※【python自学】7个Python生态系统核心库，你值得拥有

无论你是想快速入手Python，还是想成为数据分析大神或者机器学习大佬，亦或者对Python代码进行优化，本文的python库都能为你提供一些帮助。

一 概述

Python生态系统的一些核心基础数据分析库：

NumPy：支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，包含：

• 一个强大的N维数组对象 ndarray
• 广播功能函数
• 整合 C/C++/Fortran 代码的工具
• 线性代数、傅里叶变换、随机数生成等功能

SciPy：这也是一个功能强大的科学计算库，用于执行科学，数学和工程运算。包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。

Pandas：

• Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。
• Pandas 可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。
• Pandas 广泛应用在学术、金融、统计学等各个数据分析领域。

Scikit-learn：代表“机器学习的科学工具包”。它是一个机器学习库，提供了各种有监督和无监督的算法，例如回归，分类，降维，聚类分析和异常检测。

Matplotlib：这是一个核心的数据可视化库，并且是Python中所有其他可视化库的基础库。它提供2D和3D绘图，图形，图表以及用于数据浏览的图形。它在NumPy和SciPy之上运行。

Seaborn：这是基于Matplotlib的，提供了易于绘制，高层次，互动性和更有条理的平面图。

Plotly：Plotly是一个数据可视化库。它提供了高质量的交互式图表，例如散点图，折线图，条形图，直方图，箱形图，热图和子图。

二 官网链接

三 安装指南

各组件的安装方法类似，以NumPy为参考。

Python 官网上的发行版是不包含 NumPy 模块的，我们可以使用以下几种方法来安装。

3.1、使用已有的发行版本

对于许多用户，尤其是在 Windows 上，最简单的方法是下载以下的 Python 发行版，它们包含了所有的关键包（包括 NumPy，SciPy，matplotlib，IPython，SymPy 以及 Python 核心自带的其它包）：

• Anaconda: 免费 Python 发行版，用于进行大规模数据处理、预测分析，和科学计算，致力于简化包的管理和部署。支持 Linux, Windows 和 Mac 系统。
• Enthought Canopy: 提供了免费和商业发行版。持 Linux, Windows 和 Mac 系统。
• Python(x,y): 免费的 Python 发行版，包含了完整的 Python 语言开发包 及 Spyder IDE。支持 Windows，仅限 Python 2 版本。
• WinPython: 另一个免费的 Python 发行版，包含科学计算包与 Spyder IDE。支持 Windows。
• Pyzo: 基于 Anaconda 的免费发行版本及 IEP 的交互开发环境，超轻量级。 支持 Linux, Windows 和 Mac 系统。

3.2、使用 pip 安装

安装 NumPy 最简单的方法就是使用 pip 工具：

pip3 install --user numpy scipy matplotlib

--user 选项可以设置只安装在当前的用户下，而不是写入到系统目录。

默认情况使用国外线路，国外太慢，我们使用清华的镜像就可以:

pip3 install numpy scipy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

3.3、使用pycharm安装

1. 点击 pycharm
2. 点击 preferences
3. 点击 python interpreter
4. 点击 +
5. 检索安装

3.4、安装验证

测试是否安装成功：

>>> from numpy import *
>>> eye(4)
array([[1., 0., 0., 0.],
       [0., 1., 0., 0.],
       [0., 0., 1., 0.],
       [0., 0., 0., 1.]])

四 上手应用

以NumPy为例，更多玩法请查看官方文档。

numpy.vdot() 函数是两个向量的点积。 如果第一个参数是复数，那么它的共轭复数会用于计算。 如果参数是多维数组，它会被展开。

import numpy as np

a = np.array([[1,2],[3,4]])

b = np.array([[11,12],[13,14]])

# vdot 将数组展开计算内积

print(np.vdot(a,b))

输出结果为：

130