python数据分析需要的软件,python数据分析处理软件

大家好，小编为大家解答python数据分析需要的软件的问题。很多人还不知道python数据分析处理软件，现在让我们一起来看看吧！

今天给大家分析8个Python中常用的数据分析工具，Python强大之处在于其第三方扩展库较多。

本文介绍数据分析方面的扩展库分别为：NumPy、SciPy、Matplotlib、Pandas、StatsModels、Scikit-learn、Keras、Gensim，下面对这八个扩展库进行简单介绍，以及相关的代码案例

01 NumPy

NumPy 提供了真正的数组功能以及对数据进行快速处理的函数，是Python中相当成熟和常用的库，更多的使用可以参考官方文档如下所示👇🏻：参考链接：

# 安装 pip install numpy

NumPy操作数组案例

# _*_ coding: utf-8 -* # 作用：代码中可以出现中文 # Numpy import numpy as np # 创建数组 na = np.array([20,21,12,1,2]) # 输出数组 print(na) # [20 21 12 1 2] # 切片（取出前三个数字） print(na[:3]) # [20 21 12] # 输出na中的最小值 print(()) # 1 # 从小到大排序 () print(na) # [ 1 2 12 20 21] # 创建二维数组 na2 = np.array([[1,2,3],[4,5,6]]) # 二维数组平方 na3 = na2 * na2 print(na3) """ [[ 1 4 9] [16 25 36]] """

02 SciPy

SciPy依赖于NumPy，因此安装前需先安装NumPy。SciPy包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微积分求解等其他科学与过程中常用的计算。

更多的使用可以参考官方文档如下所示👇🏻：

参考链接：

# 安装 pip install scipy

SciPy求解非线性方程

from scipy.optimize import fsolve # 例子：求解非线性方程组 2x1 - x2^2 = 1 , x1^2 - x2 = 2 # 定义求解的方程组 def f(x): x1 = x[0] x2 = x[1] return [2*x1-x2**2-1,x1**2-x2-2] # 初始值，并求解 print(fsolve(f,[1,1])) # 输出 [1.91963957 1.68501606]

SciPy操作数值积分

# 数值积分 from scipy import integrate def g(x): return (1-x**2)**0.5 pi_2, err = (g,-1,1) # 积分结果 和 误差 print(pi_2*2,err) # 积分结果为π的一半 # 输出 3.呵呵97967 1.0002354500215915e-09

03 Matplotlib

Matplotlib是最著名的绘图库，主要用于二维绘图，以及简单的三维绘图。它提供了一整套丰富的命令，让我们可以非常快捷地用Python可视化数据，而且允许输出达到出版质量的多种图像格式。

更多的使用可以参考官方文档如下所示👇🏻：

参考链接：

# 安装 pip install matplotlib

Matplotlib雷达图案例

# 在jupyter notebook运行需要加上下面这句 %matplotlib inline import numpy as np import matplotlib.pyplot as plt # 创建figure fig = plt.figure(dpi=120) # 准备好极坐标系的数据 # 半径为[0,1] r = np.arange(0, 1, 0.001) theta = 2 * 2* * r # 极坐标下绘制 line, = plt.polar(theta, r, color='#ee8d18', lw=3) ()

运行结果

值得注意的是：中文乱码问题，如果图表中有中文，请在开头加入下面代码

#window版 解决中文显示问题 plt.rcParams['-serif'] = ['SimHei'] # 指定默认字体 plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题 #mac版 解决中文显示问题 plt.rcParams['-serif'] = ['Arial Unicode MS'] plt.rcParams['axes.unicode_minus'] = False

04 Pandas

Pandas 是Python下最强大的数据分析和探索工具，包含高级的数据结构和精巧的工具，支持类似SQL的数据增、删、查、改，并有丰富的数据处理函数；支持时间序列分析功能；灵活处理缺失数据等。

更多的使用可以参考官方文档如下所示👇🏻：参考链接：

# 安装 pip install pandas

Pandas操作案例

import numpy as np import pandas as pd #使用 Series 生产序列，Pandas默认生成整数索引 res = pd.Series([1,3,4, , 6,8]) print(res)

运行结果：

# 使用含日期时间索引和标签的Numpy数组生成DateFrame dates = pd.date_range('20200703', periods = 6) print(dates) df = pd.DataFrame(np.random.randn(6,5),index = dates, columns = list('ABCDE')) print(df)

