythonic tentunya cukup mengagumkan juga.
Statistically-focused
Perbedaan yang signifikan antara paket GGPlot dan paket Plot.ly untuk Python adalah bahwa GGPlot jauh lebih berfokus pada statistik. Plot.ly adalah alat yang hebat untuk visualisasi data, tetapi juga ditargetkan pada visualisasi data yang lebih umum, daripada secara khusus merencanakan statistik.
Geometry-based
Hal penting lain yang perlu diperhatikan tentang GGPlot adalah pendekatannya terhadap grafik dan visualisasi. Secara umum, GGPlot lebih bersifat modular secara geometris. Ini berarti bahwa komposisi sering kali dapat ditambahkan atau diubah dengan mudah. Ini lebih bermanfaat bagi ilmu data, karena sering kali ada ide atau titik data tertentu yang mungkin ingin ditekankan lebih dari yang lain.
No.3 Bokeh
Bokeh adalah pustaka pembuatan plot interaktif lainnya yang dibangun dengan mempertimbangkan penjelajahan web dan komputasi modern. Mirip dengan Plot.ly, Bokeh mungkin tidak dapat diperpanjang seperti GGPlot, tetapi menghadirkan sejumlah manfaat dibandingkan yang pertama karena sangat terintegrasi dengan Javascript.
Setiap data scientist menyukai visualisasi interaktif, dan Bokeh sering kali membawanya ke API tingkat tinggi dan sederhana dengan hasil yang menakjubkan.
Similar to Plot.ly
Bokeh sebagai alat visualisasi sangat mirip dengan Plot.ly, dan itu sama sekali bukan hal yang buruk. Ini berarti Bokeh dapat digunakan untuk membuat visualisasi yang indah dan interaktif dengan sangat mudah.
Graphs
Meskipun Bokeh mirip dengan Plot.ly dalam banyak hal, namun tidak demikian dengan apa yang mungkin terjadi pada Bokeh. Tidak hanya ada dukungan untuk semua teknik visualisasi yang khas, tetapi Bokeh juga memungkinkan pengguna untuk membuat visualisasi yang menarik dan interaktif dari hampir semua hal.
Salah satu penggunaan Bokeh yang relatif umum adalah visualisasi grafik jaringan, yang sangat keren! Selain itu, ia hadir dengan visualisasi geo-data yang mungkin diharapkan dari pustaka Plot.ly.
No.4 SymPy
Menjauh dari dunia visualisasi adalah paket Python fantastis yang disebut SymPy. Pemrogram MATLAB, Mathematica, dan Julia, berpegangan pada topi Anda – SymPy adalah modul Python yang memungkinkan pemrogram dan ilmuwan Pythonic menggunakan lebih banyak binding matematika.
Hal ini memungkinkan bahasa bergeser dari pendekatan rekayasa perangkat lunak yang biasanya lebih ke matematika ke ujung lain spektrum di mana kode sering ditulis sebagai matematika.
Cool libraries
Banyak implementasi kode dan matematika Pythonic yang mengagumkan menggunakan SymPy untuk penghitungan matematika di bagian belakang. Berikut beberapa contoh penting yang ditarik langsung dari beranda mereka:
- Cadabra: Aljabar sensor dan sistem teori medan (kuantum) menggunakan SymPy untuk aljabar skalar.
- ChemPy: Paket yang berguna untuk kimia yang ditulis dengan Python.
- Lcapy: Paket Python eksperimental untuk mengajar analisis sirkuit linier.
- Spyder: Lingkungan Pengembangan Python Ilmiah, Python yang setara dengan Rstudio atau MATLAB; Dukungan penuh SymPy dapat diaktifkan di Konsol IPython Spyder.
