2017年最受欢迎的十三大Python库

近年来，Python 在数据科学行业扮演着越来越重要的角色。因此，腾科小编在本文中列出了对数据科学家、工程师们最有用的那些库。

核心库

1. NumPy 

当开始处理Python中的科学任务，Python的SciPy Stack肯定可以提供帮助，它是专门为Python中科学计算而设计的软件集合。然而，SciPy Stack相当庞大，其中有十几个库，我们把焦点放在核心包上。关于建立科学计算栈，最基本的包是Numpy(Numerical Python)。它为Python中的n维数组和矩阵的操作提供了大量有用的功能。该库提供了NumPy数组类型的数学运算向量化，可以改善性能，从而加快执行速度。

2. SciPy

SciPy是一个工程和科学软件库。SciPy包含线性代数，优化，集成和统计的模块。SciPy库的主要功能是建立在NumPy上，从而它的数组大量的使用了NumPy的。它通过其特定子模块提供有效的数值例程，并作为数字积分、优化和其他例程。

3. Pandas

Pandas是一个Python包，旨在通过“标记”和“关系”数据进行工作，简单直观。Pandas是数据整理的完美工具。它设计用于快速简单的数据操作，聚合和可视化。库中有两个主要的数据结构：

• “系列”(Series)，一维

• “数据帧”(Data Frames)，二维

例如，当你要从这两种类型的结构中接收到一个新的Dataframe时，通过传递一个Series，将收到一个单独的行到DataFrame的DF：

这里稍微列出了你可以用Pandas做的事情：

• 轻松删除并添加数据帧(DataFrame)中的列
• 将数据结构转换为数据帧(DataFrame)对象
• 处理丢失的数据，表示为NaN
• 功能强大的分组

可视化

4.Matplotlib

又一个SciPy Stack核心软件包以及 Python库，Matplotlib为轻松生成简单而强大的可视化而量身定制。它是一个顶尖的软件，它使Python成为像MatLab或Mathematica这样的科学工具的竞争对手。然而，这个库是低层级的，这意味着你需要编写更多的代码才能达到高级的可视化效果，而且通常会比使用更多的高级工具付出更多的努力，但总体上这些努力是值得的。只要付出一点你就可以做任何可视化：

• 线图
• 散点图
• 条形图和直方图
• 饼状图;
• 茎图
• 轮廓图
• 场图
• 频谱图

还有使用Matplotlib创建标签，网格，图例和许多其他格式化实体的功能。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套件来描述所得到的可视化。不同的IDE(如IPython)都支持Matplotlib的功能。还有一些额外的库可以使可视化变得更加容易。

​

5. Seaborn

Seaborn主要关注统计模型的可视化;这种可视化包括热图，这些热图总结数据但仍描绘整体分布。Seaborn基于Matplotlib，并高度依赖于此。

6. Bokeh

另一个很不错的可视化库是Bokeh，它针对交互式可视化。与以前的库相比，它独立于Matplotlib。正如我们提到的，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)的风格呈现。

7. Plotly

它是一个基于Web用于构建可视化的工具箱，提供API给一些编程语言(Python在内)。在plot.ly网站上有一些强大的、上手即用的图形。为了使用Plotly，你将需要设置API密钥。图形将在服务器端处理，并发布到互联网。

机器学习

8. SciKit-Learn

Scikits是Scikits Stack额外的软件包，专为像图像处理和机器学习辅助等特定功能而设计。对于机器学习辅助，scikit-learn是所有软件包里最突出的一个。它建立在SciPy之上，并大量利用它的数学运算。scikit-learn给常见的机器学习算法公开了一个简洁、一致的接口，可简单地将机器学习带入生产系统中。该库中集成了有质量的代码和良好的文档、简单易用并且十分高效，是使用Python进行机器学习的实际行业标准。

9.Theano

Theano是一个Python软件包，它定义了与NumPy类似的多维数组，以及数学运算和表达式。此库是被编译的，可实现在所有架构上的高效运行。最初由蒙特利尔大学机器学习组开发，它主要用于满足机器学习的需求。值得注意的是，Theano紧密结合了NumPy在低层次上的运算 。另外，该库还优化了GPU和CPU的使用，使数据密集型的计算平台性能更佳。

10. TensorFlow

TensorFlow来自Google的开发人员，它是数据流图计算的开源库，为机器学习不断打磨。它旨在满足谷歌对训练神经网络的高需求，并且是基于神经网络的机器学习系统DistBelief的继任者。然而，TensorFlow并不限制于谷歌的科学应用范围，它可以通用于多种多样的现实应用中。

11. Keras

它是一个用Python编写的开源的库，用于在高层的接口上构建神经网络。它简单易懂，具有高级可扩展性。Keras使用Theano或TensorFlow作为后端，但微软现在正努力整合CNTK(微软的认知工具包)作为新的后端。Keras真的容易上手，并在持续完善它的快速原型能力。它完全用Python编写，可被高度模块化和扩展。尽管它以易上手、简单和以高层次为导向，但是Keras足够有深度并且足够强大，去支持复杂的模型。

数据挖掘，统计学

12. Scrapy

Scrapy库是用于从网络结构化检索数据(如联系人信息或URL)，可以用来设计crawling程序(也称为蜘蛛bots)。最开始只是如它的名字暗示的一样，只用来做scraping，但是它现在已经在完整的框架中发展，能够从API采集数据并作为通用的crawlers了。该库在界面设计中标榜着“不要重复自己” 它推荐用户们编写泛化得到、可被重复使用的通用代码，从而构建和扩展大型的crawlers。

13. Statsmodels

statsmodels使用户能够通过使用各种统计模型的估算方法进行数据挖掘，并执行统计判断和分析。许多有用的特征是可被描述的，并通过使用线性回归模型、广义线性模型、离散选择模型、鲁棒线性模型、时间序列分析模型，各种估计方法得出统计结果。这个库还提供了广泛的标定功能，专门用于大数据统计中的性能优化工作。

当然，这不是完全详尽的列表，还有许多其他的库和框架同样值得关注。