本文转载请联系大数据DT公众号。我们都关注如何利用已有的库来避免重复工作，让程序开发事半功倍。通常，开发大量的原始代码是一项费时费力的工作。为了避免这种情况，我们会尽可能多地使用库中的类来创建对象，通常只需要一行代码。因此，库可以帮助我们用少量的代码完成重要的任务。本文介绍数据科学中经常使用的各种Python标准库、数据科学库和第三方库。01Python标准库16/29Python标准库提供了丰富的功能，包括文本/二进制数据处理、数学运算、函数式编程、文件/目录访问、数据持久化、数据压缩/归档、加密、操作系统服务、并发编程、进程间通信、网络协议、JSON/XML/其他互联网数据格式、多媒体、国际化、GUI、调试、分析等。下面列出了部分Python标准库模块。集合：基于列表、元组、字典和集合的增强数据结构。csv：处理具有逗号分隔值的文件。datetime,time：日期和时间操作。decimal：定点或浮点运算，包括货币计算。doctest：简单的单元测试，带有验证测试或嵌入文档字符串中的预期结果。json：处理Web服务和NoSQL文档数据库的JSON（JavaScript对象表示法）数据。数学：常用数学常数和运算。os：与操作系统交互。队列：先进先出的数据结构。random：伪随机数运算。re:模式匹配的正则表达式。sqlite3：SQLite关系数据库访问。statistics：数理统计函数，例如均值、中位数、众数和方差。字符串：字符串操作。sys:—命令行参数处理，例如标准输入流、输出流和错误流。timeit：性能分析。Python拥有一个庞大且仍在快速增长的开源社区，该社区由来自许多不同领域的开发人员组成。社区中丰富的开源库是Python流行的最重要原因之一。仅用几行Python代码就可以完成如此??多的任务，这真是令人惊讶。下面列出了一些流行的数据科学库。02科学计算与统计3/29NumPy(NumericalPython)：Python没有内置的数组数据结构。它提供的列表类型使用起来更方便，但处理速度较慢。NumPy提供了一个高性能的ndarray数据结构来表示列表和矩阵，同时也提供了操作这些数据结构的操作。详细教程请点击??高能量！8段代码演示Numpy数据运算的神奇之处SciPy（ScientificPython）：SciPy是在NumPy的基础上开发的，增加了积分、微分方程、附加矩阵处理等科学处理程序。scipy.org管理SciPy和NumPy。详细教程请点击??3个极简代码带你入门Python科学计算库SciPyStatsModels：为统计模型评估、统计测试和统计数据研究提供支持。03数据处理与分析1/29pandas：一个非常流行的数据处理库。pandas充分利用了NumPy的ndarray类型，它的两个关键数据结构是Series（一维）和DataFrame（二维）。详细教程请戳？？Pandas最详细的教程在这里！04可视化2/29Matplotlib：高度可定制的可视化和绘图库。Matplotlib可以绘制规则图、散点图、直方图、等高线图、饼图、向量场图、网格图、极坐标图、3D图，并添加文字说明等，详细教程请点击??Python实操:教你用Matplotlib绘制数据Seaborn：一个基于Matplotlib的更高级的可视化库。与Matplotlib相比，Seaborn改进了外观，增加了可视化方法，并且可以使用更少的代码来创建可视化。05机器学习、深度学习和强化学习4/29scikit-learn：一流的机器学习库。机器学习是人工智能的一个子集，深度学习是机器学习的一个子集，侧重于神经网络。Keras：最容易使用的深度学习库之一。Keras在TensorFlow（谷歌）、CNTK（微软的深度学习认知工具包）或Theano（蒙特利尔大学）之上运行。TensorFlow：由谷歌开发，是使用最广泛的深度学习库。TensorFlow与GPU（图形处理单元）或Google的定制TPU（张量处理单元）配合使用效果最佳。TensorFlow在人工智能和大数据分析中有着非常重要的地位，因为人工智能和大数据对数据处理有着巨大的需求。本书使用TensorFlow内置的Keras版本。详细教程请戳？？什么是TensorFlow？如何使用它？终于有人解释清楚了OpenAIGym：一个用于开发、测试和比较强化学习算法的库和开发环境。06NaturalLanguageProcessing3/29NLTK（NaturalLanguageToolkit）：用于完成自然语言处理（NLP）任务。TextBlob：一个基于NLTK和PatternNLP库构建的面向对象的NLP文本处理库，可简化许多NLP任务。Gensim：功能上类似于NLTK。通常用于为文档集合建立索引，然后确定另一个文档与索引中每个文档的相似程度。关于作者：PaulDeitel，Deitel&Associates的首席执行官兼首席技术官，毕业于麻省理工学院，拥有38年的计算经验。Paul是世界上最有经验的编程语言培训师之一，自1992年以来一直为软件开发人员教授专业课程。他服务过的国际客户包括Cisco、IBM、Siemens、Oracle、Dell、Fidelity、NASAKennedySpaceCenter等。本文节选自《Python程序设计：人工智能案例实践》，经发布者授权发布。
