Python 是當今使用最廣泛的編程語言之一，大多數資料科學家每天都在用Python進行資料分析，這10個Python庫是資料科學家幾乎每天都用到的，在線認證培訓課程專家｜圣普倫和大家分享一下，
資料科學常用的10大Python庫
1. TensorFlow
2. SciPy
3. NumPy
4. Pandas
5. Matplotlib
6. Keras
7. Scikit-learn
8. PyTorch
9. Scrapy
10. BeautifulSoup
1. TensorFlow
TensorFlow是一個端到端開源機器學習平臺，活躍貢獻者1500多名，它擁有一個全面而靈活的生態系統，其中包含各種工具、庫和社區資源，可助力研究人員推動先進機器學習技術，
特征：
- 更好的計算圖可視化
- 將神經機器學習中的錯誤減少 50% 到 60%
- 并行計算以執行復雜模型
- 由 Google 支持的無縫圖書館管理
- 迭代更快頻繁，常常更新最新功能
TensorFlow 對于以下應用程式特別有用：
- 語音和影像識別
- 基于文本的應用程式
- 時間序列分析
- 視頻檢測
2. SciPy
SciPy (Scientific Python) 是另一個用于資料科學的免費和開源的 Python 庫，廣泛用于高級計算，SciPy 在 GitHub 上有大約 19,000 條評論，并擁有一個由大約 600 名貢獻者組成的活躍社區，
特征：
- 基于 Python 的 NumPy 擴展構建的演算法和函式的集合
- 用于資料操作和可視化的高級命令
- 使用 SciPy ndimage 子模塊進行多維影像處理
- 包括用于求解微分方程的函式
應用：
- 多維影像操作
- 求解微分方程和傅里葉變換
- 優化演算法
- 線性代數
3. NumPy
NumPy (Numerical Python) 是 Python 中數值計算的基礎包；它包含一個強大的 N 維陣列物件，它在 GitHub 上有大約 18,000 條評論和一個由 700 名貢獻者組成的活躍社區，
NumPy可用來存盤和處理大型矩陣，比Python自身的嵌套串列（nested list structure)結構要高效得多（該結構也可以用來表示矩陣（matrix）），支持大量的維度陣列與矩陣運算，此外也針對陣列運算提供大量的數學函式庫，
特征：
- 為數值例程提供快速的預編譯函式
- 提高面向陣列的計算效率
- 支持面向物件的方法
- 使用矢量化進行更快速的計算
應用：
- 廣泛用于資料分析
- 創建強大的 N 維陣列
- 構成其他庫的基礎，例如 SciPy 和 scikit-learn
4. Pandas
Pandas（Python 資料分析）是資料科學生命周期中的必備工具，它是資料科學中最流行和使用最廣泛的 Python 庫之一，在 GitHub 上有大約 17,00 條評論和一個由 1,200 名貢獻者組成的活躍社區，它被大量用于資料分析和資料清理，Pandas 提供快速、靈活的資料結構，旨在幫助用戶輕松直觀地處理結構化資料，
特征：
- 豐富的語法和功能，讓用戶可以自由地處理丟失的資料
- 能夠幫助創建自己的函式并在一系列資料中運行它
- 包含高級資料結構和操作工具
- 可以從各種檔案格式比如 CSV、JSON、SQL、Microsoft Excel 匯入資料
- 可以對各種資料進行運算操作，比如歸并、再成形、選擇，還有資料清洗和資料加工特征
應用：
- 通用資料整理和資料清洗
- 用于資料轉換和資料存盤的 ETL（提取、轉換、加載）作業，因為它非常支持將 CSV 檔案加載到其資料幀格式中
5. Matplotlib
Matplotlib 是 Python 中最受歡迎的資料可視化軟體包之一，支持跨平臺運行，它是 Python 常用的 2D 繪圖庫，同時它也提供了一部分 3D 繪圖介面，Matplotlib 通常與 NumPy、Pandas 一起使用，是資料分析中不可或缺的重要工具之一，可視化效果絕佳，它還提供了一個面向物件的 API，可用于將這些繪圖嵌入到應用程式中，
特征：
- 具有免費和開源的優勢
- 支持數十種后端和輸出格式型別
- Pandas本身可以用作 MATLAB API 的包裝器
- 更低記憶體能
應用：
- 資料可視化，幫助用戶獲得資料洞察力
- 變數的相關性分析
- 使用散點圖進行例外值檢測
6. Keras
Keras是一個由Python撰寫的開源人工神經網路庫，可以作為Tensorflow、Microsoft-CNTK和Theano的高階應用程式介面，進行深度學習模型的設計、除錯、評估、應用和可視化，
它與 TensorFlow 類似，是另一個廣泛用于深度學習和神經網路模塊的流行庫，同時支持 TensorFlow 和 Theano 后端，因此如果你覺得了解TensorFlow的細節好麻煩，Keras會是一個不錯的選擇，
特征：
Keras 提供了大量的預標記資料集，可直接匯入和加載
它包含各種層和引數，可用于神經網路的構建、配置、訓練和評估
應用：
Keras最重要的應用之一是具有預訓練權重的深度學習模型，你可以直接使用這些模型進行預測或提取其特征，無需創建或訓練自己的新模型，
7. Scikit-learn
它是一個機器學習庫，提供了幾乎所有的機器學習演算法，它具有各種分類，回歸和聚類演算法，包括支持向量機，隨機森林，梯度提升，k均值和DBSCAN，并且旨在與Python數值科學庫NumPy和SciPy聯合使用，
應用：
- 聚類
- 分類
- 回歸
- 型號選擇
- 降維
8. PyTorch
它是一個基于Python的可續計算包，提供兩個高級功能：1、具有強大的GPU加速的張量計算（如NumPy），2、包含自動求導系統的深度神經網路，PyTorch 是最常用的深度學習研究平臺之一，提供最大的靈活性和速度，
應用：
- PyTorch 以提供兩個最高級別的功能而聞名
- 具有強大 GPU 加速支持的張量計算
- 在基于磁帶的 autograd 系統上構建深度神經網路
9. Scrapy
Scrapy 是用 Python 撰寫的最流行的、快速的、開源的網路爬蟲框架之一，它通常用于借助基于 XPath 的選擇器從網頁中提取資料，
應用：
- Scrapy 有助于構建可以從網路檢索結構化資料的爬蟲程式（蜘蛛機器人）
- Scrappy 還用于從 API 收集資料，并在其界面設計中遵循“不要重復自己”的原則，幫助用戶撰寫可用于構建和擴展大型爬蟲的通用代碼，
10. BeautifulSoup
BeautifulSoup是一個可以從HTML或XML檔案中提取資料的Python庫.它能夠通過你喜歡的轉換器實作慣用的檔案導航,查找,修改檔案的方式.BeautifulSoup會幫你節省數小時甚至數天的作業時間，BeautifulSoup以網路爬取和資料抓取而聞名，
用戶可以在沒有適當的 CSV 或 API 的情況下收集某些網站上可用的資料，BeautifulSoup 可以幫助他們抓取這些資料并將其排列成所需的格式，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/419092.html
標籤：AI