轉載於：2022了你還不會『低代碼』？數據科學也能玩轉Low-Code啦！ - 掘金 (juejin.cn)
低代碼開發，顧名思義，指的是軟件開發過程中只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。借助於這些平台和框架，數據科學家們在繁重的探索研究和大量的編程任務之間，取得更好的平衡。
在本篇內容中，ShowMeAI 給大家總結了最值得學習&使用 Python 低代碼機器學習庫，覆蓋數據科學最熱門的幾大方向——數據分析&簡單挖掘、機器學習、深度學習。
D-Tale 是一個易於使用的低代碼 Python 庫，通過將 Flask 編寫的後端與 React 編寫的前端相結合，與 Jupyter Notebook 無縫集成，可以查看和分析 Pandas 形態的數據，包括 DataFrame、Series、MultiIndex、DatetimeIndex 和 RangeIndex。
D-Tale 是 SAS 到 Python 轉換的產物，最初是基於 SAS 的 perl 腳本包裝器，現在是基於 Pandas 數據結構的輕量級 Web 客戶端。
大家可以在D-Tale的官方 Github 查看它的詳細教程和用法，也可以前往 在線平台 操作體驗。
對於低代碼探索式數據分析任務，AutoViz 是 Python 中另一個不錯的選擇。在功能方面，它只需編寫一行代碼即可使用 AutoViz 完成任何數據集的自動可視化。
AutoViz 能夠結合任務確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信息。而且AutoViz速度極快，可視化可以在幾秒鐘內完成。
大家可以查看官方 AutoViz 示例 Jupyter Notebook 進行學習。
Lux 工具庫是一個非常自動的數據分析可視化工具。無需做太多的數據預處理，它會自動根據數據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數據預處理工作量。
大家可以通過 Lux 的官方 GitHub 頁面了解更多用法細節。
pandas-profiling 庫自動針對 pandas DataFrame 格式的數據生成數據分析報告。
最終的結果以交互式 HTML 報告呈現，包含以下信息：
大家可以在 pandas-profiling 的項目 GitHub 頁面獲取詳細使用方法。
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 有著明顯的低代碼特質，可僅用幾行代碼完成原本需要數百行代碼完成的工作，尤其是對於密集的實驗迭代過程可以大大提速。PyCaret 本質上是圍繞多個機器學習庫和框架封裝而成，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。
PyTorch Lightning 是一個應用在深度學習/神經網絡的 Python 低代碼庫，為 PyTorch 提供高級接口。
它具備高性能和輕量級的架構，以一種將研究與工程分離的方式來構建 PyTorch 代碼，使深度學習實驗更容易理解和重復。借助它能輕松構建分布式硬件上的可擴展深度學習模型。
官網介紹說，PyTorch Lightning 的設計是為了讓大家可以將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 是 Hugging Face 的開源深度學習工具庫。借助 Transformers，大家可以非常方便快速地下載最先進的預訓練模型，應用在自己的場景中，或者基於自己的數據做再訓練。
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）。豐富的模型覆蓋多種數據類型和業務源，包括：
PyTorch、TensorFlow 和 JAX 是三個最著名的深度學習庫，transformers 的對這三個框架都支持得很好，甚至可以在一個框架中用三行代碼訓練模型，在另一個框架中加載模型並進行推理。
大家可以通過 Hugging Face Transformers 的 官方網站 和 GitHub 了解更多使用細節。
