PyThon_古有文房四宝今有Python七剑，拔剑无情

对于不同的位面&＃xff0c;有着不同的宝物定义。对古时文人来讲&＃xff0c;笔墨纸砚&＃xff0c;是当时具有生产力输出的四大工具。对程序员来讲&＃xff0c;当代的“文房四宝”不外乎是&＃xff1a;笔记本&＃xff0c;大屏幕&＃xff0c;机械键盘&＃xff0c;人体工学椅&＃xff0c;Google&＃xff0c;Github这几种。特别是机械键盘和人体工学椅&＃xff0c;它们是极为重要的“人机接口”。前者可以用来延展英雄的输出能力&＃xff0c;后者可以用来治愈英雄的腰椎。

接下来简单介绍一下Python的七个最为重要的数据分析模块&＃xff0c;或者称之为七种武器。

长生剑&＃xff1a;Numpy

NumPy
是一个第三方的开源Python包&＃xff0c;是Python提供数值计算的基础模块&＃xff0c;也是Python生态中历史最为悠久的模块&＃xff0c;可称得上“长生”二字。用于科学计算&＃xff0c;其前身是1995年开始开发的基于一个用于数组运算的库&＃xff0c;经过长时间的发展&＃xff0c;基本上成了绝大多数Python科学计算的基础包。如果没有这柄长生剑&＃xff0c;就没有 办法做快速高效的向量化计算。它还提供了线性代数等高级矩阵运算功能&＃xff0c;另外还能集成C的代码&＃xff0c;让你出剑更加的快。

NumPy主要操作的对象是同种类型元素的多维数组/矩阵&＃xff0c;并提供大量科学计算&＃xff0c;尤其是线性代数&＃xff0c;简单数学&＃xff0c;逻辑&＃xff0c;排序&＃xff0c;选择&＃xff0c;I/O,傅立叶变换&＃xff0c;基本统计&＃xff0c;随机模拟&＃xff1b;而标准Python库中的array.array只提供少量功能。

标题碧玉刀&＃xff1a;SciPy

SciPy
是基于Numpy开发的高级模块&＃xff0c;它用于解决科学计算中的一些标准问题。例如数值积分和微分方程求解&＃xff0c;扩展的矩阵计算&＃xff0c;最优化&＃xff0c;概率分布和统计函数&＃xff0c;甚至包括信号处理。练习好碧玉刀和长生剑&＃xff0c;就足以解决常见的计算问题&＃xff0c;并不需要自己哼哧哼哧造轮子写函数了。

孔雀翎&＃xff1a;Matplotlib

Matplotlib
孔雀的尾羽聚合了世间所有的色彩&＃xff0c;做数据研究同样需要漂亮的可视化工具。Matplotlib是一个用于在Python中创建静态、动画和交互式可视化的全面库&＃xff0c;使简单的事情变得容易&＃xff0c;困难的事情成为可能。

Matplotlib是Python下最著名的绘图库&＃xff0c;提供了一整套和 Matlab相似的API&＃xff0c;十分适合交互式绘图。也可将它作为绘图控件&＃xff0c;嵌入各种应用程序中。Matplotlib附带几个附加项工具包&＃xff0c;包括用mplot3d&＃xff0c;斧头帮手axes_grid1和轴心帮手axisartist.。大量的第三方包扩展和构建Matplotlib功能&＃xff0c;包括几个高级绘图接口(海航, HoloViews, 格图)&＃xff0c;以及一个投影和映射工具包(卡托普)

多情环&＃xff1a;Pandas

Pandas
在数据整理阶段&＃xff0c;我们经常需要连接读定不同类型的数据源&＃xff0c;处理不同格式的数据对象&＃xff0c;如果只使用Numpy会很麻烦。Pandas使Python具备 了类似R的数据框对象。这样方便用于真实江湖的数据处理和分析&＃xff0c;它提供大量易用、高效的数据操作函数库&＃xff0c;能执行join以及其他SQL类似的功能来重塑数 据&＃xff0c;支持各种格式的输入输出数据。它与Python生态中的其它模块也有很好的整合&＃xff0c;多情环名不虚传。

