如果你是一个有抱负的数据科学家，你应该充满好奇心、探索、学习和提问。可以使用在线教程和视频作为初步准备，但证明您已准备好成为数据科学家的最佳方式是熟练使用编程环境中所需的各种工具。作者要求他们的数据科学专家列出他们认为所有数据科学家都应该精通的7种Python工具。GalvanizeDataScience和GalvanizeU课程都关注学生是否花费大量时间沉浸在这些技术中，投入时间在-深度调研工具，让您在第一份工作中占据绝对优势。让我们来看看这些工具：IPythonIPython是用于多种编程语言的交互式计算的命令shell，最初是为Python编程语言开发的，提供增强的内省、丰富的媒体、添加额外的shell语法、tab补全和丰富的历史功能。IPython提供以下特性：强大的shell交互（基于QT终端）基于浏览器的笔记本，支持代码、文本、数学表达式，内置图表等富媒体支持交互式数据可视化和GUI工具包的使用灵活，可嵌入，将解释器加载到自己的项目中，简单易用，高性能的并行计算工具GraphLabCreateGraphLabCreate是一个Python库，由C++引擎支持，用于快速构建大规模、高性能的数据产品。以下是GraphLabCreate的一些功能：在计算机上对TB级数据进行高速交互式分析用于分析表格数据、图形、文本和图像的单一平台先进技术机器算法学习，包括深度学习、系统发育树、因式分解理论机器使用HadoopYarn或EC2集群在笔记本电脑上运行相同的代码利用灵活的API接口让自己专注于任务或机器学习使用数据预测服务轻松部署云数据产品。构建用于勘探和生产监控的可视化数据PandasPandas拥有BSD开源许可证，是一款用于数据结构和数据分析的开源软件，使Python编程语言更易于使用。在数据修改和预处理方面，Python已经很强大了，但是在数据分析和建模方面，Python还不是很完善。Pandas正好弥补了这个缺点。它使你所有的数据分析都可以在Python上实现，而无需借助其他特定语言（如R语言）。结合强大的Python工具包和其他库，可以在Python数据分析环境中拥有出色的性能、生产力和兼容性。Pandas无法实现超出建模功能的线性回归和面板回归；为此，请参阅statsmodels和scikit-learn。要使Python成为第一大统一建模环境，还有很多工作要做，但我们已经在路上了。PuLP线性规划是一种优化，其中应在给定某些约束的情况下优化目标函数。PuLP是一种用Python编写的线性规划模型。PuLP可以生成线性文件并调用高度优化的求解器GLPK、COINCLP/CBC、CPLEX和GUROBI来解决线性问题。MatplotlibMatplotlib是一个Python二维绘图库，可以为跨平台硬件格式和交互环境生成高质量图表。Matplotlib可用于Python脚本、Python和IPythonshell接口（ALAMatlab或Mathematica）、Web应用程序服务器和6种类型的GUI工具包。Matplotlib试图让简单的事情变得更简单，让困难的事情变得可能。只需几行代码即可生成图像、直方图、能谱、直方图、散点图等。对于简单的绘图，Pyplot接口提供了类似MATLAB的接口，尤其是与IPython结合使用时。对于有能力的用户，您可以完全控制线型、字体属性、坐标属性等，并通过面向对象的接口或一组函数提供给MATLAB用户。Scikit-LearnScikit-Learn是一个简单有效的数据挖掘和数据分析工具。它的优点是在任何情况下都可以访问，并且可以在多个上下文中重复使用。它建立在NumPy、SciPy和mathplotlib之上。Scikit-Learn在开源BSD许可下可在市场上买到。Scikit-Learn具有以下特点：分类：识别对象属于哪个类别回归：预测与对象关联的连续值属性聚类：相似属性对象的自动分组和聚合参数比较、验证和选择模型预处理：特征ExtractionandNormalizationSparkSpark由一个驱动程序组成，运行用户的main函数，可以对集群进行各种并行操作。Spark的主要优势在于它提供了弹性分布式数据集(ResilientDistributedDataset,RDD)，它是由集群节点划分的可以并行操作的元素集合。RDD可以在Hadoop文件系统（或任何其他Hadoop支持的文件系统）中创建，或转换为现有Scala集合中的现有标量数据集合。用户可能还希望Spark能够存储RDD并允许高效的多路复用和并行操作。***，RDD无法从节点自动恢复。Spark的另一个优点是它可以通过变量共享来进行并行操作。默认情况下，当Spark在不同节点上并行运行一个函数作为任务时，它会为每个任务复制每个函数中的变量。有时需要在任务之间或任务与驱动程序之间共享变量。Spark支持两种类型的共享变量：广泛分布的变量（数据在所有节点缓存上可用）和累加器（只能执行“加法”），如计数器和加法。原文地址：所有数据科学家都应该知道如何使用的七个Python工具
