重要的Python库？
摘录《利用Python进行数据分析》
NumPy（Numerical Python的简称）是Python科学计算的基础包。
本书大部分内容都基于NumPy以及构建于其上的库。它提供了以下功
能（不限于此）：
快速高效的多维数组对象ndarray。
用于对数组执行元素级计算以及直接对数组执行数学运算的函
数。
用于读写硬盘上基于数组的数据集的工具。
线性代数运算、傅里叶变换，以及随机数生成。
用于将C、C++、Fortran代码集成到Python的工具。
除了为Python提供快速的数组处理能力，NumPy在数据分析方面
还有另外一个主要作用，即作为在算法之间传递数据的容器。对于数
值型数据，NumPy数组在存储和处理数据时要比内置的Python数据结
构高效得多。此外，由低级语言（比如C和Fortran）编写的库可以直接操
作NumPy数组中的数据，无需进行任何数据复制工作。
pandas提供了使我们能够快速便捷地处理结构化数据的大量数
据结构和函数。你很快就会发现，它是使Python成为强大而高效的数
据分析环境的重要因素之一。本书用得最多的pandas对象是DataFrame，它是一个面向列（column-oriented）的二维表结构，且含有行标和列标。
pandas兼具NumPy高性能的数组计算功能以及电子表格和关系
型数据库（如SQL）灵活的数据处理功能。它提供了复杂精细的索引功
能，以便更为便捷地完成重塑、切片和切块、聚合以及选取数据子集等
操作。
对于金融行业的用户，pandas提供了大量适用于金融数据的高性
能时间序列功能和工具。
pandas这个名字本身源自于panel data（面板数据，这是计量经济
学中关于多维结构化数据集的一个术语）以及Python data
analysis（Python数据分析）。
matplotlib是最流行的用于绘制数据图表的Python库。它最初由
John D.Hunter（JDH）创建，目前由一个庞大的开发人员团队维护。它
非常适合创建出版物上用的图表。它跟IPython（马上就会讲到）结合得
很好，因而提供了一种非常好用的交互式数据绘图环境。绘制的图表
也是交互式的，你可以利用绘图窗口中的工具栏放大图表中的某个区
域或对整个图表进行平移浏览。
IPython是Python科学计算标准工具集的组成部分，它将其他所有
的东西联系到了一起。它为交互式和探索式计算提供了一个强健而高
效的环境。它是一个增强的Python shell，目的是提高编写、测试、调试
Python代码的速度。它主要用于交互式数据处理和利用matplotlib对数
据进行可视化处理。
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，
主要包括下面这些包：
scipy.integrate：数值积分例程和微分方程求解器。
scipy.linalg：扩展了由numpy.linalg提供的线性代数例程和矩阵
分解功能。
scipy.optimize：函数优化器（最小化器）以及根查找算法。
scipy.signal：信号处理工具。
scipy.sparse：稀疏矩阵和稀疏线性系统求解器。
scipy.special：SPECFUN（这是一个实现了许多常用数学函数（如
伽玛函数）的Fortran库）的包装器。
scipy.stats：标准连续和离散概率分布（如密度函数、采样器、连
续分布函数等）、各种统计检验方法，以及更好的描述统计法。
scipy.weave：利用内联C++代码加速数组计算的工具。
NumPy跟SciPy的有机结合完全可以替代MATLAB的计算功能
（包括其插件工具箱）。
登录后方可回帖