Lambdify
Hal paling mudah yang ditawarkan SymPy adalah kemampuan untuk mengubah ekspresi atau fungsi apa pun di dalam bahasa. Saya telah berbicara sebelumnya tentang mengapa menurut saya Lambda adalah salah satu alat terhebat yang tersedia untuk pengembang Python. Jika Anda ingin membaca semua artikel tentang topik itu, Anda dapat memeriksanya di sini:
Meskipun lambda Python sangat bagus sebagai argumen sebarisnya sendiri, itu menjadi lebih kuat dengan fungsi Lambdify dari SymPy. Berikut cara kerjanya:
Pertama, Anda dapat membuat ekspresi untuk digunakan sebagai fungsi matematika, dalam contoh ini sin (x).
Fungsi itu kemudian dapat ditempatkan melalui lambdify dan menjadi versi yang sangat fungsional dari dirinya sendiri:
Ini adalah dasar untuk semua SymPy dan membuat komputasi ilmiah dengan bahasa pemrograman Python jauh lebih mudah. Penggunaan fungsi ini sebenarnya dapat memungkinkan Python untuk mengeksplorasi salah satu manfaat bahasa Julia, ekspresi sintaksis. Jika Anda ingin mempelajari lebih lanjut tentang bagaimana bahasa Julia menggunakan ekspresi, Anda dapat melihat tutorial lengkapnya di sini:
No. 5 Blaze
Ekosistem Blaze adalah sekumpulan pustaka Pythonic yang membuatnya jauh lebih mudah untuk melakukan kueri dan memproses data dalam bahasa pemrograman Python. Ekosistem Blaze sebenarnya terdiri dari beberapa paket berbeda:
- Api
- Dask
- DataShape
- DyND
- Odo
Ini semua adalah alat yang fantastis, berguna, dan dibuat dengan baik untuk bahasa pemrograman Python. Namun, saya akan fokus pada dua hal yang paling sering saya gunakan dan menurut saya paling berharga karena berkaitan dengan komputasi ilmiah.
Blaze
Blaze adalah antarmuka untuk menanyakan semua jenis data pada sistem penyimpanan yang sepenuhnya berbeda. Ini sangat berguna untuk mengambil dan menganalisis dump data besar yang mungkin perlu dipisahkan oleh algoritme, dan selanjutnya mungkin berada di bagian terpisah dari media penyimpanan yang berbeda. Ini adalah alat yang sangat berguna bagi mereka yang bekerja dalam keadaan tertentu, dan telah menyelamatkan hidup saya berkali-kali.
Dask
Dask adalah paket yang sangat unik yang memungkinkan komputasi paralel yang sederhana dan yang paling penting dengan Python. Komputasi paralel dengan Python selalu menjadi tantangan dalam bahasa, dan lebih jauh lagi, pengoptimalan menjadi sangat sulit dengan banyak paket terbesar yang tersedia untuk bahasa tersebut karena bahasa tersebut tidak dibangun dengan ide komputasi paralel.
Dengan kata lain, karena bahasanya sendiri bergerak lebih ke arah ini, Dask adalah alat yang hebat untuk konsistensi dengan dukungan GPU dan bekerja dengan CuArrays. Dask juga menampilkan penjadwalan tugas dinamis yang secara eksplisit dikodekan oleh programmer yang terlibat dan kumpulan data besar.
No.6 Orange
Orange adalah pustaka Python untuk penambangan data. Bagaimana ini berkaitan dengan analitik data? Orange memiliki ekosistem alat yang luar biasa untuk mengumpulkan data yang nantinya dapat digunakan untuk analisis, dan analisis tidak dapat terjadi tanpa data.
Karena itu, perselisihan data adalah langkah yang sangat penting dalam proses ilmu data, dan Orange membantu membuat proses itu sedikit lebih sederhana.
Lebih kerennya lagi, modul ini hadir dengan beberapa model klasifikasi dan regresi yang dapat Anda gunakan pada data yang baru ditambang!
No.7 Gensim
Gensim adalah pustaka Python untuk pemodelan topik. Hal yang hebat tentang Gensim adalah mudah digunakan dan sangat kuat.
