Python除了有200个标准库以外,还有10万个第三方扩展库,囊括了方方面面。其中做数据分析最常用到的库有4个:
Numpy是Python科学计算的基础包。它除了为Python提供快速的数组处理能力,还是在算法和库之间传递数据的容器。对于数值型数据,NumPy数组在存储和处理数据时要比内置的 Python数据结构高效得多。此外,由低级语言(比如C和Fortran)编写的库可以直接操作NumPy 数组中的数据,无需进行任何数据复制工作。因此,许多Python的数值计算工具要么使用NumPy 数组作为主要的数据结构,要么可以与NumPy进行无缝交互操作。
Pandas提供了快速便捷处理结构化数据的大量数据结构和函数,兼具NumPy高性能的数组计算功能以及电子表格和关系型数据库(如SQL)灵活的数据处理功能。它提供了复杂精细的索引功能,能更加便捷地完成重塑、切片和切块、聚合以及选取数据子集等操作。因为数据操作、准备、清洗是数据分析最重要的技能,所以Pandas也是学习的重点。
Matplotlib是最流行的用于绘制图表和其它二维数据可视化的Python库,它非常适合创建出版物上用的图表。虽然还有其它的Python可视化库,但Matplotlib却是使用最广泛的,并且它和其它生态工具配合也非常完美。
Scikit-learn是Python的通用机器学习工具包。它的子模块包括分类、回归、聚类、降维、选型、预处理,对于Python成为高效数据科学编程语言起到了关键作用。