蓝盟IT小贴士，来喽！
1、Pandas
70%到80%的数据分析师日常工作涉及数据的理解和清理，即数据搜索和数据挖掘。
Pandas主要用于数据分析，这是最常见的Python库之一。 为探索、组织和分析数据提供了最有用的工具。 使用Pandas，可以加载、准备、操作和分析各种结构化数据。
2、NumPy
NumPy主要用于支持n维数组。 这些多维数组的稳健性是Python列表的50倍，NumPy也是许多数据科学家的最爱。
NumPy在其他库(如TensorFlow )中用于张量的内部计算。 NumPy为数字例程提供快速的预编译函数。 这些函数可能很难手动求解。 为了提高效率，NumPy使用面向数组的计算，以方便处理多个类。
3、Scikit-learn
Scikit-learn可以说是Python中最重要的机器学习库。 使用Pandas或NumPy清理和处理数据后，可以使用Scikit-learn构建机器学习模型。 这是因为Scikit-learn包含许多用于预测建模和分析的工具。
使用Scikit-learn有很多优点。 例如，可以使用Scikit-learn构建几种类型的机器学习模型，包括监视模型和非监视模型，交叉检查模型的正确性并进行特征重要性分析。
4、Gradio
使用Gradio，可以在三行代码中构建和部署机器学习模型的web APP应用程序。 其用途与Streamlight和Flask相同，但部署模式快得多，简单得多。
2022年你应该知道的10个Python库
Gradio的优点是：
允许进一步的模型验证。 具体而言，可以交互式测试模型中的各种输入
容易示威
易于实施和分发，任何人都可以通过公共链接访问web APP应用程序。
5、TensorFlow
TensorFlow是实现神经网络最受欢迎的Python库之一。 可以使用多维数组(也称为张量)对特定输入执行多个操作。
由于本质上高度并行，可以训练多个神经网络和GPU以获得高效、可伸缩的模型。 TensorFlow的这一特性也称为管线。
6、Keras
Keras主要用于深度学习模型，特别是神经网络的创建。 构建在TensorFlow和Theano之上，可以用它轻松构建神经网络。 但是，与其他库相比，Keras速度相对较慢，因为它使用后端基础架构生成计算图。7、SciPy
SciPy主要用于其科学函数和从NumPy派生的数学函数。 该库提供的功能包括统计功能、优化功能和信号处理功能。 包括数值计算积分以求解微分方程并提供优化的函数。 SciPy的优点包括：
多维图像处理
解决傅立叶变换和微分方程的能力
通过其优化算法可以非常鲁棒有效地进行线性代数计算
8 .状态模型
Statsmodels是擅长核心统计的库。 此多功能库混合了许多Python库的功能，包括从Matplotlib中检索图形特性和函数； 使用Pandas处理类似于r的表达式； 使用Pasty并基于NumPy和SciPy构建。
具体来说，它有助于建立OLS等统计模型并运行统计测试。
9、Plotly
Plotly是构建可视化的绝对必要工具，非常强大、易于使用，能够与可视化进行交互。
与Plotly一起使用的还有Dash，是可以使用Plotly直观地构建动态仪表板的工具。 Dash是一个基于web的Python界面，它解决了JavaScript在这种分析web APP应用程序中的需求，使您可以在线和脱机进行绘制。
文/上海蓝盟 IT外包专家
中文
电话咨询
微信咨询
公众号
