最常用的python数据分析库_python 统计分析库

1、 pandas库

在数据分析师的日常工作中，70%到80%都涉及到理解和清理数据，也就是数据探索和数据挖掘。

Pandas主要用于数据分析，这是最常用的Python库之一。它为你提供了一些最有用的工具来对数据进行探索、清理和分析。使用Pandas，你可以加载、准备、操作和分析各种结构化数据。

2、Numpy库

NumPy主要用于支持N维数组。这些多维数组的稳健性是Python列表的50倍，这也让NumPy成为许多数据科学家的最爱。

NumPy被TensorFlow等其他库用于张量的内部计算。NumPy为数值例程提供了快速的预编译函数，这些函数可能很难手动求解。为了获得更好的效率，NumPy使用面向数组的计算，从而能够轻松的处理多个类。

3、Scikit-learn库

Scikit-learn可以说是Python中最重要的机器学习库。在使用Pandas或NumPy清理和处理数据之后，可以通过Scikit-learn用于构建机器学习模型，这是由于Scikit-learn包含了大量用于预测建模和分析的工具。

使用Scikit-learn有很多优势。比如，你可以使用Scikit-learn构建几种类型的机器学习模型，包括监督和非监督模型，交叉验证模型的准确性，进行特征重要性分析。

4、 Matplotlib库

Matplotlib是一个用于绘制2D图形的Python库。它提供了广泛的绘图功能，包括折线图、散点图、柱状图、饼图、等高线图、3D图等等。Matplotlib是Python中最受欢迎的绘图库之一，它可以与NumPy一起使用，使得数据可视化变得更加容易。
Matplotlib的主要组件包括：

• Figure对象：表示整个图形，可以包含一个或多个子图。
• Axes对象：表示一个子图，包含x轴、y轴、坐标轴标签、图例等。
• Axis对象：表示图中的一个轴，包含刻度线、刻度标签、轴标签等。
• Artist对象：表示图中的各种元素，例如文本、线条、矩形等。

Matplotlib可以通过多种方式使用，包括交互式命令行绘图、脚本绘图、GUI应用程序绘图等等。它可以输出多种格式的图像文件，包括PNG、PDF、SVG等。

Matplotlib还有许多可用的扩展库，例如Seaborn、ggplot等，它们提供了更高级的绘图功能和更美观的图形风格。

5、Seaborn库

Seaborn建立在Matplotlib上，是能够创建不同可视化效果的库。

Seaborn最重要的功能之一是创建放大的数据视觉效果。从而让最初不明显的相关性能突显出来，使数据工作人员能够更正确地理解模型。

Seaborn还有可定制的主题和界面，并且提供了具有设计感的数据可视化效果，能更好地在进行数据汇报。

6、基础库的使用总结

NumPy: 用于数值计算的Python库，包含大量的数学函数和数据结构，如ndarray数组对象，提供了向量化计算的支持，使得处理大规模数据变得更加高效。

Pandas: 用于数据分析的Python库，提供了DataFrame和Series两个核心数据结构，能够方便地进行数据清洗、筛选、切片、聚合等操作，也支持对不同数据类型进行处理。

Matplotlib: 用于绘制2D图形的Python库，可以创建多种类型的图形，如折线图、散点图、柱状图等。可用于数据可视化和探索性数据分析。

Seaborn: 基于Matplotlib的数据可视化库，可以创建各种复杂的图形，如热力图、密度图、小提琴图等。可用于探索性数据分析和演示报告。

Scikit-learn: 用于机器学习的Python库，包含了许多机器学习算法，如回归、分类、聚类等，还提供了特征工程、模型评估等功能。

7、 其他库

Gradio

Gradio让你只需三行代码即可为机器学习模型构建和部署web应用程序。它的用途与Streamlight或Flask相同，但部署模型要快得多，也容易得多。

Gradio的优势在于以下几点：

• 允许进一步的模型验证。具体来说，可以用交互方式测试模型中的不同输入

• 易于进行演示

• 易于实现和分发，任何人都可以通过公共链接访问web应用程序。

TensorFlow

TensorFlow是用于实现神经网络的最流行的 Python 库之一。它使用多维数组，也称为张量，能对特定输入执行多个操作。可以用于建立各种神经网络模型，如卷积神经网络、循环神经网络等。

因为它本质上是高度并行的，因此可以训练多个神经网络和GPU以获得高效和可伸缩的模型。TensorFlow的这一特性也称为流水线。

Keras

Keras基于TensorFlow的高级神经网络API，提供了易于使用的接口，可以方便地构建和训练各种深度学习模型。主要用于创建深度学习模型，特别是神经网络。它建立在TensorFlow和Theano之上，能够用它简单地构建神经网络。但由于Keras使用后端基础设施生成计算图，因此与其他库相比，它的速度相对较慢。

Statsmodels

用于统计分析的Python库，包含了各种统计模型和方法，如线性回归、时间序列分析、假设检验等。

PyTorch

用于深度学习的Python库，由Facebook开发，可以用于构建各种神经网络模型，提供了易于使用的接口和动态计算图的支持。

XGBoost

用于梯度提升决策树的Python库，可以用于解决各种回归和分类问题，特别适用于大规模数据和高维数据。