Python數據科學十大利器，你都用過嗎？

隨著近幾年大數據越來越火，Python的熱度也跟著蹭蹭上漲，Python能在數據科學領域獨占鼇頭，離不開一些強大的庫的支持，下麵小編搜集了幾個最實用的Python庫。如果你正在學習Python，也許這篇文章能幫助你快速上手數據分析。一起來看下Python數據科學十大利器，你都用過嗎？

1.Anaconda

相信大多數 Python 的初學者們都曾為環境問題而頭疼不已，但你並不孤獨，大家都是這麼折騰過來的，打算學習 Python 來做數據分析的你，是不是在開始時就遇到各種麻煩呢？僅僅是安裝數據計算庫估計就耗盡了所有的熱情。

這裏推薦使用 Anaconda 來管理你的安裝環境和各種工具包。

Anaconda是數據分析的Python發行版本，集成了幾百個專門做數據分析的庫，像numpy，pandas，matplotlib,scikit-learn等常用的庫都有集成，而且還提供跨平台的安裝包，實在是做數據分析不二的選擇

2.IPython 、Spyder

它是一個增強的Python shell，目的是提高編寫，測試，調試Python代碼的速度,

支持變量自動補全，自動縮進，支持bash shell命令，內置了許多很有用的功能和函數。學習ipython將會讓我們以一種更高的效率來使用Python。同時它也是利用Python進行科學計算和交互可視化的一個最佳的平台。

IPython提供了兩個主要的組件：

一個強大的Python交互式shell

供Jupyter notebooks使用的一個Jupyter內核（IPython notebook）

Spyder是anaconda自帶的集成開發環境，專門針對數據處理而優化，集成了ipython控製台，可以方便查看數據處理結果及數據可視化

3.NumPy

數據科學的核心庫，是其他高級數據分析庫的基礎和依賴，Numpy不提供高級數據分析功能，可以更加深刻的理解Numpy數組和麵向數組的計算。

umpy提供了兩種基本的對象：ndarray和ufunc。

ndarray是存儲單一數據類型的多維數組，而ufunc是能夠對數組進行處理的函數。

Numpy的功能：

N維數組，一種快速、高效使用內存的多維數組，他提供矢量化數學運算。

可以不需要使用循環，就能對整個數組內的數據進行標準數學運算。

非常便於傳送數據到用低級語言編寫(CC++)的外部庫,也便於外部庫以Numpy數組形式返回數據。

4.Scipy

Scipy是一款方便、易於使用、專門為科學和工程設計的Python包，它包括統計、優化、整合、線性代數模塊、傅裏葉變換、信號和圖像處理、常微分方程求解器等。Scipy依賴於Numpy，並提供許多對用戶友好的和有效的數值例程，如數值積分和優化。

5.Pandas

Pandas是Python的一個數據分析包，Pandas最初被用作金融數據分析工具而開發出來，因此Pandas為時間序列分析提供了很好的支持。

Pandas是為了解決數據分析任務而創建的，Pandas納入了大量的庫和一些標準的數據模型，提供了高效的操作大型數據集所需要的工具。Pandas包含了高級數據結構，以及讓數據分析變得快速、簡單的工具，提供了大量快速便捷的處理數據的函數和方法。它建立在Numpy之上，使得Numpy應用變得簡單。

Pandas在數據探索，數據清洗方麵表現的更加出色，可以很容易的處理缺失值，異常值，篩選或合並數據集

Pandas是進行數據清洗、整理的最好工具。

6.Matplotlib

Matplotlib是基於Numpy的Python的一個可視化模塊，提供了方便的數據繪圖工具，能方便的做線條圖、餅圖、柱狀圖以及其他專業圖形。

Matplotlib有一套允許定製各種屬性的默認設置，可以控製Matplotlib中的每一個默認屬性：圖像大小、每英寸點數、線寬、色彩和樣式、子圖、坐標軸、網個屬性、文字和文字屬性。

