盘点2017年15个最常用的数据处理python库

《盘点2017年15个最常用的数据处理python库》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、盘点2017年15个最常用的数据处理python库由于近年来Python在数据科学领域获得了很大的推动，我想根据最近的经验，为数据科学家和工程师列出一些最有用的库。而且，由于所有库都是开源的，我们增加了来自Github的提交，贡献者数量和其他指标，这可以作为库流行度的代理指标。核心库1.NumPy（提交：15980，贡献者：522）当开始处理Python中的科学任务时，不可避免地会对Python的SciPyStack有所帮助，SciPyStack是专门为Python中的科学计算而设计的软件的集合（不要与作为该堆栈的一部分的SciPy库混淆，围绕这个堆栈的社区）。这样我们就想先看看它。然而

2、，这个堆栈非常庞大，其中有十几个库，我们希望把重点放在核心包（特别是最重要的包）上。科学计算栈所建立的最基本的软件包是NumPy（代表NumericalPython）。它为Python中的n数组和矩阵操作提供了丰富的有用特性。该库提供了对NumPy数组类型的数学运算的矢量化，从而改善了性能，并相应地加快了执行速度。2.SciPy（提交：17213，贡献者：489）SciPy是一个工程和科学软件库。再次，您需要了解SciPyStack和SciPyLibrary之间的区别。SciPy包含用于线性代数，优化，集成和统计的模块。SciPy库的主要功能建立在NumPy之上，因此它的阵列大量使用了N

3、umPy。它通过其特定的子模块提供了有效的数值例程，如数值积分，优化等等。SciPy的所有子模块的功能都有很好的记录-另一个硬币在它的锅里。3.熊猫（承诺：15089，贡献者：762）Pandas是一个Python包，旨在简单直观地处理“标记”和“关系”数据。熊猫是数据争夺的最佳工具。它设计用于快速简便的数据处理，聚合和可视化。库中有两个主要的数据结构：“系列”-一维，“数据框架”是二维的。例如，当您想要从这两种类型的结构中接收到一个新的Dataframe时，您将通过传递一个Series来将一行添加到DataFrame中，从而得到这样的DF：这里只是一小部分你可以用熊猫做的事情：轻松从D

4、ataFrame中删除和添加列将数据结构转换为DataFrame对象处理缺失的数据，表示为NaN功能强大的分组可视化4.Matplotlib（提交：21754，贡献者：588）另一个SciPyStack核心软件包和另一个为轻松生成简单而强大的可视化生成的Python库是Matplotlib。这是一个顶尖的软件，使得Python（有NumPy，SciPy和Pandas的一些帮助）成为MatLab或Mathematica等科学工具的认知竞争者。但是，这个库是相当低级的，这意味着您需要编写更多的代码才能达到高级的可视化效果，而且如果使用更多的高级工具，您通常会付出更多的努力，但总体工作量是值得

5、的射击。通过一点努力，您可以制作任何可视化文件：线条图;散点图;条形图和直方图;饼状图;茎地块;等高线图;颤抖地块;频谱图。还有用Matplotlib创建标签，网格，图例和许多其他格式化实体的工具。基本上，一切都是可定制的。该库由不同的平台支持，并使用不同的GUI工具包来描述可视化结果。不同的IDE（如IPython）支持Matplotlib的功能。还有一些额外的库可以使可视化更容易。5.Seaborn（承诺：1699，贡献者：71）Seaborn主要关注统计模型的可视化;这样的可视化包括热图，那些总结数据但仍然描绘整体分布的热图。Seaborn基于Matplotlib并高度依赖于此。6

6、.散景（提交：15724，贡献者：223）另一个伟大的可视化库是Bokeh，它的目标是交互式可视化。与之前的库相比，这个库独立于Matplotlib。正如我们已经提到的，Bokeh的主要焦点是交互性，它通过现代浏览器以“数据驱动文档”（d3.js）的形式进行演示。7.Plotly（承诺：2486，贡献者：33）最后，关于Plotly的一句话。这是一个基于Web的工具箱，用于构建可视化，将API暴露给一些编程语言（其中的Python）。在plot.ly网站上有一些强大的，开箱即用的图形。为了使用Plotly，你需要设置你的API密钥。图形将被处理服务器端，并将张贴在互联网上，但有一种方法来

7、避免它。机器学习8.SciKit-Learn（提交：21793，贡献者：842）Scikits是SciPyStack的附加软件包，专门用于图像处理和机器学习等特定功能。就后者而言，这些套餐中最为突出的就是scikit-learn。该软件包构建在SciPy的顶部，并大量使用其数学运算。scikit-learn为常见的机器学习算法提供了一个简洁而一致的界面，使得将ML带入生产系统变得简单。该库结合了高质量的代码和良好的文档，易用性和高性