简述Python 两大库：Scipy 和 sklearn的区别

在实际应用中，由于这两个库解决的问题会存在重叠，导致遇到新的问题时，会犹豫所需要的拟合（回归）模型究竟应该引用两者中的哪个模块，在这篇文章中，讲介绍两大模块的算法范畴
（1） SciPy是python的一个著名的开源科学库，SciPy一般都是操纵NumPy数组来进行科学计算，统计分析，可以说是基于NumPy之上。SciPy提供了许多科学计算的库函数，如线性代数，微分方程，信号处理，图像处理，系数矩阵计算等。我们注意几个关键词，一是基于numpy，我们知道numpy 是一个数值型或者矩阵容器，那么SciPy中涵盖的时针对矩阵变换或者多维信号处理的函数库；二是科学计算与统计分析： 对于矩阵的处理，numpy 定义了一些基础的函数能够做一些基础的分析或变换，比如转置/逆矩阵/均值方差的计算等，那么一些高阶的分析，比如拟合/回归/参数估计等定义在SciPy 库中，可以说等同于Spss的功能，初次之外，在信号处理领域的一些函数也会定义在这个库中，当然，还存在一些库中专门定义了针对信号处理的函数，比如signal ，这个库的专业范畴更强，以下是SciPy所囊括的分析范畴，详细可以参考添加链接描述：
a. Optimize 最优化
i.数据建模和拟合- Curve_fit 线性回归分析
ii.函数求解 - fsolve
b. interpolate 插值
i.一维插值 interp1d
c. integrate 积分
i.解析积分 quad
ii.数值积分 traps
d. stats 统计
包中涵盖了80种连续分布和10种离散分布，比如正态分布 norm等，同时还有概率密度函数估计 pdf、样本分布检验stats 等统计学范畴的计算
e.空间聚类分析 cluster
i. 矢量量化 - kmean vq,
f.稀疏矩阵
（2）sklearn 是专门的机器学习算法库，了解机器学习算法及其发展里程的同学肯定知道，机器学习完全就是建立在概率与统计的基础上，因此在很多问题上可以看到两者存在一些模糊地带，机器学习的六大任务模块：分类（Classification）、回归(Regression)、聚类（Clustering）、降维、模型选择和预处理，可以看出前三个就是机器学习的问题类型，聚类和降维隶属机器学习过程中特征工程的范畴，模型选择和预处理则分别是前处理和后处理模块，三个单元组合在一起才能构建一个完善完备的机器学习solution，关于这一块的详细内容，可以参考这篇链接：添加链接描述