近年來，Python 在數(shù)據(jù)科學行業(yè)扮演著越來越重要的角色。因此，騰科小編在本文中列出了對數(shù)據(jù)科學家、工程師們最有用的那些庫。

核心庫

1. NumPy 

當開始處理Python中的科學任務，Python的SciPy Stack肯定可以提供幫助，它是專門為Python中科學計算而設計的軟件集合。然而，SciPy Stack相當龐大，其中有十幾個庫，我們把焦點放在核心包上。關(guān)于建立科學計算棧，最基本的包是Numpy(Numerical Python)。它為Python中的n維數(shù)組和矩陣的操作提供了大量有用的功能。該庫提供了NumPy數(shù)組類型的數(shù)學運算向量化，可以改善性能，從而加快執(zhí)行速度。

2. SciPy

SciPy是一個工程和科學軟件庫。SciPy包含線性代數(shù)，優(yōu)化，集成和統(tǒng)計的模塊。SciPy庫的主要功能是建立在NumPy上，從而它的數(shù)組大量的使用了NumPy的。它通過其特定子模塊提供有效的數(shù)值例程，并作為數(shù)字積分、優(yōu)化和其他例程。

3. Pandas

Pandas是一個Python包，旨在通過“標記”和“關(guān)系”數(shù)據(jù)進行工作，簡單直觀。Pandas是數(shù)據(jù)整理的完美工具。它設計用于快速簡單的數(shù)據(jù)操作，聚合和可視化。庫中有兩個主要的數(shù)據(jù)結(jié)構(gòu)：

• “系列”(Series)，一維

• “數(shù)據(jù)幀”(Data Frames)，二維

例如，當你要從這兩種類型的結(jié)構(gòu)中接收到一個新的Dataframe時，通過傳遞一個Series，將收到一個單獨的行到DataFrame的DF：

這里稍微列出了你可以用Pandas做的事情：

• 輕松刪除并添加數(shù)據(jù)幀(DataFrame)中的列
• 將數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換為數(shù)據(jù)幀(DataFrame)對象
• 處理丟失的數(shù)據(jù)，表示為NaN
• 功能強大的分組

可視化

4.Matplotlib

又一個SciPy Stack核心軟件包以及 Python庫，Matplotlib為輕松生成簡單而強大的可視化而量身定制。它是一個頂尖的軟件，它使Python成為像MatLab或Mathematica這樣的科學工具的競爭對手。然而，這個庫是低層級的，這意味著你需要編寫更多的代碼才能達到高級的可視化效果，而且通常會比使用更多的高級工具付出更多的努力，但總體上這些努力是值得的。只要付出一點你就可以做任何可視化：

• 線圖
• 散點圖
• 條形圖和直方圖
• 餅狀圖;
• 莖圖
• 輪廓圖
• 場圖
• 頻譜圖

還有使用Matplotlib創(chuàng)建標簽，網(wǎng)格，圖例和許多其他格式化實體的功能?；旧希磺卸际强啥ㄖ频?。該庫由不同的平臺支持，并使用不同的GUI套件來描述所得到的可視化。不同的IDE(如IPython)都支持Matplotlib的功能。還有一些額外的庫可以使可視化變得更加容易。

?

5. Seaborn

Seaborn主要關(guān)注統(tǒng)計模型的可視化;這種可視化包括熱圖，這些熱圖總結(jié)數(shù)據(jù)但仍描繪整體分布。Seaborn基于Matplotlib，并高度依賴于此。

6. Bokeh

另一個很不錯的可視化庫是Bokeh，它針對交互式可視化。與以前的庫相比，它獨立于Matplotlib。正如我們提到的，Bokeh的主要焦點是交互性，它通過現(xiàn)代瀏覽器以數(shù)據(jù)驅(qū)動文檔(d3.js)的風格呈現(xiàn)。

