盤點數(shù)據(jù)科學最流行的29個Python庫

作者：保羅·戴特爾（Paul Deitel）、哈維·戴特爾（Harvey Deitel）

來源：大數(shù)據(jù)DT（ID：hzdashuju）

• 16 / 29

1. collections：建立在列表、元組、字典和集合基礎(chǔ)上的加強版數(shù)據(jù)結(jié)構(gòu)。
2. csv：處理用逗號分隔值的文件。
3. datetime, time：日期和時間操作。
4. decimal：定點或浮點運算，包括貨幣計算。
5. doctest：通過驗證測試或嵌入在docstring中的預(yù)期結(jié)果進行簡單的單元測試。
6. json：處理用于Web服務(wù)和NoSQL文檔數(shù)據(jù)庫的JSON（JavaScript Object Notation）數(shù)據(jù)。
7. math：常見的數(shù)學常量和運算。
8. os：與操作系統(tǒng)進行交互。
9. queue：一種先進先出的數(shù)據(jù)結(jié)構(gòu)。
10. random：偽隨機數(shù)操作。
11. re：用于模式匹配的正則表達式。
12. sqlite3：SQLite關(guān)系數(shù)據(jù)庫訪問。
    
13. statistics：數(shù)理統(tǒng)計函數(shù)，如均值、中值、眾數(shù)和方差等。
14. string：字符串操作。
15. sys：—命令行參數(shù)處理，如標準輸入流、輸出流和錯誤流。
16. timeit：性能分析。

• 3 / 29

1. NumPy（Numerical Python）：Python沒有內(nèi)置的數(shù)組數(shù)據(jù)結(jié)構(gòu)。它提供的列表類型雖然使用起來更方便，但是處理速度較慢。NumPy提供了高性能的ndarray數(shù)據(jù)結(jié)構(gòu)來表示列表和矩陣，同時還提供了處理這些數(shù)據(jù)結(jié)構(gòu)的操作。
2. SciPy（Scientific Python）：SciPy基于NumPy開發(fā)，增加了用于科學處理的程序，例如積分、微分方程、額外的矩陣處理等。scipy.org負責管理SciPy和NumPy。
3. StatsModels：為統(tǒng)計模型評估、統(tǒng)計測試和統(tǒng)計數(shù)據(jù)研究提供支持。

• 1 / 29

1. pandas：一個非常流行的數(shù)據(jù)處理庫。pandas充分利用了NumPy的ndarray類型，它的兩個關(guān)鍵數(shù)據(jù)結(jié)構(gòu)是Series（一維）和DataFrame（二維）。

• 2 / 29

1. Matplotlib：可高度定制的可視化和繪圖庫。Matplotlib可以繪制正規(guī)圖、散點圖、柱狀圖、等高線圖、餅圖、矢量場圖、網(wǎng)格圖、極坐標圖、3D圖以及添加文字說明等。
2. Seaborn：基于Matplotlib構(gòu)建的更高級別的可視化庫。與Matplotlib相比，Seaborn改進了外觀，增加了可視化的方法，并且可以使用更少的代碼創(chuàng)建可視化。

• 4 / 29

1. scikit-learn：一個頂級的機器學習庫。機器學習是AI的一個子集，深度學習則是機器學習的一個子集，專注于神經(jīng)網(wǎng)絡(luò)。
2. Keras：最易于使用的深度學習庫之一。Keras運行在TensorFlow（谷歌）、CNTK（微軟的深度學習認知工具包）或Theano（蒙特利爾大學）之上。
3. TensorFlow：由谷歌開發(fā)，是使用最廣泛的深度學習庫。TensorFlow與GPU（圖形處理單元）或谷歌的定制TPU（Tensor處理單元）配合使用可以獲得最佳的性能。TensorFlow在人工智能和大數(shù)據(jù)分析中有非常重要的地位，因為人工智能和大數(shù)據(jù)對數(shù)據(jù)處理的需求非常巨大。
4. OpenAI Gym：用于開發(fā)、測試和比較強化學習算法的庫和開發(fā)環(huán)境。

• 3 / 29

1. NLTK（Natural Language Toolkit）：用于完成自然語言處理（NLP）任務(wù)。
2. TextBlob：一個面向?qū)ο蟮腘LP文本處理庫，基于NLTK和模式NLP庫構(gòu)建，簡化了許多NLP任務(wù)。
3. Gensim：功能與NLTK類似。通常用于為文檔合集構(gòu)建索引，然后確定另一個文檔與索引中每個文檔的相似程度。