💡 作者： 韩信子@ ShowMeAI
📘 数据分析实战系列： https://www.showmeai.tech/tutorials/40
📘 机器学习实战系列： https://www.showmeai.tech/tutorials/41
📘 本文地址： https://www.showmeai.tech/article-detail/286
📢 声明：版权所有，转载请联系平台与作者并注明出处
📢 收藏 ShowMeAI查看更多精彩内容

低代码开发，顾名思义，指的是软件开发过程中只需要编写少量代码就够了。与传统开发方式相比，低代码大幅减少了编写代码的工作量，这使其具备了更快的速度、更短的开发时间与更低的成本。

无代码 / 低代码机器学习平台（和库）的兴起，加速了代码开发速度。借助于这些平台和框架，数据科学家们在繁重的探索研究和大量的编程任务之间，取得更好的平衡。

在本篇内容中，ShowMeAI 给大家总结了最值得学习&使用 Python 低代码机器学习库，覆盖数据科学最热门的几大方向——数据分析&简单挖掘、机器学习、深度学习。

📌 数据分析&简单挖掘

💡 D-Tale

D-Tale 是一个易于使用的低代码 Python 库，通过将 Flask 编写的后端与 React 编写的前端相结合，与 Jupyter Notebook 无缝集成，可以查看和分析 Pandas 形态的数据，包括 DataFrame、Series、MultiIndex、DatetimeIndex 和 RangeIndex。

D-Tale 是 SAS 到 Python 转换的产物，最初是基于 SAS 的 perl 脚本包装器，现在是基于 Pandas 数据结构的轻量级 Web 客户端。

大家可以在D-Tale的官方 📘Github 查看它的详细教程和用法，也可以前往 📘在线平台 操作体验。

💡 AutoViz

对于低代码探索式数据分析任务，AutoViz 是 Python 中另一个不错的选择。在功能方面，它只需编写一行代码即可使用 AutoViz 完成任何数据集的自动可视化。

AutoViz 能够结合任务确定哪些特征是最重要的，然后通过仅使用那些自动选择的元素来绘制和呈现信息。而且AutoViz速度极快，可视化可以在几秒钟内完成。

大家可以查看官方 📘AutoViz 示例 Jupyter Notebook 进行学习。

💡 Lux

Lux 工具库是一个非常自动的数据分析可视化工具。无需做太多的数据预处理，它会自动根据数据生成一系列候选图表，根据实际需要从中做选择即可。这大大减少了制作图表所需的时间以及数据预处理工作量。

大家可以通过 Lux 的官方 📘GitHub 页面了解更多用法细节。

💡 Pandas-Profiling

pandas-profiling 库自动针对 pandas DataFrame 格式的数据生成数据分析报告。

最终的结果以交互式 HTML 报告呈现，包含以下信息：

• 类型推断：字段列的类型
• 要点：类型、唯一值、缺失值
• 分位数统计：包括最小值、Q1、中位数、Q3、最大值、范围、四分位间距
• 描述性统计：包括均值、众数、标准差、总和、中值绝对差、变异系数、峰度、偏度等
• 直方图：分类和数字
• 相关性：Spearman、Pearson 和 Kendall 矩阵
• 缺失值：矩阵、计数、热图和缺失值的树状图
• 文本分析：了解文本数据的类别（大写、空格）、脚本（拉丁文、西里尔文）和块（ASCII）
• 文件和图像分析：提取文件大小、创建日期和尺寸，并扫描截断的图像或包含 EXIF 信息的图像

大家可以在 pandas-profiling 的项目 📘GitHub 页面获取详细使用方法。

📌 机器学习

💡 PyCaret

PyCaret 是 Python 中的一个开源、低代码机器学习库，可自动执行机器学习工作流。它也是一个端到端的机器学习和模型管理工具，可以成倍地加快实验周期，提升工作开发效率。

与其他开源机器学习库相比，PyCaret 有着明显的低代码特质，可仅用几行代码完成原本需要数百行代码完成的工作，尤其是对于密集的实验迭代过程可以大大提速。PyCaret 本质上是围绕多个机器学习库和框架封装而成，包括大家熟悉的 Scikit-Learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt 和 Ray 等。

大家可以通过 Pycaret 的 📘官方文档，📘官方GitHub，📘官方教程 了解更多使用细节。

📌 深度学习

💡 PyTorch Lightning

PyTorch Lightning 是一个应用在深度学习/神经网络的 Python 低代码库，为 PyTorch 提供高级接口。

它具备高性能和轻量级的架构，以一种将研究与工程分离的方式来构建 PyTorch 代码，使深度学习实验更容易理解和重复。借助它能轻松构建分布式硬件上的可扩展深度学习模型。

官网介绍说，PyTorch Lightning 的设计是为了让大家可以将更多的时间花在研究上，而不是花在工程上。大家可以通过 PyTorch Lightning 的 📘官方网站 了解更多使用细节。

💡 Hugging Face Transformers

Hugging Face Transformers 是 Hugging Face 的开源深度学习工具库。借助 Transformers，大家可以非常方便快速地下载最先进的预训练模型，应用在自己的场景中，或者基于自己的数据做再训练。

因为官方提供的大量预训练模型，我们可以减少计算费用（因为无需从头训练）。丰富的模型覆盖多种数据类型和业务源，包括：

• 文本：对文本进行分类、信息抽取、问答系统、机器翻译、摘要生成，文本生成（覆盖 100 多种语言）
• 图像：图像分类、目标检测和图像分割
• 音频：语音识别和音频分类

PyTorch、TensorFlow 和 JAX 是三个最著名的深度学习库，transformers 的对这三个框架都支持得很好，甚至可以在一个框架中用三行代码训练模型，在另一个框架中加载模型并进行推理。

大家可以通过 Hugging Face Transformers 的 📘官方网站 和 📘GitHub 了解更多使用细节。

参考资料

• 📘 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 项目 GitHub: https://github.com/ydataai/pandas-profiling
• 📘 Pycaret 官方文档: 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 官方网站: https://www.pytorchlightning.ai/
• 📘 Hugging Face Transformers 官方网站: https://huggingface.co/
• 📘 Hugging Face Transformers GitHub: https://github.com/huggingface/transformers