盤點(diǎn)七個(gè)重要的Python庫(kù)
01 NumPy
NumPy是Numerical Python的簡(jiǎn)寫，是Python數(shù)值計(jì)算的基石。它提供多種數(shù)據(jù)結(jié)構(gòu)、算法以及大部分涉及Python數(shù)值計(jì)算所需的接口。NumPy還包括其他內(nèi)容：
- 快速、高效的多維數(shù)組對(duì)象ndarray
- 基于元素的數(shù)組計(jì)算或數(shù)組間數(shù)學(xué)操作函數(shù)
- 用于讀寫硬盤中基于數(shù)組的數(shù)據(jù)集的工具
- 線性代數(shù)操作、傅里葉變換以及隨機(jī)數(shù)生成
成熟的C語(yǔ)言API，允許Python拓展和本地的C或C++代碼訪問NumPy的數(shù)據(jù)結(jié)構(gòu)和計(jì)算設(shè)施。
除了NumPy賦予Python的快速數(shù)組處理能力之外，NumPy的另一個(gè)主要用途是在算法和庫(kù)之間作為數(shù)據(jù)傳遞的數(shù)據(jù)容器。對(duì)于數(shù)值數(shù)據(jù)，NumPy數(shù)組能夠比Python內(nèi)建數(shù)據(jù)結(jié)構(gòu)更為高效地存儲(chǔ)和操作數(shù)據(jù)。
此外，用底層語(yǔ)言編寫的庫(kù)，例如用C或Fortran編寫的庫(kù)，可以在NumPy數(shù)組存儲(chǔ)的數(shù)據(jù)上直接操作，而無(wú)須將數(shù)據(jù)復(fù)制到其他內(nèi)存中后再操作。因此，許多Python的數(shù)值計(jì)算工具將NumPy數(shù)組作為基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)，或與NumPy進(jìn)行無(wú)縫互操作。
02 pandas
pandas提供了高級(jí)數(shù)據(jù)結(jié)構(gòu)和函數(shù)，這些數(shù)據(jù)結(jié)構(gòu)和函數(shù)的設(shè)計(jì)使得利用結(jié)構(gòu)化、表格化數(shù)據(jù)的工作快速、簡(jiǎn)單、有表現(xiàn)力。它出現(xiàn)于2010年，幫助Python成為強(qiáng)大、高效的數(shù)據(jù)分析環(huán)境。常用的pandas對(duì)象是DataFrame，它是用于實(shí)現(xiàn)表格化、面向列、使用行列標(biāo)簽的數(shù)據(jù)結(jié)構(gòu)；以及Series，一種一維標(biāo)簽數(shù)組對(duì)象。
pandas將表格和關(guān)系型數(shù)據(jù)庫(kù)（例如SQL）的靈活數(shù)據(jù)操作能力與NumPy的高性能數(shù)組計(jì)算的理念相結(jié)合。它提供復(fù)雜的索引函數(shù)，使得數(shù)據(jù)的重組、切塊、切片、聚合、子集選擇更為簡(jiǎn)單。由于數(shù)據(jù)操作、預(yù)處理、清洗在數(shù)據(jù)分析中是重要的技能，pandas將是重要主題。
介紹一點(diǎn)背景知識(shí)，早在2008年，我在一家量化投資企業(yè)——AQR資本管理公司供職時(shí)，便開始了pandas的開發(fā)。那時(shí)候，我有一些獨(dú)特的需求是工具清單上任何單個(gè)工具無(wú)法滿足的：
- 帶有標(biāo)簽軸，支持自動(dòng)化或顯式數(shù)據(jù)對(duì)齊功能的數(shù)據(jù)結(jié)構(gòu)——這可以防止未對(duì)齊數(shù)據(jù)和不同數(shù)據(jù)源的不同索引數(shù)據(jù)所引起的常見錯(cuò)誤
- 集成時(shí)間序列函數(shù)功能
- 能夠同時(shí)處理時(shí)間序列數(shù)據(jù)和非時(shí)間序列數(shù)據(jù)的統(tǒng)一數(shù)據(jù)結(jié)構(gòu)
- 可以保存元數(shù)據(jù)的算術(shù)操作和簡(jiǎn)化
- 靈活處理缺失數(shù)據(jù)
- 流行數(shù)據(jù)庫(kù)（例如基于SQL的數(shù)據(jù)庫(kù)）中的合并等關(guān)系型操作
