python有強(qiáng)大的第三方庫(kù)，廣泛用于數(shù)據(jù)分析，數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等領(lǐng)域，下面小編整理了python數(shù)據(jù)挖掘的一些常用庫(kù)，希望對(duì)各位小伙伴學(xué)習(xí)python數(shù)據(jù)挖掘有所幫助。

[[333250]]

1. Numpy

能夠提供數(shù)組支持，進(jìn)行矢量運(yùn)算，并且高效地處理函數(shù)，線性代數(shù)處理等。提供真正的數(shù)組，比起python內(nèi)置列表來說， Numpy速度更快。同時(shí)，Scipy、Matplotlib、Pandas等庫(kù)都是源于 Numpy。因?yàn)? Numpy內(nèi)置函數(shù)處理數(shù)據(jù)速度與C語言同一級(jí)別，建議使用時(shí)盡量用內(nèi)置函數(shù)。

2. Scipy

基于Numpy,能夠提供了真正的矩陣支持，以及大量基于矩陣的數(shù)值計(jì)算模塊，包括：插值運(yùn)算，線性代數(shù)、圖像信號(hào)，快速傅里葉變換、優(yōu)化處理、常微分方程求解等。

3. Pandas

源于NumPy，提供強(qiáng)大的數(shù)據(jù)讀寫功能，支持類似SQL的增刪改查，數(shù)據(jù)處理函數(shù)非常豐富，并且支持時(shí)間序列分析功能，靈活地對(duì)數(shù)據(jù)進(jìn)行分析與探索，是python數(shù)據(jù)挖掘，必不可少的工具。

Pandas基本數(shù)據(jù)結(jié)構(gòu)是Series和DataFrame。Series是序列，類似一維數(shù)組，DataFrame相當(dāng)于一張二維表格，類似二維數(shù)組，DataFrame的每一列都是一個(gè)Series。

4. Matplotlib

數(shù)據(jù)可視化最常用，也是醉好用的工具之一，python中著名的繪圖庫(kù)，主要用于2維作圖，只需簡(jiǎn)單幾行代碼可以生成各式的圖表，例如直方圖，條形圖，散點(diǎn)圖等，也可以進(jìn)行簡(jiǎn)單的3維繪圖。

5. Scikit-Learn

Scikit-Learn源于NumPy、Scipy和Matplotlib，是一 款功能強(qiáng)大的機(jī)器學(xué)習(xí)python庫(kù)，能夠提供完整的學(xué)習(xí)工具箱(數(shù)據(jù)處理，回歸，分類，聚類，預(yù)測(cè)，模型分析等)，使用起來簡(jiǎn)單。不足是沒有提供神經(jīng)網(wǎng)絡(luò)，以及深度學(xué)習(xí)等模型。

6. Keras

基于Theano的一款深度學(xué)習(xí)python庫(kù)，不僅能夠用來搭建普通神經(jīng)網(wǎng)絡(luò)，還能建各種深度學(xué)習(xí)模型，例如：自編碼器、循環(huán)神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等，重要的是，運(yùn)行速度幾塊，對(duì)搭建各種神經(jīng)網(wǎng)絡(luò)模型的步驟進(jìn)行簡(jiǎn)化，能夠允許普通用戶，輕松地搭建幾百個(gè)輸入節(jié)點(diǎn)的深層神經(jīng)網(wǎng)絡(luò)，定制程度也非常高。

7. Genism

Genism主要用來處理語言方面的任務(wù)，如文本相似度計(jì)算、LDA、Word2Vec等。

8. TensorFlow

google開源的數(shù)值計(jì)算框架，采用數(shù)據(jù)流圖的方式，可靈活搭建深度學(xué)習(xí)模型。