Python数据分析中使用的不同类型的库有哪些？

毫无疑问，Python 是雇主在数据科学家的技能集中寻找的首要条件之一。它已迅速成为数据科学产业的标准语言。它在全球数据科学排名中屡屡登顶，其普及程度也在不断增长！

更多Python相关文章，请阅读：Python 教程

但是，什么让 Python 在数据科学家中如此突出呢？

像我们的身体由几个器官组成，用于不同的目的和一个心脏来保持它们全部运转一样，Python 的核心为我们提供了一个易于编码、面向对象、高级语言（心脏）的访问路径。对于每个任务类别，如数学、数据挖掘、数据探索和可视化，我们都有一个特定的库（器官）。

Matplotlib

这无疑是目前最好的 Python 库。利用 Matplotlib 显示数据的故事是可行的。另一个 SciPy Stack 库绘制 2D 图形也是 Matplotlib。

使用对象导向的 API 可以将图表嵌入到程序中，这是 Python 图表库 Matplotlib 提供的。它大致模拟了 Python 编程语言的嵌入式 MATLAB。

Theano

Theano 是另一个有用的 Python 包，它可以帮助数据科学家进行涉及大型多维数组的复杂计算。它更像是 TensorFlow，只是比后者不那么有效率。

它正在用于依赖于分布式和并行计算的活动。它允许您指定、评估和优化启用数组的数学运算。由于实现了 numpy.ndarray 函数，它与 NumPy 密切相关。

由于基于 GPU 构建的基础设施，它比 CPU 处理活动更快。它非常适合性能和稳定性增强，以提供所需的结果。

数据科学家经常使用它的动态 C 代码生成器进行快速评估。他们可以运行单元测试，以在模型中查找错误。

Scikit Learn

Scikit-learn 是数据科学资源的瑞士军刀。它是数据科学工具箱中的必备工具，可以帮助您克服最初看起来不可逾越的挑战。简单地说，它用于开发机器学习模型。

Scikit-learn 是用于机器学习的最有用的 Python 库。sklearn 包包含许多高效的机器学习和统计建模技术，包括分类、回归、聚类和降维等。

Keras

高层次的 TensorFlow API 用于创建和训练深度神经网络代码称为 Keras。它是一个开源的 Python 神经网络库。使用 Keras 简化的代码进行深度学习的文本、图形和统计处理更加便捷。

那么，Keras 与 TensorFlow 有什么区别呢？

虽然 TensorFlow 是用于不同机器学习应用的开源工具包，但 Keras 是用于神经网络的 Python 库。虽然 Keras 只提供高级别的 API，但 TensorFlow 提供高级别和低级别的 API。由于 Keras 是为 Python 创建的，比 TensorFlow 更加简洁、模块化和可组合。

SciPy

SciPy是一个流行的免费开源Python工具包，用于数据研究和复杂计算（Scientific Python）。在GitHub上，有大约19000条评论和600个活跃的贡献者组成了SciPy社区。它经常用于科学和技术计算，因为它扩展了NumPy并提供了许多用户友好和高效的方法。

Plotly

Plotly是一个经典的Python图表包，用户可以导入，复制，粘贴或流数据进行分析和可视化。Plotly在沙盒（可运行限制其功能的Python环境）中提供Python。沙盒有时难以理解，但我确定Plotly使其变得简单。

使用时机？如果您希望生成和显示图形，编辑或悬停在文本上获取信息，那么可以使用Plotly。 Plotly还提供向云服务器发送信息的功能。这很有趣！

BeautifulSoup

即将推出的Python数据科学库名为BeautifulSoup。这个广受欢迎的Python库的主要应用程序是Web爬虫和数据抓取。用户可以从没有足够CSV或API的网站收集数据，并使用BeautifulSoup进行数据抓取和必要的组织。

PyTorch

PyTorch是数据科学家和学者使用的最流行的机器学习库之一。它帮助他们创建动态计算网络，通过GPU加速的快速张量计算以及其他若干困难的工作。 PyTorch API在神经网络方法中非常有用。

由于混合前端PyTorch平台易于使用，因此我们可以进入图形模式进行优化。它为用户提供在异步组活动中生成正确结果的本机能力，并允许点对点通信。

如果软件具有对ONNX（Open Neural Network Exchange）的本地支持，则可以导出模型以使用可视化器，平台，运行时和其他资源。 PyTorch最好的功能是，在部署期间可以为简单的资源可扩展性提供基于云的环境。

结论

这绝不是一个全面的列表，因为Python环境还包括许多其他用于开发算法和执行机器学习任务的工具。从事基于Python的数据科学项目的数据科学家和软件工程师将使用其中许多工具，因为这些工具对于在Python中创建强大的ML模型是必不可少的。