我想將以上的工作在同一個(gè)地方完成，最好還能在一個(gè)擁有通用軟件開發(fā)能力的語(yǔ)言中實(shí)現(xiàn)。Python就是一個(gè)很好的備選項(xiàng)，但是那時(shí)候并沒有這類數(shù)據(jù)結(jié)構(gòu)的整合集，也沒有能提供相關(guān)功能的工具。結(jié)果就是pandas最初被開發(fā)出來用于解決金融和商業(yè)分析問題，pandas尤其擅長(zhǎng)深度時(shí)間序列和處理商業(yè)進(jìn)程中產(chǎn)生的時(shí)間索引數(shù)據(jù)。
使用R語(yǔ)言進(jìn)行統(tǒng)計(jì)計(jì)算的用戶對(duì)DataFrame的名稱會(huì)非常熟悉，因?yàn)檫@個(gè)對(duì)象是根據(jù)相似的R data.frame對(duì)象進(jìn)行命名的。與Python不同的是，數(shù)據(jù)框在R語(yǔ)言中是標(biāo)準(zhǔn)庫(kù)中的內(nèi)容。因此，pandas中的很多特征通常與R核心的實(shí)現(xiàn)或者R的附加庫(kù)提供的功能一致。
pandas的名字的來源是panel data，這是計(jì)量經(jīng)濟(jì)學(xué)中針對(duì)多維結(jié)構(gòu)化數(shù)據(jù)集的術(shù)語(yǔ)。pandas也是Python data analysis（Python數(shù)據(jù)分析）自身的簡(jiǎn)寫短語(yǔ)。
03 matplotlib
matplotlib是最流行的用于制圖及其他二維數(shù)據(jù)可視化的Python庫(kù)。它由John D. Hunter創(chuàng)建，目前由一個(gè)大型開發(fā)者團(tuán)隊(duì)維護(hù)。matplotlib被設(shè)計(jì)為適合出版的制圖工具。
對(duì)于Python編程者來說也有其他可視化庫(kù)，但matplotlib依然使用最為廣泛，并且與生態(tài)系統(tǒng)的其他庫(kù)良好整合。我認(rèn)為將它作為默認(rèn)可視化工具是一個(gè)安全的選擇。
關(guān)于matplotlib更詳細(xì)講解，請(qǐng)戳：純干貨：手把手教你用Python做數(shù)據(jù)可視化（附代碼）
04 IPython與Jupyter
IPython項(xiàng)目開始于2001年，由Fernando Pérez發(fā)起，旨在開發(fā)一個(gè)更具交互性的Python解釋器。在過去的16年中，它成為Python數(shù)據(jù)技術(shù)棧中最重要的工具之一。
盡管它本身并不提供任何計(jì)算或數(shù)據(jù)分析工具，它的設(shè)計(jì)側(cè)重于在交互計(jì)算和軟件開發(fā)兩方面將生產(chǎn)力最大化。它使用了一種執(zhí)行-探索工作流來替代其他語(yǔ)言中典型的編輯-編譯-運(yùn)行工作流。它還提供針對(duì)操作系統(tǒng)命令行和文件系統(tǒng)的易用接口。由于數(shù)據(jù)分析編碼工作包含大量的探索、試驗(yàn)、試錯(cuò)和遍歷，IPython可以使你更快速地完成工作。
2014年，F(xiàn)ernando和IPython團(tuán)隊(duì)發(fā)布了Jupyter項(xiàng)目。Jupyter項(xiàng)目旨在設(shè)計(jì)一個(gè)適用于更多語(yǔ)言的交互式計(jì)算工具。IPython web notebook 則成為Jupyter notebook，可以支持超過40種編程語(yǔ)言。IPython系統(tǒng)目前可以作為一個(gè)內(nèi)核（一種編程語(yǔ)言模式）用于在 Jupyter 中使用Python。
IPython自身已成為 Jupyter開源項(xiàng)目中的一個(gè)組件，后者提供交互性、探索性的高效環(huán)境。IPtyhon最古老、最簡(jiǎn)單的“模式”就是一個(gè)加強(qiáng)版的Python命令行，用于提高編寫、測(cè)試、調(diào)試Python代碼的速度。
你也可以通過基于Web、支持多語(yǔ)言的代碼“筆記本”——Jupyter Notebook來使用IPython系統(tǒng)。IPython命令行和 Jupyter notebook對(duì)于數(shù)據(jù)探索和可視化非常有用。
Jupyter notebook系統(tǒng)允許你使用Markdown和HTML創(chuàng)建包含代碼和文本的富文檔。其他編程語(yǔ)言也針對(duì)Jupyter實(shí)現(xiàn)了內(nèi)核，允許你在Jupyter中使用多種語(yǔ)言而不僅僅是Python。
