CDA数据分析师 出品

作者：Terence Shin

编译：Mika

学习数据分析绝非易事，有无数种工具和资源可供使用。因此，有时会让我们很难弄清楚该学习什么技能，该使用哪种工具。

在本文中，我们就来给大家介绍一下——数据分析中最常用的10个Python库。看看这些库你都用过吗？

01 Pandas

在数据分析师的日常工作中，70%到80%都涉及到理解和清理数据，也就是数据探索和数据挖掘。

Pandas主要用于数据分析，这是最常用的Python库之一。它为你提供了一些最有用的工具来对数据进行探索、清理和分析。使用Pandas，你可以加载、准备、操作和分析各种结构化数据。

02 NumPy

NumPy主要用于支持N维数组。这些多维数组的稳健性是Python列表的50倍，这也让NumPy成为许多数据科学家的最爱。

NumPy被TensorFlow等其他库用于张量的内部计算。NumPy为数值例程提供了快速的预编译函数，这些函数可能很难手动求解。为了获得更好的效率，NumPy使用面向数组的计算，从而能够轻松的处理多个类。

03 Scikit-learn

Scikit-learn可以说是Python中最重要的机器学习库。在使用Pandas或NumPy清理和处理数据之后，可以通过Scikit-learn用于构建机器学习模型，这是由于Scikit-learn包含了大量用于预测建模和分析的工具。

使用Scikit-learn有很多优势。比如，你可以使用Scikit-learn构建几种类型的机器学习模型，包括监督和非监督模型，交叉验证模型的准确性，进行特征重要性分析。

04 Gradio

Gradio让你只需三行代码即可为机器学习模型构建和部署web应用程序。它的用途与Streamlight或Flask相同，但部署模型要快得多，也容易得多。

Gradio的优势在于以下几点：

允许进一步的模型验证。具体来说，可以用交互方式测试模型中的不同输入易于进行演示易于实现和分发，任何人都可以通过公共链接访问web应用程序。05 TensorFlow

TensorFlow是用于实现神经网络的最流行的 Python 库之一。它使用多维数组，也称为张量，能对特定输入执行多个操作。

因为它本质上是高度并行的，因此可以训练多个神经网络和GPU以获得高效和可伸缩的模型。TensorFlow的这一特性也称为流水线。

06 Keras

Keras主要用于创建深度学习模型，特别是神经网络。它建立在TensorFlow和Theano之上，能够用它简单地构建神经网络。但由于Keras使用后端基础设施生成计算图，因此与其他库相比，它的速度相对较慢。

07 SciPy

SciPy主要用于其科学函数和从NumPy派生的数学函数。该库提供的功能有统计功能、优化功能和信号处理功能。为了求解微分方程并提供优化，它包括数值计算积分的函数。SciPy的优势在于：

多维图像处理解决傅里叶变换和微分方程的能力由于其优化算法，可以非常稳健和高效地进行线性代数计算08 Statsmodels

Statsmodels是擅长进行核心统计的库。这个多功能库混合了许多 Python 库的功能，比如从 Matplotlib 中获取图形特性和函数；数据处理；使用 Pandas，处理类似 R 的公式；使用 Pasty，并基于 NumPy 和 SciPy 构建。

具体来说，它对于创建OLS等统计模型以及执行统计测试非常有用。

09 Plotly

Plotly绝对是构建可视化的必备工具，它非常强大，易于使用，并且能够与可视化交互。

与Plotly一起使用的还有Dash，它是能使用Plotly可视化构建动态仪表板的工具。Dash是基于web的Python接口，它解决了这类分析web应用程序中对JavaScript的需求，并让你能在线和离线状态下进行绘图。

10 Seaborn

Seaborn建立在Matplotlib上，是能够创建不同可视化效果的库。

Seaborn最重要的功能之一是创建放大的数据视觉效果。从而让最初不明显的相关性能突显出来，使数据工作人员能够更正确地理解模型。

Seaborn还有可定制的主题和界面，并且提供了具有设计感的数据可视化效果，能更好地在进行数据汇报。

参考链接：