使用的 Python 数据分析库有哪些不同类型?
毫无疑问，Python 是雇主在数据科学家的技能组合中首先寻找的东西之一。它已迅速成为数据科学行业的标准语言。它在全球数据科学民意调查中屡屡名列第一，而且它的普及程度还在不断提高!
但是，对于数据科学家来说，Python 有什么如此大的不同之处呢?
就像我们的身体由几个用于各种目的的器官和一个维持它们正常运转的心脏组成一样，Python 的核心让我们能够使用一种易于编码、面向对象的高级语言(心脏)。对于每个任务类别，例如数学、数据挖掘、数据探索和可视化，我们都有一个特定的库(器官)。
Matplotlib
毫无疑问，这是最好的 Python 库。可以根据 Matplotlib 显示的数据制作故事。另一个绘制 2D 图形的 SciPy Stack 库是 Matplotlib。
何时使用?可以使用 Python 图表库 Matplotlib 提供的面向对象 API 将图形包含在程序中。它大致模仿了 Python 编程语言的嵌入式 MATLAB。
Theano
Theano 是另一个有用的 Python 包，可帮助数据科学家执行涉及大型多维数组的复杂计算。它更类似于 TensorFlow，只是效率较低。
它被用于依赖分布式和并行计算的活动。它允许您指定、评估和优化支持数组的数学运算。由于 numpy.ndarray 函数的实现，它与 NumPy 紧密相关。
由于基于 GPU 构建的基础设施，它可以比 CPU 更快地处理活动。它适用于提供所需结果的性能和稳定性增强。
数据科学家经常使用其动态 C 代码生成器进行更快的评估。他们可能会运行单元测试来查找整个模型中的错误。
Scikit Learn
Sklearn 是数据科学资源的瑞士军刀。它是数据科学工具箱中必不可少的工具，可帮助您克服最初看似无法克服的挑战。简而言之，它用于机器学习模型的开发。
Scikit-learn 是机器学习最有用的 Python 库。sklearn 包包含许多有效的机器学习和统计建模技术，包括分类、回归、聚类和降维。
Keras
用于创建和训练深度神经网络代码的高级 TensorFlow API 称为 Keras。它是一个开源的 Python 神经网络库。使用 Keras 的精简深度学习代码，处理文本、图形和统计数据要简单得多。
毕竟，Keras 与 TensorFlow 有什么区别?
虽然 TensorFlow 是用于不同机器学习应用程序的开源工具包，但 Keras 是用于神经网络的 Python 库。虽然 Keras 仅提供高级 API，但 TensorFlow 提供高级和低级 API。由于 Keras 是为 Python 创建的，因此它比 TensorFlow 更加精简、模块化和可组合。
SciPy
SciPy 是一款流行的免费开源 Python 工具包，用于数据研究，用于复杂的计算(科学 Python)。GitHub 上的 SciPy 社区由大约 19,000 条评论和 600 名活跃贡献者组成。它经常用于科学和技术计算，因为它扩展了 NumPy 并提供了许多用户友好且有效的方法。
Plotly
用于图形图表的经典 Python 包是 Plotly。用户可以导入、复制、粘贴或流式传输数据以进行分析和可视化。Plotly 在沙盒中提供 Python(您可以在其中运行功能有限的 Python)。沙盒很难掌握，但我确信 Plotly 使它变得简单。
何时使用?如果您希望生成和显示图形、编辑或将鼠标悬停在文本上以获取信息，则可以使用 Plotly。将信息发送到云服务器是 Plotly 提供的另一项功能。这太有趣了!
BeautifulSoup
即将推出的 Python 数据科学库名为 BeautifulSoup。这个广受欢迎的 Python 库的主要应用是网络爬虫和数据抓取。用户可能会从没有足够 CSV 或 API 的网站收集数据，而 BeautifulSoup 可以帮助他们进行数据抓取和必要的组织。
PyTorch
PyTorch 是数据科学家和学者最常用的机器学习库之一。它帮助他们创建动态计算网络、由 GPU 加速的快速张量计算以及其他一些困难的工作。PyTorch API 在神经网络方法中很有用。
由于混合前端 PyTorch 平台的易用性，我们可以进入图形模式进行优化。它为用户提供了在异步组活动中产生正确结果的本机功能，并实现了点对点通信。
如果软件对 ONNX(开放神经网络交换)具有本机支持，则可以导出模型以使用可视化工具、平台、运行时和其他资源。PyTorch 的最佳功能是它能够在部署期间提供基于云的环境以实现简单的资源可扩展性。
结论
这绝不是一个完整的列表，因为 Python 环境还包括用于开发算法和执行机器学习作业的各种其他工具。从事基于 Python 的数据科学项目的数据科学家和软件工程师将使用其中的许多工具，因为它们对于在 Python 中创建强大的 ML 模型是必不可少的。