對(duì)我個(gè)人來說，IPython涉及我工作的大部分內(nèi)容，包括運(yùn)行、調(diào)試、測(cè)試代碼。
05 SciPy
SciPy是科學(xué)計(jì)算領(lǐng)域針對(duì)不同標(biāo)準(zhǔn)問題域的包集合。以下是SciPy中包含的一些包：
- scipy.integrate
數(shù)值積分例程和微分方程求解器
- scipy.linalg
線性代數(shù)例程和基于numpy.linalg的矩陣分解
- scipy.optimize
函數(shù)優(yōu)化器（最小化器）和求根算法
- scipy.signal
信號(hào)處理工具
- scipy.sparse
稀疏矩陣與稀疏線性系統(tǒng)求解器
- scipy.special
SPECFUN的包裝器。SPECFUN是Fortran語(yǔ)言下實(shí)現(xiàn)通用數(shù)據(jù)函數(shù)的包，例如gamma函數(shù)。
- scipy.stats
標(biāo)準(zhǔn)的連續(xù)和離散概率分布（密度函數(shù)、采樣器、連續(xù)分布函數(shù)）、各類統(tǒng)計(jì)測(cè)試、各類描述性統(tǒng)計(jì)。
SciPy與NumPy一起為很多傳統(tǒng)科學(xué)計(jì)算應(yīng)用提供了一個(gè)合理、完整、成熟的計(jì)算基礎(chǔ)。
06 scikit-learn
scikit-learn項(xiàng)目誕生于2010年，目前已成為Python編程者首選的機(jī)器學(xué)習(xí)工具包。僅僅七年，scikit-learn就擁有了全世界1 500位代碼貢獻(xiàn)者。其中包含以下子模塊。
- 分類：SVM、最近鄰、隨機(jī)森林、邏輯回歸等
- 回歸：Lasso、嶺回歸等
- 聚類：k-means、譜聚類等
- 降維：PCA、特征選擇、矩陣分解等
- 模型選擇：網(wǎng)格搜索、交叉驗(yàn)證、指標(biāo)矩陣
- 預(yù)處理：特征提取、正態(tài)化
scikit-learn與pandas、statsmodels、IPython一起使Python成了高效的數(shù)據(jù)科學(xué)編程語(yǔ)言。
07 statsmodels
statsmodels是一個(gè)統(tǒng)計(jì)分析包。它源自斯坦福大學(xué)統(tǒng)計(jì)學(xué)教授Jonathan Taylor 利用R語(yǔ)言實(shí)現(xiàn)的各類分析模型。Skipper Seabold 和 Josef Perktold早在2010年便創(chuàng)建了新的statsmodels項(xiàng)目。自那之后該項(xiàng)目迅速成長(zhǎng)，擁有大量活躍用戶和貢獻(xiàn)者者。
Nathaniel Smith 開發(fā)了Patsy項(xiàng)目，為R語(yǔ)言公式系統(tǒng)所驅(qū)動(dòng)的statsmodels包提供公式、模型規(guī)范框架。
與scikit-learn相比，statsmodels包含經(jīng)典的（高頻詞匯）統(tǒng)計(jì)學(xué)、經(jīng)濟(jì)學(xué)算法。它所包含的模型如下。
- 回歸模型：線性回歸、通用線性模型、魯棒線性模型、線性混合效應(yīng)模型等
- 方差分析（ANOVA ）
- 時(shí)間序列分析：AR、ARMA、ARIMA、VAR等模型
- 非參數(shù)方法：核密度估計(jì)、核回歸
- 統(tǒng)計(jì)模型結(jié)果可視化
statsmodels更專注于統(tǒng)計(jì)推理，提供不確定性評(píng)價(jià)和p值參數(shù)。相反，scikit-learn更專注于預(yù)測(cè)。
關(guān)于作者：韋斯·麥金尼（Wes McKinney）是流行的Python開源數(shù)據(jù)分析庫(kù)pandas的創(chuàng)始人。他是一名活躍的演講者，也是Python數(shù)據(jù)社區(qū)和Apache軟件基金會(huì)的Python/C++開源開發(fā)者。目前他在紐約從事軟件架構(gòu)師工作。
本文摘編自《利用Python進(jìn)行數(shù)據(jù)分析》（原書第2版），經(jīng)出版方授權(quán)發(fā)布。
