Python數(shù)據(jù)分析工具介紹

有些網(wǎng)友對Python數(shù)據(jù)分析工具認識不是很全面，本文將整理如下：

1) NumPy：全稱Numerical Python，是Python科學計算的基礎包。功能主要包括：

① 快速高效的多維數(shù)組對象ndarray(numerical data array);

②用于對數(shù)組執(zhí)行元素級計算以及直接對數(shù)組執(zhí)行數(shù)學運算的函數(shù);

③用于讀取硬盤上基于數(shù)組的數(shù)據(jù)集的工具;

④ 線性代數(shù)運算，傅里葉變換，以及隨機數(shù)生成;

⑤ 用于將C、C++、Fortran代碼集成到Python的工具。

NumPy數(shù)組在存儲和處理數(shù)據(jù)時要比內(nèi)置的Python數(shù)據(jù)結(jié)構(gòu)高效得多。此外，用低級語言(如C和Fortran)編寫的庫可以直接操作NumPy數(shù)組中的數(shù)據(jù)，無需進行任何數(shù)據(jù)復制工作。

2) Pandas：名字源自于Panel Data和Python Data Analysis。提供了快速便捷的處理結(jié)構(gòu)化數(shù)據(jù)的大量數(shù)據(jù)結(jié)構(gòu)和函數(shù)，它是使Python稱為強大而高效的數(shù)據(jù)分析環(huán)境的重要因素之一。用得較多的數(shù)據(jù)對象是DataFrame(面向列的二維表結(jié)構(gòu))。

Pandas兼具NumPy高性能的數(shù)組計算功能以及電子表格和關(guān)系型數(shù)據(jù)庫(如SQL)靈活的數(shù)據(jù)處理功能，也提供了復雜精細的索引功能(用于分片、切片、聚合、選取子集等)。

3) matplotlib：最流行的繪制數(shù)據(jù)圖表的Python庫。它和Ipython結(jié)合的很好。

4) IPython：是Python科學計算標準工具集的組成部分，它將其他所有的東西聯(lián)系到了一起，為交互式和探索式計算提供了強健高效的環(huán)境，它是一個增強的Python Shell。

在用Python編程時經(jīng)常用到IPython，包括運行、調(diào)試和測試代碼。

IPython啟動時使用ipython --pylab命令以pylab模式打開可以直接畫圖，pylab是matplotlib的一個子模塊，也可以通過使用import pylab as pl方式使用(pl.plot(x, y)，x,y為list)。

IPython notebook改為Jupyternotebook了，notebook模塊從IPython中單獨拉出來了，這樣IPython的安裝更加小了。使用pip install jupyternotebook 安裝(如果使用pipinstall jupyter則安裝jupyter，除了notebook還包含其他工具)。

5) SciPy：是一組專門解決科學計算中各種標準問題域的包的集合。主要包括下面這些包：

scipy.integrate：數(shù)值積分例程和微分方程求解器;

scipy.linalg：擴展了由numpy.linalg提供的線性代數(shù)例程和矩陣分解功能;

scipy.optimize：函數(shù)優(yōu)化器(最小化器)以及根查找算法;

scipy.signal：信號處理工具;

scipy.sparse：稀疏矩陣和稀疏線性系統(tǒng)求解器;

scipy.special：specfun(這是一個實現(xiàn)了許多常用數(shù)學函數(shù)(如伽瑪函數(shù))的Fortran庫)的包裝器;

scipy.stats：標準連續(xù)和離散概率分布(如密度函數(shù)、采樣器、連續(xù)分布函數(shù)等)，各種統(tǒng)計檢驗方法以及更好的描述統(tǒng)計法;

scipy.weave：利用內(nèi)聯(lián)C++代碼加速數(shù)組計算的工具。

NumPy和SciPy的有機結(jié)合完全可以取代Matlab的計算功能。

注：本文來源于網(wǎng)絡。