Python 数据分析库有哪些不同的类型？

---

毫无疑问，Python 是雇主在数据科学家技能组合中寻找的首要内容之一。它已迅速成为数据科学行业中的标准语言。它在全球数据科学调查中反复名列前茅，并且其普及程度还在不断增长！

但是，是什么让 Python 如此受数据科学家青睐呢？

就像我们的身体由多个器官组成，每个器官都有不同的功能，而心脏则使它们都能正常运转一样，Python 的核心为我们提供了一个易于编码、面向对象的高级语言（心脏）。对于每个任务类别，例如数学、数据挖掘、数据探索和可视化，我们都有一个特定的库（器官）。

Matplotlib

这毫无疑问是最好的 Python 库。可以从 Matplotlib 显示的数据中创建故事。另一个绘制二维图形的 SciPy Stack 库是 Matplotlib。

何时使用？可以使用 Python 绘图库 Matplotlib 提供的面向对象 API 将图形包含到程序中。它大致模拟了 Python 编程语言的嵌入式 MATLAB。

Theano

Theano 是另一个有用的 Python 包，它帮助数据科学家执行涉及大型多维数组的复杂计算。它更类似于 TensorFlow，但效率较低。

它被用于依赖分布式和并行计算的任务。它允许你指定、评估和优化支持数组的数学运算。由于实现了 numpy.ndarray 函数，因此它与 NumPy 密切相关。

由于其构建在 GPU 上的基础设施，它可以比 CPU 更快地处理任务。它适用于性能和稳定性增强，以提供所需的结果。

数据科学家经常使用其动态 C 代码生成器进行更快的评估。他们可以在模型中运行单元测试以查找错误。

Scikit Learn

Sklearn 是数据科学资源的瑞士军刀。它是数据科学工具箱中必不可少的工具，它将使你能够克服最初看起来难以逾越的挑战。简单地说，它用于开发机器学习模型。

Scikit-learn 是最实用的 Python 机器学习库。sklearn 包包含许多高效的机器学习和统计建模技术，包括分类、回归、聚类和降维。

Keras

用于创建和训练深度神经网络代码的高级 TensorFlow API 称为 Keras。它是一个开源的 Python 神经网络库。使用 Keras 简化的深度学习代码，处理文本、图形和统计数据变得更加容易。

毕竟，是什么让 Keras 与 TensorFlow 不同呢？

虽然 TensorFlow 是一个用于不同机器学习应用程序的开源工具包，但 Keras 是一个用于神经网络的 Python 库。虽然 Keras 仅提供高级 API，但 TensorFlow 提供高级和低级 API。由于 Keras 是为 Python 而创建的，因此它比 TensorFlow 更简洁、模块化和可组合。

SciPy

SciPy 是一个流行的免费开源 Python 数据研究工具包，用于复杂计算（科学 Python）。SciPy 社区在 GitHub 上拥有大约 19,000 条评论和 600 名活跃贡献者。由于它扩展了 NumPy 并提供了一些用户友好且高效的方法，因此它通常用于科学和技术计算。

Plotly

Plotly 是一个经典的 Python 图表绘制包。用户可以导入、复制、粘贴或流式传输数据以进行分析和可视化。Plotly 在沙箱中提供 Python（可以在其中运行功能有限的 Python）。沙盒一直难以理解，但我相信 Plotly 使它变得简单。

何时使用？如果你希望生成和显示图形、编辑或悬停在文本上以获取信息，则可以使用 Plotly。Plotly 提供的另一个功能是将信息发送到云服务器。这很有趣！

BeautifulSoup

即将推出的 Python 数据科学库称为 BeautifulSoup。这个流行的 Python 库的主要应用是网络爬虫和数据抓取。用户可能会从没有足够 CSV 或 API 的网站收集数据，BeautifulSoup 可以帮助他们进行数据抓取和必要的组织。

PyTorch

PyTorch 是数据科学家和研究人员最常用的机器学习库之一。它帮助他们创建动态计算网络、由 GPU 加速的快速张量计算以及其他许多复杂任务。PyTorch API 在神经网络方法中很有用。

由于混合前端 PyTorch 平台易于使用，我们可以进入图模式进行优化。它为用户提供了在异步组活动中生成正确结果的本机功能，并支持点对点通信。

如果软件对 ONNX（开放神经网络交换）有本机支持，则可以导出模型以使用可视化工具、平台、运行时和其他资源。PyTorch 最好的功能是它能够提供基于云的环境，以便在部署期间轻松扩展资源。

结论

这绝不是一个完整的列表，因为 Python 环境还包括大量其他用于开发算法和执行机器学习任务的工具。许多这些工具将被从事基于 Python 的数据科学项目的软件工程师和数据科学家使用，因为它们对于在 Python 中创建强大的 ML 模型至关重要。