Python的主要库

本文在Creative Commons许可证下发布

市面上的分析工具大致分为两大类，菜单式的工具和命令行式的工具。前者适合于初学入门，类似于跟团旅游，提供了固定的路线。分析套路比较固定化，点几下鼠标就可以搞定也很省事。后者适合于老手玩家，类似于自由行，需要自己规划数据工作流，适用于自定义的灵活分析。大多数用户害怕命令行，然而使用命令行才能掌握真正的力量。

在命令行工具类别中，最耀眼的是R和Python这对双星。他们有非常多的相似之处，第一个相似之处是“快”。这种快不是纯计算速度快，而是从想法到结果的快。因为不论是探索数据还是建模，都需要各种尝试、各种试错、各种踩坑，如果要花2小时写代码，跑1分钟，不如花1分钟写程序，跑1小时。因为人的时间总是更为宝贵。第二个相似之处是扩展丰富。即有大量现成的函数模块。从想法到结果的快速实现，不能等待重新造轮子，另一方面，试错也要做很多复杂的自定义任务，将各种模块进行组合，调用各种外部交互接口，这两种开源工具都非常擅长。

二者的差异点在于Python是一种通用型编程工具，R专注于数据领域；R有更为丰富的专业统计函数，Python则长于机器学习；R有更好的可视化包，Python正在快速追赶；Python和R的核心语法非常简洁，一些R包的语法则兼收并蓄，错综复杂。当你有时间的时候，双修是最好的选择。因为这两种工具类似于筷子和勺子的区别，在不同场景下使用某种工具更为有效。

R语言这个工具与其生态系统，在我先前的文章已经介绍了。下文简单介绍一下python的七个最为重要的数据分析模块，或者称之为七种武器。

一、Numpy

numpy是Python提供数值计算的基础模块，也是Python生态中历史最为悠久的模块，没有它，就没有办法做快速高效的向量化计算。它还提供了线性代数等高级矩阵运算功能，另外还能集成C的代码。Python的许多扩展模块都是基于Numpy开发的，所以学好Numpy就算是奠定好了根基。

二、SciPy

SciPy是基于Numpy开发的高级模块，它用于解决科学计算中的一些标准问题。例如数值积分和微分方程求解，扩展的矩阵计算，最优化，概率分布和统计函数，甚至包括信号处理。练习好SciPy和numpy，就足以解决常见的计算问题，并不需要自己哼哧哼哧造轮子写函数了。

三、  Matplotlib

做数据研究同样需要漂亮的可视化工具。Matplotlib是python下最著名的绘图库，提供了一整套和Matlab相似的API，十分适合交互式绘图。也可将它作为绘图控件，嵌入各种应用程序中。在其基础之上，还有更为有趣的绘图工具Seaborn和Bokeh。

四、Pandas

在数据整理阶段，我们经常需要连接、读取不同类型的数据源，处理不同格式的数据对象，如果只使用Numpy会很麻烦。Pandas使Python具备了类似R的数据框对象。这样方便用于数据处理和分析，它提供大量易用、高效的数据操作函数库，能执行join以及其他SQL类似的功能来重塑数据，支持各种格式的输入输出数据。它与Python生态中的其它模块也有很好的整合。

五、Statsmodels

Statsmodels是python中专门用于统计分析的模块，提供各种回归模型函数，包括广义回归和稳健回归，还提供大量时间序列分析函数，例如ARIMA/VAR，各种经典假设检验和非参数方法一个都不少。有了它，你可以随时和R说离别。

六、Scikit-learn

Scikit-learn是非常著名的机器学习库，它提供一个统一的接口来使用不同模型，有助于迅速地在数据集上应用流行的算法。它包含了许多用于标准机器学习任务的工具，例如聚类、分类和回归等。不仅是各种算法，机器学习中重要的特征选择和模型评估均在模块中包含了。值得一提的另一个模块gensim：提供了词向量、主题模型等函数。有了这两种模块，天下就绝没有不能解决的事。

七、TensorFlow

在Python生态中，未来最为看好的是TensorFlow。它作为谷歌出品的深度学习框架，一出世就备受瞩目。TensorFlow提供了C++和python两种接口，让你能高效的设计各种机器学习算法，并且能运行在各类硬件架构之上。此外还有各种强力组件搭配，TensorBoard用于监控学习过程中的各项参数，ensorServer可用于生产环境的模型部署，甚至传说还有TPU这种专门用于深度学习的芯片。

在数据江湖中，没有顺手的武器，英雄亦束手加班中。数据之道。主要是得看使用它的是什么人。