2022 年10 大 Python 庫，資料科學家必備神器
Python 是當今使用最廣泛的程式語言之一，大多數資料科學家每天都在用Python進行資料分析，這10個Python庫是資料科學家幾乎每天都用到的，線上認證培訓課程專家｜聖普倫和大家分享一下。
資料科學常用的10大Python庫
TensorFlow
SciPy
NumPy
Pandas
Matplotlib
Keras
SciKit-Learn
PyTorch
Scrapy
BeautifulSoup
1. TensorFlow
TensorFlow是一個端到端開源機器學習平臺，活躍貢獻者1500多名。它擁有一個全面而靈活的生態系統，其中包含各種工具、庫和社群資源，可助力研究人員推動先進機器學習技術。
特徵：
更好的計算圖視覺化
將神經機器學習中的錯誤減少 50% 到 60%
平行計算以執行復雜模型
由 Google 支援的無縫圖書館管理
迭代更快頻繁，常常更新最新功能
TensorFlow 對於以下應用程式特別有用：
語音和影象識別
基於文字的應用程式
時間序列分析
影片檢測
2. SciPy
SciPy （Scientific Python） 是另一個用於資料科學的免費和開源的 Python 庫，廣泛用於高階計算。SciPy 在 GitHub 上有大約 19，000 條評論，並擁有一個由大約 600 名貢獻者組成的活躍社群。
特徵：
基於 Python 的 NumPy 擴充套件構建的演算法和函式的集合
用於資料操作和視覺化的高階命令
使用 SciPy ndimage 子模組進行多維影象處理
包括用於求解微分方程的函式
應用：
多維影象操作
求解微分方程和傅立葉變換
最佳化演算法
線性代數
3. NumPy
NumPy （Numerical Python） 是 Python 中數值計算的基礎包；它包含一個強大的 N 維陣列物件。它在 GitHub 上有大約 18，000 條評論和一個由 700 名貢獻者組成的活躍社群。
NumPy
可用來儲存和處理大型矩陣，比Python自身的巢狀列表（nested list structure）結構要高效得多（該結構也可以用來表示矩陣（matrix）），支援大量的維度陣列與矩陣運算，此外也針對陣列運算提供大量的數學函式庫。
特徵：
為數值例程提供快速的預編譯函式
提高面向陣列的計算效率
支援面向物件的方法
使用向量化進行更快速的計算
應用：
廣泛用於資料分析
建立強大的 N 維陣列
構成其他庫的基礎，例如 SciPy 和 scikit-learn
4. Pandas
Pandas（Python 資料分析）是資料科學生命週期中的必備工具，它是資料科學中最流行和使用最廣泛的 Python 庫之一。在 GitHub 上有大約 17，00 條評論和一個由 1，200 名貢獻者組成的活躍社群，它被大量用於資料分析和資料清理。Pandas 提供快速、靈活的資料結構，旨在幫助使用者輕鬆直觀地處理結構化資料。
特徵：
豐富的語法和功能，讓使用者可以自由地處理丟失的資料
能夠幫助建立自己的函式並在一系列資料中執行它
包含高階資料結構和操作工具
可以從各種檔案格式比如 CSV、JSON、SQL、Microsoft Excel 匯入資料
可以對各種資料進行運算操作，比如歸併、再成形、選擇，還有資料清洗和資料加工特徵
應用：
通用資料整理和資料清洗
用於資料轉換和資料儲存的 ETL（提取、轉換、載入）作業，因為它非常支援將 CSV 檔案載入到其資料幀格式中
5. Matplotlib
Matplotlib 是 Python 中最受歡迎的資料視覺化軟體包之一，支援跨平臺執行，它是 Python 常用的 2D 繪相簿，同時它也提供了一部分 3D 繪圖介面。Matplotlib 通常與 NumPy、Pandas 一起使用，是資料分析中不可或缺的重要工具之一，視覺化效果絕佳，它還提供了一個面向物件的 API，可用於將這些繪圖嵌入到應用程式中。
特徵：
具有免費和開源的優勢
支援數十種後端和輸出格式型別
Pandas本身可以用作 MATLAB API 的包裝器
更低記憶體能耗
應用：
資料視覺化，幫助使用者獲得資料洞察力
變數的相關性分析
使用散點圖進行異常值檢測
6. Keras
Keras是一個由Python編寫的開源人工神經網路庫，可以作為Tensorflow、Microsoft-CNTK和Theano的高階應用程式介面，進行深度學習模型的設計、除錯、評估、應用和視覺化。
它與 TensorFlow 類似，是另一個廣泛用於深度學習和神經網路模組的流行庫，同時支援 TensorFlow 和 Theano 後端，因此如果你覺得了解TensorFlow的細節好麻煩，Keras會是一個不錯的選擇。
特徵：
Keras 提供了大量的預標記資料集，可直接匯入和載入
它包含各種層和引數，可用於神經網路的構建、配置、訓練和評估
應用：
Keras最重要的應用之一是具有預訓練權重的深度學習模型。你可以直接使用這些模型進行預測或提取其特徵，無需建立或訓練自己的新模型。
7. Scikit-learn
它是一個機器學習庫，提供了幾乎所有的機器學習演算法，它具有各種分類，迴歸和聚類演算法，包括支援向量機，隨機森林，梯度提升，k均值和DBSCAN，並且旨在與Python數值科學庫NumPy和SciPy聯合使用。
應用：
聚類
分類
迴歸
型號選擇
降維
8. PyTorch
它是一個基於Python的可續計算包，提供兩個高階功能：1、具有強大的GPU加速的張量計算（如NumPy）。2、包含自動求導系統的深度神經網路。
PyTorch 是最常用的深度學習研究平臺之一，提供最大的靈活性和速度。
應用：
PyTorch 以提供兩個最高級別的功能而聞名
具有強大 GPU 加速支援的張量計算
在基於磁帶的 autograd 系統上構建深度神經網路
9. Scrapy
Scrapy 是用 Python 編寫的最流行的、快速的、開源的網路爬蟲框架之一。它通常用於藉助基於 XPath 的選擇器從網頁中提取資料。
應用：
Scrapy 有助於構建可以從網路檢索結構化資料的爬蟲程式（蜘蛛機器人）
Scrappy 還用於從 API 收集資料，並在其介面設計中遵循“不要重複自己”的原則，幫助使用者編寫可用於構建和擴充套件大型爬蟲的通用程式碼。
10. BeautifulSoup
BeautifulSoup是一個可以從HTML或XML檔案中提取資料的Python庫。它能夠透過你喜歡的轉換器實現慣用的文件導航，查詢，修改文件的方式。BeautifulSoup會幫你節省數小時甚至數天的工作時間。BeautifulSoup以網路爬取和資料抓取而聞名。
使用者可以在沒有適當的 CSV 或 API 的情況下收集某些網站上可用的資料，BeautifulSoup 可以幫助他們抓取這些資料並將其排列成所需的格式。
