python基础教程 pdf 【知识】使用Python来学习数据科学的完整教程(3)

例如，考虑我们刚刚看到的阶乘例子。完成只需一个步骤：

math.factorial(N)

当然，我们需要导入math库。我们来研究一下各种库。

Python库

通过了解一些有用的库，将在我们学习Python的过程中领先一步。第一步显然是学会将它们导入我们的环境中。在Python中有以下几种方法：

import math as mfrom math import *

在第一种方式中，我们定义了一个别名为m的math库。现在我们可以使用别名m.factorial（）引用它，从math库（例如阶乘）中使用各种函数。

第二种方式，导入了math库的整个名称空间，即可以直接使用factorial（）而不引用math。

提示：Google建议你使用第一种导入库方式，因为你将知道函数来自哪里。

以下是库列表，任何科学计算和数据分析会用到：

NumPy：代表的是Numerical Python。NumPy最强大的功能是n维数组。该库还包含基本的线性代数函数，傅里叶变换，随机数函数和与其他底层语言（如Fortran，C和C ++）集成的工具。

SciPy：代表的是Scientific Python。SciPy建立在NumPy基础上。它是离散傅里叶变换，线性代数，优化和稀疏矩阵等多种高级科学和工程模块最有用的库之一。

Matplotlib：用于绘制各种各样的图形，从直方图到线图、热力图。你可以使用ipython notebook中的Pylab功能（ipython notebook -pylab = inline）使用这些绘图功能。如果忽略内联选项，pylab将ipython环境转换为与Matlab非常相似的环境。还可以使用Latex命令在图像添加数学符号。

Pandas：用于结构化数据的运算和操作。广泛用于数据整理和预处理。相较而言，Pandas被添加到Python时间不久，其有助于提高Python在数据科学社区的使用。

Scikit：用于机器学习。该库建立在NumPy，SciPy和matplotlib基础上，包含许多有效的机器学习和统计建模工具，例如分类，回归，聚类和降维。

Statsmodels：用于统计建模。Statsmodels是一个Python中提供用户探索数据、估计统计模型和执行统计测试的模组。可用于不同类型数据的描述性统计，统计测试，绘图功能和结果统计。

Seaborn：用于数据可视化。Seaborn是一个用于在Python中制作有吸引力和翔实的统计图形库。它是基于matplotlib。Seaborn旨在使可视化成为探索和理解数据的核心组成。

Bokeh：用于在现代网络浏览器上创建交互式图表，仪表盘和数据应用程序。它赋予用户以D3.js的风格生成优雅简洁的图形。此外，它具有超大型或流式数据集的高性能交互能力。

SymPy：用于符号计算。它具有从基本算术符号到微积分，代数，离散数学和量子物理学的广泛能力。另一个有用的功能是将计算结果格式化为LaTeX代码。

Requests：用于web访问。它类似于标准python库urllib2，但是代码更容易。你会发现与urllib2的微妙差异，但是对于初学者来说，Requests可能更方便。

你可能需要的额外的库：

os用于操作系统和文件操作

networkx和igraph为基于图的数据操作

regular expressions用于在文本中查找特定模式的数据

BeautifulSoup用于网络爬虫。它不如Scrapy，因为它只是单个网页中提取信息。

既然我们熟悉Python基础知识和库，那么我们可以通过Python深入解决问题。做预测模型过程中，我们会使用到一些功能强大的库，也会遇到不同的数据结构。我们将带你进入三个关键阶段：

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-78832-3.html