数据科学家都应会使用的7款Python工具

数据科学家都应会使用的7款Python工具

如果你是一个有追求的数据科学家，你应该充满好奇心，常常探索、学习和提问。在线教程和视频可以作为初期的准备学习，但能够证明你已经做好准备成为一个数据科学家的最好方式是，你可以熟练的使用编程环境中各种所需的工具。

作 者询问了他们的数据科学专家，让他们列出了他们所认为的所有数据科学家都应该熟练使用的7个Python工具。Galvanize Data Science和GalvanizeU课程均着眼于学生是否花费大量时间沉浸于那些技术，将时间投资在深入研究工具上，这会让你在找第一份工作时拥有绝对 的优势。下面就来看看这些工具：

IPython

IPython是多种编程语言的交互式计算的命令外壳，最初为Python编程语言开发，提供了增强自省、富媒体、增加额外的shell语法、tab补全和丰富的历史功能。IPython提供以下功能：

强大的shell交互功能(基于QT终端)

一个基于浏览器的笔记本，支持代码、文本、数学共表达式、内置图表和其他富媒体

支持交互数据可视化和使用GUI工具包

灵活的、可嵌入的将解释程序加载到自有工程里

易用，并行计算的高性能工具

GraphLab Create

GraphLab Create是一个Python库，由C++引擎支持，用于快速构建大规模、高性能的数据产品。

下面是GraphLab Create的一些特点：

能够在您的计算机上交互高速的分析TB量级数据

可分析表格数据、图形、文本和图像的单一平台

先进的技术机器算法学习，包括深度学习、进化树、factorization machines理论

使用Hadoop Yarn或EC2集群在你的笔记本上运行相同的代码

利用灵活的API接口使自己专注于任务或机器学习

使用数据预测服务轻松部署云数据产品。

为探索和生产监测建立可视化数据

Pandas

Pandas有BSD开源许可，是让Python编程语言更加易于使用的数据结构和数据分析的开源软件。在数据修改和预处理方面，Python早已十分强大，但是在数据分析和建模上，Python还不是十分完善。Pandas正好弥补了这一短板，它能够使你的全部数据分析能够在Python上实施，而不用借助于其他特定语言(例如R语言)。

结 合强大的Python工具包和其他库，它在Python的数据分析环境中能够有优异的性能、生产力和兼容性。Pandas不能实现超出建模函数外线性回归 和面板会归;这可以通过看statsmodels和scikit学习。要把Python做成首位的统一建模环境还有很多工作要做，但我们已经在奔向目标的 道路上了。

PuLP

线性编程是优化的一个类型，一个目标函数应该最大化的给与一定限制。PuLP是用Python写的线性编程模型。PuLP可以生成线性文件，调用高度优化的求解器GLPK、COIN CLP/CBC、CPLEX和GUROBI来解决线性问题。

Matplotlib

Matplotlib是一个Python 2D的绘图库，它可以生成高质量图表，用于跨平台的硬件格式和交互式环境中。Matplotlib可以用于Python脚本，Python和IPython的shell界面(ALA Matlab或Mathematica)，web应用服务器和6类图形用户界面工具包。

Matplotlib试图让简单的事情更简单，让困难的事情增加可能性。仅用几行代码就可生成图像、直方图、能量光谱、柱状图、散点图等等。

对于简单的绘图，Pyplot接口提供了一个MATLAB-like界面，特别是在结合IPython时。对于有能力的用户，你可以完全控制线型、字体属性、坐标属性等等，并且通过一个面向对象的接口或提供一组函数给MATLAB用户。

Scikit-Learn

Scikit-Learn是一个简单有效的数据挖掘和数据分析工具。他的优点就在于，在任何情况下都是可以访问的，并且在多种语境下可以重复使用。它基于NumPy、SciPy和mathplotlib构建。Scikit-Learn采用开源BSD许可，在商业上可用。Scikit-Learn有以下特点：

分类：识别对象属于哪一类别

回归：预测一个对象相关联的持续价值属性

聚类：类似属性对象的自动分组聚集

降维：减少需考虑的随机变量的数目

模型选择：比较、验证和选择参数模型

预处理：特征提取和规范化

Spark

Spark 由一个驱动程序组成，它可以运行用户的main函数，且能在集群上执行各种并行操作。Spark最主要的优点就是它提供弹性分布式数据集(RDD)，这是 一个可并行操作的按聚类节点分区的元素集合。RDDs可在Hadoop文件系统中创建(或任何其他的Hadoop支持的文件系统)，或现有的Scala集 合中已有的标量数据集合将其转化。用户可能也希望Spark能够保存RDD，并且允许有效复用和并行操作。最后，RDDs无法自动从节点中复原。

Spark 的另一个优势是可被用于并行操作的变量共享。默认情况下，当Spark并行的运行一个作为不同节点上的任务的函数时，它将每一个函数中的变量给每份任务都 拷贝一份。有时，一个变量需要在任务间共享，或是在任务和驱动程序间共享。Spark支持两种类型的共享变量：广泛散布的变量(可用在所有节点缓存上的数 据)、累加器(只能执行“相加”)，像计数器和加法。

原文地址：Seven Python Tools All Data Scientists Should Know How to Use

---

---