16. Fuel 是一个数据管道框架（data pipeline framework），它为机器学习模型提供所需的数据。Blocks 和 Pylearn2 这两个神经网络库都有计划使用 Fuel。
提交数: 1053, 贡献者: 29, Github 链接: Fuel()
17.PyMVPA 是一个 Python 包，旨在简化大型数据集的统计学习分析。它提供了一个可扩展的框架和一个用于分类，回归，特征选择，数据导入导出等算法的高级接口。
提交数: 9258, 贡献者: 26, Github 链接: PyMVPA(https://github.com/PyMVPA/PyMVPA)
18. Annoy (Approximate Nearest Neighbors Oh Yeah) 是一个带有 Python 绑定的 C++ 库，用于在空间中找到和已知的查询点临近的点。它还可以创建大型的基于文件的只读数据结构，并映射至内存，以便多个进程能共同使用相同的数据。
提交数: 365, Contributors: 24, Github 链接: Annoy(https://github.com/spotify/annoy)
19. Deap 是一个创新的，仍在发展中的计算框架，用于快速构建原型和测试方法。它旨在使算法和数据结构更加清晰透明。它与并行机制（如多进程和 SCOOP 模块）完美协调。
提交数: 1854, 贡献者: 21, Github 链接: Deap(https://github.com/deap/deap)
20. Pattern 是一个 Python 的网络挖掘模块。它绑定了数据挖掘(Google + Twitter + Wikipedia API, 网络爬虫, HTML DOM 解析器)，自然语言处理 (词性标记, n-gram 搜索, 语义分析, WordNet)，机器学习(向量空间模型, k-means 聚类, Naive Bayes + k-NN + SVM 分类器) 和网络分析(图核心性 graph centrality 和可视化)等工具。
提交数: : 943, Contributors: 20 , Github 链接: Pattern()
在下面的图表中，可以看到 PyMVPA 相较于其他项目拥有最高的贡献率（contribution rate）。令人吃惊的是，Scikit-learn 虽然拥有最多的贡献者，但是贡献率却很低。这种现象背后的原因可能是：PyMVPA 是新项目，正处于开发的早期阶段，新功能开发，漏洞修补和重构等都能够引导更多的提交。而 Scikit-learn 属于比较旧且非常稳定的项目，改进和修复的空间更小。
在比较同时上榜 2015 和 2016 Top 20 的项目时，可以发现，Pattern，PyBrain 和 Pylearn2 没有新的贡献者（contributors）也没有新的贡献代码。同时，还可以发现贡献者数和提交数之间有显著关联。贡献者数的增长可能会导致提交数的增长，我认为这是开源项目和社区的魔力——引领头脑风暴，激发更多创意，开发更好的软件工具。
以上是对 2016 Python 机器学习开源项目所做的分析，该分析基于项目贡献者和提交数，作者是 KDnuggets 团队的 Prasad 和 Gregory。