CDA數(shù)據(jù)分析師 出品

作者：Terence Shin

編譯：Mika

學(xué)習(xí)數(shù)據(jù)分析絕非易事，有無(wú)數(shù)種工具和資源可供使用。因此，有時(shí)會(huì)讓我們很難弄清楚該學(xué)習(xí)什么技能，該使用哪種工具。

在本文中，我們就來(lái)給大家介紹一下——數(shù)據(jù)分析中最常用的10個(gè)Python庫(kù)?？纯催@些庫(kù)你都用過(guò)嗎？

01、Pandas

在數(shù)據(jù)分析師的日常工作中，70%到80%都涉及到理解和清理數(shù)據(jù)，也就是數(shù)據(jù)探索和數(shù)據(jù)挖掘。

Pandas主要用于數(shù)據(jù)分析，這是最常用的Python庫(kù)之一。它為你提供了一些最有用的工具來(lái)對(duì)數(shù)據(jù)進(jìn)行探索、清理和分析。使用Pandas，你可以加載、準(zhǔn)備、操作和分析各種結(jié)構(gòu)化數(shù)據(jù)。

02、NumPy

NumPy主要用于支持N維數(shù)組。這些多維數(shù)組的穩(wěn)健性是Python列表的50倍，這也讓NumPy成為許多數(shù)據(jù)科學(xué)家的最愛(ài)。

NumPy被TensorFlow等其他庫(kù)用于張量的內(nèi)部計(jì)算。NumPy為數(shù)值例程提供了快速的預(yù)編譯函數(shù)，這些函數(shù)可能很難手動(dòng)求解。為了獲得更好的效率，NumPy使用面向數(shù)組的計(jì)算，從而能夠輕松的處理多個(gè)類。

03、Scikit-learn

Scikit-learn可以說(shuō)是Python中最重要的機(jī)器學(xué)習(xí)庫(kù)。在使用Pandas或NumPy清理和處理數(shù)據(jù)之后，可以通過(guò)Scikit-learn用于構(gòu)建機(jī)器學(xué)習(xí)模型，這是由于Scikit-learn包含了大量用于預(yù)測(cè)建模和分析的工具。

使用Scikit-learn有很多優(yōu)勢(shì)。比如，你可以使用Scikit-learn構(gòu)建幾種類型的機(jī)器學(xué)習(xí)模型，包括監(jiān)督和非監(jiān)督模型，交叉驗(yàn)證模型的準(zhǔn)確性，進(jìn)行特征重要性分析。

04、Gradio

Gradio讓你只需三行代碼即可為機(jī)器學(xué)習(xí)模型構(gòu)建和部署web應(yīng)用程序。它的用途與Streamlight或Flask相同，但部署模型要快得多，也容易得多。

Gradio的優(yōu)勢(shì)在于以下幾點(diǎn)：

• 允許進(jìn)一步的模型驗(yàn)證。具體來(lái)說(shuō)，可以用交互方式測(cè)試模型中的不同輸入
• 易于進(jìn)行演示
• 易于實(shí)現(xiàn)和分發(fā)，任何人都可以通過(guò)公共鏈接訪問(wèn)web應(yīng)用程序。

05、TensorFlow

TensorFlow是用于實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的最流行的 Python 庫(kù)之一。它使用多維數(shù)組，也稱為張量，能對(duì)特定輸入執(zhí)行多個(gè)操作。

因?yàn)樗举|(zhì)上是高度并行的，因此可以訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)和GPU以獲得高效和可伸縮的模型。TensorFlow的這一特性也稱為流水線。

06、Keras

Keras主要用于創(chuàng)建深度學(xué)習(xí)模型，特別是神經(jīng)網(wǎng)絡(luò)。它建立在TensorFlow和Theano之上，能夠用它簡(jiǎn)單地構(gòu)建神經(jīng)網(wǎng)絡(luò)。但由于Keras使用后端基礎(chǔ)設(shè)施生成計(jì)算圖，因此與其他庫(kù)相比，它的速度相對(duì)較慢。

07、SciPy

SciPy主要用于其科學(xué)函數(shù)和從NumPy派生的數(shù)學(xué)函數(shù)。該庫(kù)提供的功能有統(tǒng)計(jì)功能、優(yōu)化功能和信號(hào)處理功能。為了求解微分方程并提供優(yōu)化，它包括數(shù)值計(jì)算積分的函數(shù)。SciPy的優(yōu)勢(shì)在于：

• 多維圖像處理
• 解決傅里葉變換和微分方程的能力
• 由于其優(yōu)化算法，可以非常穩(wěn)健和高效地進(jìn)行線性代數(shù)計(jì)算

08、Statsmodels

Statsmodels是擅長(zhǎng)進(jìn)行核心統(tǒng)計(jì)的庫(kù)。這個(gè)多功能庫(kù)混合了許多 Python 庫(kù)的功能，比如從 Matplotlib 中獲取圖形特性和函數(shù)；數(shù)據(jù)處理；使用 Pandas，處理類似 R 的公式；使用 Pasty，并基于 NumPy 和 SciPy 構(gòu)建。

具體來(lái)說(shuō)，它對(duì)于創(chuàng)建OLS等統(tǒng)計(jì)模型以及執(zhí)行統(tǒng)計(jì)測(cè)試非常有用。

09、Plotly

Plotly絕對(duì)是構(gòu)建可視化的必備工具，它非常強(qiáng)大，易于使用，并且能夠與可視化交互。

與Plotly一起使用的還有Dash，它是能使用Plotly可視化構(gòu)建動(dòng)態(tài)儀表板的工具。Dash是基于web的Python接口，它解決了這類分析web應(yīng)用程序中對(duì)JavaScript的需求，并讓你能在線和離線狀態(tài)下進(jìn)行繪圖。

10、Seaborn

Seaborn建立在Matplotlib上，是能夠創(chuàng)建不同可視化效果的庫(kù)。

Seaborn最重要的功能之一是創(chuàng)建放大的數(shù)據(jù)視覺(jué)效果。從而讓最初不明顯的相關(guān)性能突顯出來(lái)，使數(shù)據(jù)工作人員能夠更正確地理解模型。

Seaborn還有可定制的主題和界面，并且提供了具有設(shè)計(jì)感的數(shù)據(jù)可視化效果，能更好地在進(jìn)行數(shù)據(jù)匯報(bào)。