3个用于数据科学的顶级Python库

 Python许多吸引人的个用特点如效率、代码可读性和速度使它成为数据科学爱好者的于数首选编程语言。对于希望提升应用程序功能的据科数据科学家和机器学习专家来说，Python通常是顶级首选。(例如，个用Andrey Bulezyuk使用Python编程语言创建了一个令人惊叹的于数机器学习应用程序。)

由于Python的据科广泛使用，它有大量的顶级库，使数据科学家可以更容易地完成复杂的个用任务，而不需要应付太多麻烦的于数编码。以下是据科用于数据科学的3个顶级Python库; 如果你想在这个领域开始你的职业生涯，看看他们吧。顶级

1. NumPy

NumPy是个用顶级库之一，它提供了有用的于数资源，帮助数据科学家将Python转变为强大的据科科学分析和建模工具。这个流行的开源库可以在BSD许可下获得。它是执行基本科学计算任务的高防服务器Python库。此外NumPy是一个更大的基于python的开放源码工具生态系统(称为SciPy)的一部分。

该库为Python提供了大量的数据结构，以便轻松地执行与多维数组和矩阵相关的计算。除了用于解线性代数方程和进行其他数学计算之外，NumPy还被用作不同类型的数据的通用多维容器。

此外，它完美地集成了其他编程语言，如C/C++和Fortran。NumPy库的多功能性使它能够轻松、快速地与其它数据库和工具结合在一起。例如，让我们看看NumPy(缩写为np)如何用于两个矩阵的乘法计算。

让我们从导入库开始。

import numpy as np 

接下来，让我们使用eye()函数生成具有指定维数的单位矩阵。

matrix_one = np.eye(3) matrix_one 

以下是输出:

array([[1., 0., 0.],        [0., 1., 0.],        [0., 0., 1.]]) 

我们来生成另一个3x3矩阵。

我们将使用arange([starting number]，[stopping number])函数来生成数据。注意，函数中的服务器租用第一个参数是要列出的初始数字，最后一个数字不包括在生成的结果中。

此外，还应用reshape()函数将原始生成的矩阵的维度修改为所需的维度。要使矩阵“可乘”，它们的维数应该相同。

matrix_two = np.arange(1,10).reshape(3,3) matrix_two 

以下是输出:

array([[1, 2, 3],        [4, 5, 6],        [7, 8, 9]]) 

让我们使用dot()函数来将两个矩阵相乘。

matrix_multiply = np.dot(matrix_one, matrix_two) matrix_multiply 

以下是输出:

array([[1., 2., 3.],        [4., 5., 6.],        [7., 8., 9.]]) 

太棒了!

我们设法在不使用普通Python的情况下将两个矩阵相乘。

下面是这个例子的全部代码:

import numpy as np #generating a 3 by 3 identity matrix matrix_one = np.eye(3) matrix_one #generating another 3 by 3 matrix for multiplication matrix_two = np.arange(1,10).reshape(3,3) matrix_two #multiplying the two arrays matrix_multiply = np.dot(matrix_one, matrix_two) matrix_multiply 

2. Pandas

Pandas是另一个可以增强您的数据科学Python技能的优秀库。就像NumPy一样，它属于SciPy开源软件家族，可以在BSD自由软件许可下使用。

Pandas提供了多种功能强大的工具，用于分析数据结构和执行通用的数据分析。该库可以很好地处理不完整的、服务器托管非结构化的和无序的真实数据，并提供了用于形成、聚合、分析和可视化数据集的工具。

在这个库中有三种类型的数据结构:

Series: 单维齐次数组 DataFrame: 具有不同类型列的二维数据 Panel: 三维，大小可变的数组

例如，让我们看看如何使用Panda Python库(缩写为pd)执行一些统计计算。

让我们从导入库开始。

import pandas as pd 

让我们创建一个Series的字典。

d = { Name:pd.Series([Alfrick,Michael,Wendy,Paul,Dusan,George,Andreas,    Irene,Sagar,Simon,James,Rose]),    Years of Experience:pd.Series([5,9,1,4,3,4,7,9,6,8,3,1]),    Programming Language:pd.Series([Python,JavaScript,PHP,C++,Java,Scala,React,Ruby,Angular,PHP,Python,JavaScript])     } 

让我们创建一个DataFrame。

df = pd.DataFrame(d) 

这是一个很好的输出表:

      Name Programming Language  Years of Experience 0   Alfrick               Python                    5 1   Michael           JavaScript                    9 2     Wendy                  PHP                    1 3      Paul                  C++                    4 4     Dusan                 Java                    3 5    George                Scala                    4 6   Andreas                React                    7 7     Irene                 Ruby                    9 8     Sagar              Angular                    6 9     Simon                  PHP                    8 10    James               Python                    3 11     Rose           JavaScript                    1 

下面是这个例子的全部代码:

import pandas as pd #creating a dictionary of series d = { Name:pd.Series([Alfrick,Michael,Wendy,Paul,Dusan,George,Andreas,    Irene,Sagar,Simon,James,Rose]),    Years of Experience:pd.Series([5,9,1,4,3,4,7,9,6,8,3,1]),    Programming Language:pd.Series([Python,JavaScript,PHP,C++,Java,Scala,React,Ruby,Angular,PHP,Python,JavaScript])     } ​ #Create a DataFrame df = pd.DataFrame(d) print(df) 

3. Matplotlib

Matplotlib也是SciPy核心包的一部分，并在BSD许可下提供。它是一个流行的Python科学库，用于生成简单而强大的图表。您可以使用该Python框架进行数据科学研究，以生成有创意的图形、图表、直方图和其他形状的图形—而无需编写很多行代码。例如，让我们看看如何使用Matplotlib库创建一个简单的条形图。

让我们从导入库开始。

from matplotlib import pyplot as plt 

让我们生成x轴和y轴的值。

x = [2, 4, 6, 8, 10] y = [10, 11, 6, 7, 4] 

让我们调用绘制柱状图的函数。

plt.bar(x,y) 

让我们来看看绘图。

plt.show() 

这是柱状图:

下面是这个例子的全部代码: #importing Matplotlib Python library from matplotlib import pyplot as plt #same as import matplotlib.pyplot as plt #generating values for x-axis x = [2, 4, 6, 8, 10] #generating vaues for y-axis y = [10, 11, 6, 7, 4] #calling function for plotting the bar chart plt.bar(x,y) #showing the plot plt.show() 

结语

Python编程语言在数据处理和分析方面一直做得很好，但在复杂的科学数据分析和建模方面就不那么好了。顶级的Python框架data science有助于填补这一空白，允许您执行复杂的数学计算并创建复杂的模型来理解您的数据。