盘点数据科学最流行的29个Python库

作者：保罗·戴特尔（Paul Deitel）、哈维·戴特尔（Harvey Deitel）

来源：大数据DT（ID：hzdashuju）

• 16 / 29

1. collections：建立在列表、元组、字典和集合基础上的加强版数据结构。
2. csv：处理用逗号分隔值的文件。
3. datetime, time：日期和时间操作。
4. decimal：定点或浮点运算，包括货币计算。
5. doctest：通过验证测试或嵌入在docstring中的预期结果进行简单的单元测试。
6. json：处理用于Web服务和NoSQL文档数据库的JSON（JavaScript Object Notation）数据。
7. math：常见的数学常量和运算。
8. os：与操作系统进行交互。
9. queue：一种先进先出的数据结构。
10. random：伪随机数操作。
11. re：用于模式匹配的正则表达式。
12. sqlite3：SQLite关系数据库访问。
    
13. statistics：数理统计函数，如均值、中值、众数和方差等。
14. string：字符串操作。
15. sys：—命令行参数处理，如标准输入流、输出流和错误流。
16. timeit：性能分析。

• 3 / 29

1. NumPy（Numerical Python）：Python没有内置的数组数据结构。它提供的列表类型虽然使用起来更方便，但是处理速度较慢。NumPy提供了高性能的ndarray数据结构来表示列表和矩阵，同时还提供了处理这些数据结构的操作。
2. SciPy（Scientific Python）：SciPy基于NumPy开发，增加了用于科学处理的程序，例如积分、微分方程、额外的矩阵处理等。scipy.org负责管理SciPy和NumPy。
3. StatsModels：为统计模型评估、统计测试和统计数据研究提供支持。

• 1 / 29

1. pandas：一个非常流行的数据处理库。pandas充分利用了NumPy的ndarray类型，它的两个关键数据结构是Series（一维）和DataFrame（二维）。

• 2 / 29

1. Matplotlib：可高度定制的可视化和绘图库。Matplotlib可以绘制正规图、散点图、柱状图、等高线图、饼图、矢量场图、网格图、极坐标图、3D图以及添加文字说明等。
2. Seaborn：基于Matplotlib构建的更高级别的可视化库。与Matplotlib相比，Seaborn改进了外观，增加了可视化的方法，并且可以使用更少的代码创建可视化。

• 4 / 29

1. scikit-learn：一个顶级的机器学习库。机器学习是AI的一个子集，深度学习则是机器学习的一个子集，专注于神经网络。
2. Keras：最易于使用的深度学习库之一。Keras运行在TensorFlow（谷歌）、CNTK（微软的深度学习认知工具包）或Theano（蒙特利尔大学）之上。
3. TensorFlow：由谷歌开发，是使用最广泛的深度学习库。TensorFlow与GPU（图形处理单元）或谷歌的定制TPU（Tensor处理单元）配合使用可以获得最佳的性能。TensorFlow在人工智能和大数据分析中有非常重要的地位，因为人工智能和大数据对数据处理的需求非常巨大。
4. OpenAI Gym：用于开发、测试和比较强化学习算法的库和开发环境。

• 3 / 29

1. NLTK（Natural Language Toolkit）：用于完成自然语言处理（NLP）任务。
2. TextBlob：一个面向对象的NLP文本处理库，基于NLTK和模式NLP库构建，简化了许多NLP任务。
3. Gensim：功能与NLTK类似。通常用于为文档合集构建索引，然后确定另一个文档与索引中每个文档的相似程度。