如果你想成为一名程序员，除了学习各种教程，熟悉生产环境中用过的各种工具，会让你成长得更快！这里有7个数据科学家必备的Python工具。当你对他们有了一定的了解，就会成为你找工作的绝对优势！下面让我们来认识一下：0.IPythonIPython是一个基于PythonShell的交互式解释器，但它比默认的Shell具有更强大的编辑和交互功能。IPython提供以下特性：更强大的交互外壳（基于Qt的终端）基于浏览器的记事本，支持代码、纯文本、数学公式、内置图表等富媒体支持交互式数据可视化和图形界面工具灵活、可嵌入解释器可以加载到任何自有项目中。它易于使用，是一种用于并行计算的高性能工具。不用库的时候，可以用ipython写一些测试代码。可以通过ipython快速掌握库的方法和使用。1.GraphLabCreateGraphLabCreate是一个C++引擎支持的Python库，可以快速构建大规模高性能数据产品。GraphLabGreate的特点：以交互式速度分析计算机上数TB的数据量。可以在单一平台上分析表格数据、曲线、文本和图像。最先进的机器学习算法包括深度学习、进化树和分解机理论。您可以使用HadoopYarn或EC2集群在笔记本电脑或分布式系统上运行相同的代码。使用灵活的API函数专注于任务或机器学习。使用云上的预测服务轻松配置数据产品。创建用于勘探和产品监控的数据可视化。2.SparkSpark是一个围绕速度、易用性和复杂分析而构建的大数据处理框架，为管理各种数据集和具有不同属性的数据（文本数据、图表数据等）提供了一个全面统一的框架。大数据处理需求对于源（批处理数据或实时流数据）。Spark基于mapreduce算法的分布式计算具有HadoopMapReduce的优点；但与MapReduce不同的是，job的中间输出和结果可以保存在内存中，这样就不需要读写HDFS，所以Spark可以更好的适合mapreduce需要迭代的算法，比如数据挖掘和机学习。3.PandasPandas是一个非常有用的基于NumPy的库。就像名字一样，每个人都喜欢它。这样做的原因是无论是读取数据还是处理数据，使用起来都非常简单。Pandas有两个独特的基本数据结构。读者要注意，虽然它有两种数据结构，但因为它仍然是Python的一个库，所以Python中的一些数据类型在这里仍然适用，你也可以自己使用类来定义数据类型。但是，Pandas中定义了两种数据类型：Series和DataFrame，它们使数据操作更加容易。4.Scikit-LearnScikit-Learn是一个用Python开发的机器学习库，包含大量的机器学习算法和数据集，是数据挖掘的便捷工具。Scikit-learn的基本功能主要分为分类、回归、聚类、数据降维、模型选择和数据预处理六个部分。Scikit-learn需要NumPy和SciPy等其他包的支持才能使用。5.PuLP线性规划是一种优化，其中目标函数被限制为最大值。PuLP是一种用Python编写的线性规划模型。它可以生成线性文件，并可以调用高度优化的求解器、GLPK、COINCLP/CBC、CPLEX和GUROBI来解决这些线性问题。6.Matplotlibmatplotlib是Python中使用最广泛的二维图像绘图工具包。使用matplotlib可以非常简单地可视化数据。matplotlib试图让简单的事情变得更简单，让困难的事情成为可能。使用Matplotlib，您只需输入几行代码即可生成绘图、直方图、功率谱、条形图、误差图、散点图等。