Dengan menggunakan Gensim, Anda dapat membuat semantik statistik yang dapat diskalakan yang memakan lebih banyak memori daripada yang dimiliki komputer Anda yang juga dapat diterapkan ke dalam lingkungan produksi nyata. Lebih jauh lagi, Gensim dapat dengan mudah diterapkan untuk melakukan pemrosesan bahasa alami.
No. 8 Theano
Theano adalah pustaka Python matematika lain yang memungkinkan seorang programmer untuk bekerja dengan banyak data secara efisien. Meskipun mungkin tidak sesuai dengan sifat matematika-sentris dari sesuatu seperti SymPy, ia melakukan banyak hal yang sangat keren dan menarik yang membuat aljabar linier di Python jauh lebih menyenangkan.
Selain itu, Theano sangat akurat dan relatif cepat dibandingkan dengan banyak solusi serupa. Selain itu, paket tersebut terintegrasi erat dengan Numpy dan secara dinamis mengintegrasikan kode C untuk membuat Python berjalan lebih cepat.
No. 9 SciPy
Jika Anda telah menggunakan Python untuk statistik bahkan selama seminggu, kemungkinan Anda telah menggunakan SciPy. SciPy adalah paket masuk untuk pengujian statistik dalam bahasa Python.
SciPy pada umumnya tidak hanya merupakan paket yang cepat untuk digunakan, tetapi juga terhormat dan telah terbukti bekerja sangat baik sepanjang waktu. Kombinasi SciPy, Pandas, dan Numpy membuat Python menjadi bahasa yang bagus untuk ilmuwan umum dan bahkan ilmuwan data untuk bekerja.
Inclusive
Satu hal yang pasti dapat dikatakan tentang SciPy adalah modulnya sangat inklusif. Meskipun ini mungkin berarti bahwa kadang-kadang akan sulit untuk menemukan apa yang Anda butuhkan, itu juga berarti bahwa semua yang Anda butuhkan ada di ujung jari Anda – perdagangan yang baik, menurut saya.
Pustaka SciPy menghadirkan segalanya mulai dari statistik hingga distribusi dan bahkan persamaan diferensial menjadi fungsi yang mudah dipahami dan sederhana yang dapat digunakan siapa saja!
No. 10 Seaborn
Alat luar biasa terakhir yang saya rekomendasikan untuk analisis data dalam bahasa pemrograman Python adalah Pythonic klasik:
Seaborn adalah perpanjangan dari MatPlotLib.PyPlot yang mengintegrasikan plot statistik ke dalam modul. Seaborn menyediakan antarmuka tingkat tinggi untuk menggambar, memanipulasi, dan bekerja dengan grafik statistik yang indah. Meskipun penampilan Seaborn mungkin pucat jika dibandingkan dengan Bokeh atau Plot.ly, itu sangat signifikan dalam margin kecepatan.
Saat bekerja dengan kumpulan data dengan banyak pengamatan, mungkin ada baiknya untuk mencoba dan menggunakan Seaborn daripada Plot.ly atau Bokeh untuk visualisasi data Anda. Kesederhanaan Seaborn adalah manfaat terbesarnya, karena membuatnya cepat dan mudah digunakan dengan binding yang sudah dikenal dari MatPlotLib.
Kesimpulan
Jika satu bahasa yang digunakan oleh pengembang modern memiliki ekosistem terbaik untuk analisis dan visualisasi data, kemungkinan besar itu adalah Python.
Python memiliki alat yang tidak hanya bagus untuk pengamatan statistik, tetapi juga bagus untuk membuat bahasa bertindak lebih statistik itu sendiri. Selain itu, dalam hal visualisasi, hanya sedikit bahasa yang menyaingi modul luar biasa yang diberikan bahasa pemrograman Python kepada ilmuwan berbasis Python.
Meskipun demikian, ini adalah beberapa modul yang sangat saya sukai – tetapi ada lebih banyak lagi, jadi pasti akan menarik untuk mengetahui lebih banyak tentang modul yang ada di tanggapan!