运行结果：

05 StatsModels

StatsModels 注重数据的统计建模分析，使得Python有了R语言的味道。与Pandas 结合成为Python下强大的数据挖掘组合。

更多的使用可以参考官方文档如下所示👇🏻：

参考链接：

# 安装 pip install statsModels

StatsModels操作回归模型

import as sm import numpy as np # 举例：回归公式 # Y=1+10⋅X nsample = 100 # 虚构一组数据 x = np.linspace (0, 10, nsample) # 加入一列常项 1 X = sm.add_constant (x) beta = np.array ([1, 10]) # 生成一个长度为 k 的正态分布样本 e = np.random.normal (size=nsample) y = (X, beta) + e # 反应变量和回归变量上使用 OLS () 函数 model = (y,X) # 拟合结果 results = () # 计算出的回归系数 print (results.params) # 输出 [ 0.9661724 10.0264137] ### 和实际的回归系数非常接近（Y=1+10⋅X）

06 Scikit-learn

Scikit-learn 是一个与机器学习相关的库，它提供了完善的机器学习工具箱，包括数据预处理、分类、回归、聚类、预测、模型分析等。

更多的使用可以参考官方文档如下所示👇🏻：

参考链接：

# 安装 pip install scikit-learn

Scikit-learn 线性分类SVM模型

from sklearn import datasets, svm # 加载数据集 iris = datasets.load_iris() # 查看数据集大小 (150, 4) print(.shape) # 建立线性SVM分类器 clf = svm.LinearSVC() # 训练模型 (, iris.target) # 预测 print(clf.predict([[5.0, 3.6, 1.3, 0.25]])) 输出:[0]

07 Keras

Keras 并非简单的神经网络库，而是一个基于Theano 的强大的深度学习库，不仅可以搭建简单普通的神经网络，还可以搭建各种深度学习模型，如自编码器、循环神经网络、递归神经网络、卷积神经网络等。

使用Keras搭建神经网络模型的过程相当简单，也相当直观，就想搭积木一样，通过几十行代码，就可以搭建起一个非常强大的神经网络模型，甚至是深度学习模型。

举例：简单搭建一个MLP（多层感知器）

更多的使用可以参考官方文档如下所示👇🏻：

参考链接：

# 安装 pip install keras

Keras搭建MLP案例

import numpy as np from keras.models import Sequential from keras.layers import Dense, Dropout # 生成虚拟数据 x_train = np.random.random((1000, 20)) y_train = np.random.randint(2, size=(1000, 1)) x_test = np.random.random((100, 20)) y_test = np.random.randint(2, size=(100, 1)) model = Sequential() # 模型初始化 (Dense(64, input_dim=20, activation='relu')) # 添加输入层（20节点）、第一隐藏层（64节点）的连接 (Dropout(0.5)) # 使用Dropout防止过拟合 (Dense(64, activation='relu')) #第一隐藏层用relu作为激活函数 (Dropout(0.5)) # 使用Dropout防止过拟合 (Dense(1, activation='sigmoid')) # 第二隐藏层用sigmoid作为激活函数 model.compile(loss='binary_crossentropy', #损失函数为二进制交叉熵 optimizer='rmsprop', #定义求解算法 metrics=['accuracy']) #编译生成模型 (x_train, y_train, epochs=20, batch_size=128) #训练模型 score = model.evaluate(x_test, y_test, batch_size=128) #测试模型

运行结果：

重点在于讲解模型搭建，此参数并非最优

08 Gensim

Gensim 用来处理语言方面的任务，如文本相似度计算、LDA、Word2Vec等。

据说Gensim的作者对Word2Vec的代码进行了优化，所以它在Gensim下的表现据说比原生的Word2Vec还要快。

更多的使用可以参考官方文档如下所示👇🏻：

参考链接：

# 安装 pip install gensim

Gensim使用Word2Vec案例

from gensim.models import Word2Vec # 定义训练数据 sentences = [['this', 'is', 'the', 'first', 'sentence', 'for', 'word2vec'], ['this', 'is', 'the', 'second', 'sentence'], ['yet', 'another', 'sentence'], ['one', 'more', 'sentence'], ['and', 'the', 'final', 'sentence']] # 训练模型 model = Word2Vec(sentences, min_count=1) # 模型参数 print(model) # 词汇 words = list(.key_to_index) print(words) # 一个词的访问向量 print(['sentence']) # 保存模型 ('') # 加载模型 new_model = ('') print(new_model)

运行结果：