7.Scikit-Learn

Scikit-Learn是基於Python機器學習的模塊，基於BSD開源許可證，安裝需要Numpy Scopy Matplotlib等模塊，

scikit-learn為常見的機器學習算法提供了一個簡潔而一致的界麵，通過一個統一的接口來使用，使得將ML帶入生產係統變得簡單。 該庫結合了高質量的代碼和良好的文檔，易用性和高性能，是事實上用Python進行機器學習的行業標準。Scikit-Learn的主要功能分為六個部分，分類、回歸、聚類、數據降維、模型選擇、數據預處理。

Scikit-Learn自帶一些經典的數據集，比如用於分類的iris和digits數據集，還有用於回歸分析的boston house prices數據集。該數據集是一種字典結構，數據存儲在data成員中，輸出標簽存儲在target成員中。

Scikit-Learn還有一些庫，比如：用於自然語言處理的Nltk、用於網站數據抓取的Scrappy、用於網絡挖掘的Pattern、用於深度學習的Theano等。,

8.Jieba 最好的中文分詞工具

jieba 是一個Python實現的分詞庫，對中文有著很強大的分詞能力，在文本分析中的文本分類，情感分析等方麵表現優異

1 支持三種分詞模式：a. 精確模式，試圖將句子最精確地切開，適合文本分析；b. 全模式，把句子中所有的可以成詞的詞語都掃描出來, 速度非常快，但是不能解決歧義；c. 搜索引擎模式，在精確模式的基礎上，對長詞再次切分，提高召回率，適合用於搜索引擎分詞。

2 支持自定義詞典

關鍵詞提取--基於 TF-IDF 算法的關鍵詞抽取

詞性標注

juba是一個Python類庫，用於處理中文文本，實現文檔詞彙矩陣、詞彙文檔矩陣、文檔相似、詞彙關聯分析、自動文檔生成等基礎功能，Python第三方庫jieba（結巴）的定位和功能不同，jieba主要用於中文分詞、詞性標注、關鍵詞提取等，是中文文本處理的最基礎部分。juba是在中文文本數據預處理後（中文分詞、去掉停用詞等）對中文文本（文檔或詞彙）進行向量化，是情感分析、文本聚類、文本分類、信息檢索的基礎。因此應該將jieba和juba結合起來使用，即先用jieba進行文本預處理，然後利用juba進行文本向量化，是高級應用的基礎。

9.TensorFlow

Tensorflow是目前最火的深度學習框架，廣泛應用於自然語言處理、語音識別、圖像處理等多個領域。Tensorflow采用數據流圖（data flow graphs），用於數值計算的開源軟件庫。節點（Nodes）在圖中表示數學操作，圖中的線（edges）則表示在節點間相互聯係的多維數據數組，即張量（tensor）。它靈活的架構讓你可以在多種平台上展開計算，是由穀歌開源的機器學習係統。Tensorflow支持Python、C++、java、GO等多種編程語言，以及CNN、RNN和GAN等深度學習算法。Tensorflow除可以在Windows、Linux、MacOS等操作係統運行外，還支持Android和iOS移動平台的運行、以及適用於多個CPU/GPU組成的分布式係統中。

相較於其它的深度學習框架，如：Caffe、Torch、Keras、MXnet、Theano等，Tensorflow的主要優勢有以下幾點：高度的靈活性、支持Python語言開發、可視化效果好、功能更加強大、運行效率高、強大的社區。

當然TensorFlow也有一些缺點：

10.Keras

Keras是一個高層神經網絡庫，Keras由純Python編寫而成並基Tensorflow或Theano

Keras很靈活，且比較容易學。可以把keras看作為tensorflow封裝後的一個API，適合快速體驗 ，但若想學紮實一點則用 Tensorlayer 或者直接使用 TensorFlow 和 Theano。

Python有著像Matlab一樣強大的數值計算工具包Numpy；有著繪圖工具包Matplotlib;有著科學計算工具包Scipy。Python能直接處理數據，而Pandas幾乎可以像SQL那樣對數據進行控製。Matplotlib能夠對數據和記過進行可視化，快速理解數據。Scikit-Learn提供了機器學習算法的支持，Tensorflow、Keras提供了深度學習框架。

來源：技術學派頭條號