saspython知乎_为何要使用python进行数据分析

python：诞生于1991年至今已经成为最为欢迎的动态编程语言之一，其还有perl、Ruby等。

python：由于拥有大量的web开源框架，比如Rails Ruby django 等非常多的开源框架。

python：被人们称为（脚本语言），我个人不太喜欢用局限性的词语来定位python，他就好像再说这门语言只能做一些构建不那么严谨的软件。

python：拥有一个巨大且活跃的科学计算社区，21世纪用python来做学术研究、科学计算的势头越来越猛。

在数据分析和交互、探索性计算以及可视化方面，python越来越接近其它开源商业化的编程语言和工具，如R MATLAB SAS STATA等。

python:之所以成功部分原因是能够轻松的集成C C++及Fortran,从而来实现一些线性代数、优选、积分等诸如此类的算法。

python 数据开源库：

1、NumPy 简称：python 科学计算的基础包。

包括但不仅限于以下功能

快速高效的多维数组对象ndarray

用于对数组执行元素级计算以及直接对数组执行数学运算的函数

用于读写硬盘上基于数组的数据集的工具

线程代数运算、傅里叶变换、以及随机数生成

用于将C C++ fortran代码集成到python的工具

除了python提供快速的数组处理能力，Numpy在数据分析方面还有另外一个主要作用，及作为在算法之间传递数据的容器，对于数值行数据，Numpy数组在存储和处理数据时要比内置的python数据结构高效的多，此外由低级语言（比如C和Fortran）编写的库可以直接操作Numpy数组中的数据，无需进行任何数据复制工作。

2、pandas

pandas 提供了能使我们快速便捷的处理结构化数据的大量数据结构和函数，pandas兼具Numpy高效能的数组计算功能以及电子表格和关系型数据库灵活的数据梳理功能，它提供了复杂精细的索引功能，以便更为便捷的完成重塑、切片、切块、聚合以及选取数据子集等操作。

对于金融行业的用户，pandas提供了大量适用于金融数据的高性能时间序列功能和工具

3、 matplotlib

matplotlib是最流行的用于绘制数据图表的python数据库，他和IPython结合的非常好，提供了一种非常好的交互式数据绘图环境。

4、IPython

IPython是python科学计算标准工具集的组成部分，他将其他所有的东西联系到了一起，它作为交互式和探索式计算提供了一个强健而高效的环境，目的是提高编写、测试、调试python代码的速度，主要用于交互式的数据处理和利用matplotlib对数据进行可视化处理。

除包括基于终端的 python shell外它还提供了 一个类似于Mathematica的html笔记本、一个基于QT框架的控制台，其中包含绘图，多行编辑以及愈发高亮显示等功能，用于交互式并行和分布式计算的基础架构。

5、Scipy

Scipy是一组专门解决科学计算中各种标准问题域的包的集合。

scipy.integrate:数值积分例程和微分方程求解。

scipy.linalg:扩展了由numpy.linalg提供的线性代数例程和矩阵分解功能

scipy.optimize:函数优化器（最小优化器）以及根查找算法

scipy.signal:信号处理工具

scipy.sparse:稀疏矩阵和稀疏线性系统求解器

scipy.special:这是一个实现了许多常用数学函数（如伽马函数的Fortran库）的包装器

scipy.stats:标准连续和离散概率分布（如密度函数、采样器、连续分布函数）等统计检验方法。

scipy.weave:利用内联C++代码加速数组计算工具