numpy 科學(xué)計(jì)算的基礎(chǔ)包
(1)快速高效多維的數(shù)組對(duì)象ndarray
(2)對(duì)數(shù)組執(zhí)行元素級(jí)的計(jì)算以及直接對(duì)數(shù)組執(zhí)行數(shù)學(xué)運(yùn)算的函數(shù)
(3)讀寫硬盤上基于數(shù)組的數(shù)據(jù)集的工具
(4)線性代數(shù)運(yùn)算，傅里葉變換，以及隨機(jī)數(shù)生成
(5)將C、C++、Fortran代碼集成到python

scipy 專門解決科學(xué)計(jì)算中各種標(biāo)準(zhǔn)問題域的模塊的集合SciPy
主要包含了 8 個(gè)模塊，不同的子模塊有不同的應(yīng)用，如插值、積分、優(yōu)化、圖像處理和特殊函數(shù)等。scipy.integrate 數(shù)值積分例程和微分方程求解器。
scipy.linalg 擴(kuò)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(hào)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(gè)實(shí)現(xiàn)了許多常用數(shù)學(xué)函數(shù)的 Fortran 庫(kù)）的包裝器。
scipy.stats 檢驗(yàn)連續(xù)和離散概率分布、各種統(tǒng)計(jì)檢驗(yàn)方法，以及更好的描述統(tǒng)計(jì)法。
scipy.weave 利用內(nèi)聯(lián) C++代碼加速數(shù)組計(jì)算的工具。

pandas 數(shù)據(jù)分析核心庫(kù)
?提供了一系列能夠快速、便捷地處理結(jié)構(gòu)化數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)和函數(shù)。高性能的數(shù)組計(jì)算功能以及電子表格和關(guān)系型數(shù)據(jù)庫(kù)（如 SQL）靈活的數(shù)據(jù)處理功能。復(fù)雜精細(xì)的索引功能，以便便捷地完成重塑、切片和切塊、聚合及選取數(shù)據(jù)子集等操作。

matplotlib 繪制數(shù)據(jù)圖表的python庫(kù)
? Python的2D繪圖庫(kù)，非常適合創(chuàng)建出版物上用的圖表。操作比較容易，只需幾行代碼即可生成直方圖、功率譜圖、條形圖、錯(cuò)誤圖和散點(diǎn)圖等圖形。提供了pylab的模塊，其中包括了NumPy和pyplot中許多常用的函數(shù)，方便用戶快速進(jìn)行計(jì)算和繪圖。交互式的數(shù)據(jù)繪圖環(huán)境，繪制的圖表也是交互式的。

scikit-learn 據(jù)挖掘和數(shù)據(jù)分析工具
?簡(jiǎn)單有效，可以供用戶在各種環(huán)境下重復(fù)使用。封裝了一些常用的算法方法。基本模塊主要有數(shù)據(jù)預(yù)處理、模型選擇、分類、聚類、數(shù)據(jù)降維和回歸 6 個(gè)，在數(shù)據(jù)量不大的情況下，scikit-learn可以解決大部分問題。

轉(zhuǎn)載于:https://www.cnblogs.com/bitterain/p/10275661.html

總結(jié)

以上是生活随笔為你收集整理的PYTHON 数据分析常用类库的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。