离别钩&＃xff1a;Statsmodels

Statsmodels
状态模型是一个Python模块&＃xff0c;它提供类和函数&＃xff0c;用于估计许多不同的统计模型&＃xff0c;以及进行统计测试和统计数据探索。每个估计器都有大量的结果统计数据。这些结果将对照现有的统计数据进行测试&＃xff0c;以确保它们是正确的。该包是在开源修改的BSD(3-子句)许可下发布的。在线文档托管在Statsmodels.org.

是python中专门用于统计分析的模块&＃xff0c;提供各种回归模型函数&＃xff0c;包括广义回归和稳健回归&＃xff0c;还提供大量时间序列分析函数&＃xff0c;例如ARIMA/VAR&＃xff0c;各种经典假设检验和非参数方法一个都不少。有了离别钩&＃xff0c;你可以随时和R说离别。

霸王枪&＃xff1a;Scikit-learn

Scikit-learn

1. 简单有效的预测数据分析工具
2. 每个人都可以访问&＃xff0c;并在各种情况下可重用
3. 建立在NumPy、SciPy和Matplotlib之上
4. 开放源码&＃xff0c;商业用途-BSD许可证

是非常著名的机器学习库&＃xff0c;它提供一个统一的接口来使用不同模型&＃xff0c;有助于迅速地在数据集上应用流行的算法。它包含了许多用于 标准机器学习任务的工具&＃xff0c;例如聚类、分类和回归等。不仅是各种算法&＃xff0c;机器学习中重要的特征选择和模型评估均在模块中包含了。值得一提的另一个模块 gensim&＃xff1a;提供了词向量、主题模型等函数。有了这两种模块&＃xff0c;天下就绝没有不能解决的事。

一口箱子&＃xff1a;TensorFlow

TensorFlow

1. 轻松地构建模型 &＃xff1a;
   在即刻执行环境中使用 Keras 等直观的高阶 API轻松地构建和训练机器学习模型&＃xff0c;该环境使我们能够快速迭代模型并轻松地调试模型。
2. 随时随地进行可靠的机器学习生产 &＃xff1a;
   无论您使用哪种语言&＃xff0c;都可以在云端、本地、浏览器中或设备上轻松地训练和部署模型。
3. 强大的研究实验 &＃xff1a;
   一个简单而灵活的架构&＃xff0c;可以更快地将新想法从概念转化为代码&＃xff0c;然后创建出先进的模型&＃xff0c;并最终对外发布。

在Python生态中&＃xff0c;一口箱子只能属于 TensorFlow。它作为名门大派出品的深度学习框架&＃xff0c;一出世就备受瞩目。TensorFlow提供了C&＃43;&＃43;和python两种接口&＃xff0c;让你能高效的设 计各种机器学习算法&＃xff0c;并且能运行在各类硬件架构之上。此外还有各种强力组件搭配&＃xff0c;TensorBoard用于监控学习过程中的各项参 数&＃xff0c;TensorServer可用于生产环境的模型部署&＃xff0c;甚至传说还有TPU这种专门用于深度学习的芯片。

更多Python基础学习资源共享&＃xff0c;行业咨询&＃xff0c;兼职交流&＃xff0c;入门视频&＃xff0c;技术交流&＃xff0c;已经免费为各位小主准备好了&＃xff0c;请点击领取&＃xff0c;广告号勿进。

到这里结束了&＃xff0c;在数据江湖中&＃xff0c;没有顺手的武器&＃xff0c;英雄亦束手加班中。七种武器虽强&＃xff0c;但器物总是死的&＃xff0c;更重要的是从器物的把玩中&＃xff0c;能领悟到运用之妙&＃xff0c;数据之道。