干货收藏！一文看懂8个常用Python库从安装到应用

最新推荐文章于 2024-05-09 15:07:14 发布

大数据v

最新推荐文章于 2024-05-09 15:07:14 发布

阅读量572

点赞数

本文链接：https://blog.csdn.net/zw0Pi8G5C1x/article/details/105039500

版权

本文介绍了Python数据分析中常用的八大库：NumPy、SciPy、Matplotlib、pandas、StatsModels、scikit-learn、Keras和Gensim。这些库为Python提供了矩阵运算、数据可视化、机器学习、深度学习和文本分析等功能。NumPy是基础，SciPy增强了矩阵计算，Matplotlib用于数据可视化，pandas是强大的数据分析工具，StatsModels专注于统计建模，scikit-learn提供机器学习算法，Keras是深度学习框架，而Gensim则用于文本主题模型。文章还包含了各库的安装方法和简单示例，帮助读者快速上手。

摘要由CSDN通过智能技术生成

导读：Python本身的数据分析功能并不强，需要安装一些第三方扩展库来增强其相应的功能。本文将对NumPy、SciPy、Matplotlib、pandas、StatsModels、scikit-learn、Keras、Gensim等库的安装和使用进行简单的介绍。

作者：张良均谭立云刘名军江建明

来源：大数据DT（ID：hzdashuju）

如果读者安装的是Anaconda发行版，那么它已经自带了以下库：NumPy、SciPy、Matplotlib、pandas、scikit-learn。

本文主要是对这些库进行简单的介绍，读者也可以到官网阅读更加详细的使用教程。

NumPy：提供数组支持以及相应的高效的处理函数
SciPy：提供矩阵支持以及矩阵相关的数值计算模块
Matplotlib：强大的数据可视化工具、作图库
pandas：强大、灵活的数据分析和探索工具
StatsModels：统计建模和计量经济学，包括描述统计、统计模型估计和推断
scikit-learn：支持回归、分类、聚类等强大的机器学习库
Keras：深度学习库，用于建立神经网络以及深度学习模型
Gensim：用来做文本主题模型的库，文本挖掘可能会用到

01 NumPy

Python并没有提供数组功能。虽然列表可以完成基本的数组功能，但它不是真正的数组，而且在数据量较大时，使用列表的速度就会很慢。为此，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。

NumPy还是很多更高级的扩展库的依赖库，我们后面介绍的SciPy、Matplotlib、pandas等库都依赖于它。值得强调的是，NumPy内置函数处理数据的速度是C语言级别的，因此在编写程序的时候，应当尽量使用其内置函数，避免效率瓶颈的（尤其是涉及循环的问题）出现。

在Windows操作系统中，NumPy的安装跟普通第三方库的安装一样，可以通过pip命令进行，命令如下：

pip install numpy

也可以自行下载源代码，然后使用如下命令安装：

python setup.py install

在Linux操作系统下，上述方法也是可行的。此外，很多Linux发行版的软件源中都有Python常见的库，因此还可以通过Linux系统自带的软件管理器安装，如在Ubuntu下可以用如下命令安装：

sudo apt-get install python-numpy

安装完成后，可以使用NumPy对数据进行操作，如代码清单2-27所示。

代码清单2-27 使用NumPy操作数组

# -*- coding: utf-8 -*
import numpy as np                     # 一般以np作为NumPy库的别名
a = np.array([2, 0, 1, 5])             # 创建数组
print(a)                               # 输出数组
print(a[:3])                           # 引用前三个数字（切片）
print(a.min())                         # 输出a的最小值
a.sort()                               # 将a的元素从小到大排序，此操作直接修改a，因此这时候a为[0, 1, 2, 5]
b= np.array([[1, 2, 3], [4, 5, 6]])    # 创建二维数组
print(b*b)                             # 输出数组的平方阵，即[[1, 4, 9], [16, 25, 36]]

NumPy是Python中相当成熟和常用的库，因此关于它的教程有很多，最值得一看的是其官网的帮助文档，其次还有很多中英文教程，读者遇到相应的问题时，可以查阅相关资料。

参考链接：

http://www.numpy.org

http://reverland.org/python/2012/08/22/numpy

02 SciPy

如果说NumPy让Python有了MATLAB的味道，那么SciPy就让Python真正成为半个MATLAB了。NumPy提供了多维数组功能，但它只是一般的数组，并不是矩阵，比如当两个数组相乘时，只是对应元素相乘，而不是矩阵乘法。SciPy提供了真正的矩阵以及大量基于矩阵运算的对象与函数。

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、常微分方程求解和其他科学与工程中常用的计算，显然，这些功能都是挖掘与建模必需的。

SciPy依赖于NumPy，因此安装之前得先安装好NumPy。安装SciPy的方式与安装NumPy的方法大同小异，需要提及的是，在Ubuntu下也可以用类似的命令安装SciPy，安装命令如下：

sudo apt-get install python-scipy

安装好SciPy后，使用SciPy求解非线性方程组和数值积分，如代码清单2-28所示。

代码清单2-28 使用SciPy求解非线性方程组和数值积分

# -*- coding: utf-8 -*
# 求解非线性方程组2x1-x2^2=1,x1^2-x2=2
from scipy.optimize import fsolve       # 导入求解方程组的函数
def f(x):                               # 定义要求解的方程组
    x1 = x[0]
    x2 = x[1]
    return [2*x1 - x2**2 - 1, x1**2 - x2 -2]

result = fsolve(f, [1,1])