7. Plotly

它是一個基于Web用于構(gòu)建可視化的工具箱，提供API給一些編程語言(Python在內(nèi))。在plot.ly網(wǎng)站上有一些強大的、上手即用的圖形。為了使用Plotly，你將需要設置API密鑰。圖形將在服務器端處理，并發(fā)布到互聯(lián)網(wǎng)。

機器學習

8. SciKit-Learn

Scikits是Scikits Stack額外的軟件包，專為像圖像處理和機器學習輔助等特定功能而設計。對于機器學習輔助，scikit-learn是所有軟件包里最突出的一個。它建立在SciPy之上，并大量利用它的數(shù)學運算。scikit-learn給常見的機器學習算法公開了一個簡潔、一致的接口，可簡單地將機器學習帶入生產(chǎn)系統(tǒng)中。該庫中集成了有質(zhì)量的代碼和良好的文檔、簡單易用并且十分高效，是使用Python進行機器學習的實際行業(yè)標準。

9.Theano

Theano是一個Python軟件包，它定義了與NumPy類似的多維數(shù)組，以及數(shù)學運算和表達式。此庫是被編譯的，可實現(xiàn)在所有架構(gòu)上的高效運行。最初由蒙特利爾大學機器學習組開發(fā)，它主要用于滿足機器學習的需求。值得注意的是，Theano緊密結(jié)合了NumPy在低層次上的運算 。另外，該庫還優(yōu)化了GPU和CPU的使用，使數(shù)據(jù)密集型的計算平臺性能更佳。

10. TensorFlow

TensorFlow來自Google的開發(fā)人員，它是數(shù)據(jù)流圖計算的開源庫，為機器學習不斷打磨。它旨在滿足谷歌對訓練神經(jīng)網(wǎng)絡的高需求，并且是基于神經(jīng)網(wǎng)絡的機器學習系統(tǒng)DistBelief的繼任者。然而，TensorFlow并不限制于谷歌的科學應用范圍，它可以通用于多種多樣的現(xiàn)實應用中。

11. Keras

它是一個用Python編寫的開源的庫，用于在高層的接口上構(gòu)建神經(jīng)網(wǎng)絡。它簡單易懂，具有高級可擴展性。Keras使用Theano或TensorFlow作為后端，但微軟現(xiàn)在正努力整合CNTK(微軟的認知工具包)作為新的后端。Keras真的容易上手，并在持續(xù)完善它的快速原型能力。它完全用Python編寫，可被高度模塊化和擴展。盡管它以易上手、簡單和以高層次為導向，但是Keras足夠有深度并且足夠強大，去支持復雜的模型。

數(shù)據(jù)挖掘，統(tǒng)計學

12. Scrapy

Scrapy庫是用于從網(wǎng)絡結(jié)構(gòu)化檢索數(shù)據(jù)(如聯(lián)系人信息或URL)，可以用來設計crawling程序(也稱為蜘蛛bots)。最開始只是如它的名字暗示的一樣，只用來做scraping，但是它現(xiàn)在已經(jīng)在完整的框架中發(fā)展，能夠從API采集數(shù)據(jù)并作為通用的crawlers了。該庫在界面設計中標榜著“不要重復自己” 它推薦用戶們編寫泛化得到、可被重復使用的通用代碼，從而構(gòu)建和擴展大型的crawlers。

13. Statsmodels

statsmodels使用戶能夠通過使用各種統(tǒng)計模型的估算方法進行數(shù)據(jù)挖掘，并執(zhí)行統(tǒng)計判斷和分析。許多有用的特征是可被描述的，并通過使用線性回歸模型、廣義線性模型、離散選擇模型、魯棒線性模型、時間序列分析模型，各種估計方法得出統(tǒng)計結(jié)果。這個庫還提供了廣泛的標定功能，專門用于大數(shù)據(jù)統(tǒng)計中的性能優(yōu)化工作。

當然，這不是完全詳盡的列表，還有許多其他的庫和框架同樣值得關(guān)注。