分享⼀下Python数据分析常⽤的8款⼯具
Python是数据处理常⽤⼯具，可以处理数量级从⼏K⾄⼏T不等的数据，具有较⾼的开发效率和可维护性，还具有较强的通⽤性和跨平台性。Python可⽤于数据分析，但其单纯依赖Python本⾝⾃带的库进⾏数据分析还是具有⼀定的局限性的，需要安装第三⽅扩展库来增强分析和挖掘能⼒。
Python数据分析需要安装的第三⽅扩展库有：Numpy、Pandas、SciPy、Matplotlib、Scikit-Learn、Keras、Gensim、Scrapy等，以下是千锋武汉Python培训⽼师对该第三⽅扩展库的简要介绍：
1. Pandas
Pandas是Python强⼤、灵活的数据分析和探索⼯具，包含Series、DataFrame等⾼级数据结构和⼯具，安装Pandas可使Python中处理数据⾮常快速和简单。
Pandas是Python的⼀个数据分析包，Pandas最初被⽤作⾦融数据分析⼯具⽽开发出来，因此Pandas为时间序列分析提供了很好的⽀持。
Pandas是为了解决数据分析任务⽽创建的，Pandas纳⼊了⼤量的库和⼀些标准的数据模型，提供了⾼效的操作⼤型数据集所需要的⼯具。Pandas提供了⼤量是我们快速便捷的处理数据的函数和⽅法。Pandas包含了⾼级数据结构，以及让数据分析变得快速、简单的⼯具。它建⽴在Numpy之上，使得Numpy应⽤变得简单。
带有坐标轴的数据结构，⽀持⾃动或明确的数据对齐。这能防⽌由于数据结构没有对齐，以及处理不同来源、采⽤不同索引的数据⽽产⽣的常见错误。
使⽤Pandas更容易处理丢失数据。
合并流⾏数据库（如：基于SQL的数据库）
Pandas是进⾏数据清晰/整理的最好⼯具。
2. Numpy
Python没有提供数组功能，Numpy可以提供数组⽀持以及相应的⾼效处理函数，是Python数据分析的基础，也是SciPy、Pandas等数据处理和科学计算库最基本的函数功能库，且其数据类型对Python数据分析⼗分有⽤。
Numpy提供了两种基本的对象：ndarray和ufunc。ndarray是存储单⼀数据类型的多维数组，⽽ufunc是能够对数组进⾏处理的函数。Numpy的功能：
N维数组，⼀种快速、⾼效使⽤内存的多维数组，他提供⽮量化数学运算。
可以不需要使⽤循环，就能对整个数组内的数据进⾏标准数学运算。
⾮常便于传送数据到⽤低级语⾔编写(C\C++)的外部库，也便于外部库以Numpy数组形式返回数据。
Numpy不提供⾼级数据分析功能，但可以更加深刻的理解Numpy数组和⾯向数组的计算。
3. Matplotlib
Matplotlib是强⼤的数据可视化⼯具和作图库，是主要⽤于绘制数据图表的Python库，提供了绘制各类可视化图形的命令字库、简单的接⼝，可以⽅便⽤户轻松掌握图形的格式，绘制各类可视化图形。
Matplotlib是Python的⼀个可视化模块，他能⽅便的只做线条图、饼图、柱状图以及其他专业图形。
使⽤Matplotlib，可以定制所做图表的任⼀⽅⾯。他⽀持所有操作系统下不同的GUI后端，并且可以将图形输出为常见的⽮量图和图形测试，如PDF SVG JPG PNG BMP GIF.通过数据绘图，我们可以将枯燥的数字转化成⼈们容易接收的图表。Matplotlib是基于Numpy的⼀套Python包，这个包提供了吩咐的数据绘图⼯具，主要⽤于绘制⼀些统计图形。
Matplotlib有⼀套允许定制各种属性的默认设置，可以控制Matplotlib中的每⼀个默认属性：图像⼤⼩、每英⼨点数、线宽、⾊彩和样式、⼦图、坐标轴、⽹个属性、⽂字和⽂字属性。
4. SciPy
SciPy是⼀组专门解决科学计算中各种标准问题域的包的集合，包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅⾥叶变换、信号处理和图像处理、常微分⽅程求解和其他科学与⼯程中常⽤的计算等，这些对数据分析和挖掘⼗分有⽤。
numpy库不具有的功能有
Scipy是⼀款⽅便、易于使⽤、专门为科学和⼯程设计的Python包，它包括统计、优化、整合、线性代数模块、傅⾥叶变换、信号和图像处理、常微分⽅程求解器等。Scipy依赖于Numpy，并提供许多对⽤户友好的和有效的数值例程，如数值积分和优化。
Python有着像Matlab⼀样强⼤的数值计算⼯具包Numpy；有着绘图⼯具包Matplotlib；有着科学计算⼯具包Scipy。
Python能直接处理数据，⽽Pandas⼏乎可以像SQL那样对数据进⾏控制。Matplotlib能够对数据和记过进⾏可视化，快速理解数据。Scikit-Learn提供了机器学习算法的⽀持，Theano提供了升读学习框架（还可以使⽤CPU加速）。
5. Keras
Keras是深度学习库，⼈⼯神经⽹络和深度学习模型，基于Theano之上，依赖于Numpy和Scipy，利⽤它可以搭建普通的神经⽹络和各种深度学习模型，如语⾔处理、图像识别、⾃编码器、循环神经⽹络、递归审计⽹络、卷积神经⽹络等。
6. Scikit-Learn
Scikit-Learn是Python常⽤的机器学习⼯具包，提供了完善的机器学习⼯具箱，⽀持数据预处理、分类、
回归、聚类、预测和模型分析等强⼤机器学习库，其依赖于Numpy、Scipy和Matplotlib等。
Scikit-Learn是基于Python机器学习的模块，基于BSD开源许可证。
Scikit-Learn的安装需要Numpy Scopy Matplotlib等模块，Scikit-Learn的主要功能分为六个部分，分类、回归、聚类、数据降维、模型选择、数据预处理。
Scikit-Learn⾃带⼀些经典的数据集，⽐如⽤于分类的iris和digits数据集，还有⽤于回归分析的boston house prices数据集。该数据集是⼀种字典结构，数据存储在.data成员中，输出标签存储在.target成员中。Scikit-Learn建⽴在Scipy之上，提供了⼀套常⽤的机器学习算法，通过⼀个统⼀的接⼝来使⽤，Scikit-Learn有助于在数据集上实现流⾏的算法。
Scikit-Learn还有⼀些库，⽐如：⽤于⾃然语⾔处理的Nltk、⽤于⽹站数据抓取的Scrappy、⽤于⽹络挖掘的Pattern、⽤于深度学习的Theano等。
7. Scrapy
Scrapy是专门为爬⾍⽽⽣的⼯具，具有URL读取、HTML解析、存储数据等功能，可以使⽤Twisted异步⽹络库来处理⽹络通讯，架构清晰，且包含了各种中间件接⼝，可以灵活的完成各种需求。
8. Gensim
Gensim是⽤来做⽂本主题模型的库，常⽤于处理语⾔⽅⾯的任务，⽀持TF-IDF、LSA、LDA和Word2Vec在内的多种主题模型算法，⽀持流式训练，并提供了诸如相似度计算、信息检索等⼀些常⽤任务的API接⼝。
以上是对Python数据分析常⽤⼯具的简单介绍，有兴趣的可以深⼊学习研究⼀下相关使⽤⽅法!