python與數據科學
⑴ 大數據和python有關系嗎
什麼是大數據?無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。
為什麼說Python大數據？
大數據涉及數據挖掘以及數據處理，而Python是數據最佳註解，這就是Python和大數據的聯系。
數據挖掘無疑是很多公司或者個人的首選，畢竟大部分公司都沒有生產數據的能力，所以只能依靠數據挖掘。而網路爬蟲是Python傳統強勢領域，擁有爬蟲框架Scrapy、HTTP工具包urlib2、HTML解析工具beautifulsoup、XML解析器lxml等。
Python由於能夠很好地支持協程操作，基於此發展起來很多並發庫，比如說Gevent、Eventlet等框架，有了對高並發的支持，網路爬蟲才是真正達到大數據規模。
數據處理，有了數據之後我們還需要進行處理，才可以找到適合自己的數據。在數據處理方面，Python也是數據科學家最喜歡的語言之一，這是因為Python本身就是一門工程性語言，數據科學家用Python實現的演算法，可以直接應用，更加省事。
也正因為種種原因，讓Python語言成為很多公司處理大數據的首選。
⑵ 如何利用python語言進行數據分析
隨著互聯網的不斷發展，數據分析已經成為指導我們工作方向的主要依據之一，而歲散今天我們就一起來了解一下，如租返何利用python編程開發來進行數據分析，下面電腦培訓就開始今天的主要內容吧。
為什麼要學習Python進行數據分析?
Python作為一種用於數據分析的語言，近引起了廣泛的興趣。我以前學過Python的基礎知識。下面是一些支持學習Python的原因:
開源-免費安裝
很棒弊雀飢的在線社區
簡單易學
可以成為數據科學和基於web的分析產品生成的通用語言
不用說，它也有一些缺點:
它是一種解釋語言而不是編譯語言——因此可能會佔用更多的CPU時間。但是，考慮到節省了程序員的時間(由於易於學習)，它仍然是一個不錯的選擇。
Python2.7和3.4
這是Python中受爭議的話題之一。您一定會遇到它，特別是如果您是初學者的話。這里沒有正確/錯誤的選擇。這完全取決於情況和你的需要。我會試著給你一些建議來幫助你做出明智的選擇。
為什麼Python2.7?
很棒的社區支持!這是你早年需要的東西。Python2於2000年末發布，已經使用了超過15年。
過多的三方庫!雖然許多庫都提供了3.x支持，但仍然有很多模塊只能在2.x版本上工作。如果您計劃將Python用於特定的應用程序，比如高度依賴外部模塊的web開發，那麼使用2.7可能會更好。
⑶ 為什麼從事大數據行業，一定要學習Python
Python這只小蟲子最近隨著大數據的興起可以說是十分的火了。有越來越多的人不敢小覷Python這門語言了。也有更多的人在學習Python。Python為何會有如此大的魅力？為什麼從事大數據行業必學Python？這還要從Python這門語言的優點開始講起。
雖然Python這種語言不如Java、C++這些語言普及，卻早在1991年就已經誕生了。它的語法簡單清晰，以實用為主，是門十分樸素的語言。同時，它還是編程語言中的「和事佬」，被人戲稱為膠水語言。因為它能夠將其他語言製作的各種模塊很輕松的聯結在一起。
如果將Python語言擬人化，它絕對屬於「老好人」的那一類，讓人容易親近，人們與它交流並不需要花太多心思。但它卻擁有強大的功能。很多語言不能完成的任務，Python都能輕易完成。它幾乎可以被用來做任何事情，應用於多個系統和平台。無論是系統操作還是Web開發，抑或是伺服器和管理工具、部署、科學建模等，它都能輕松掌握。因此，從事海量數據處理的大數據行業，自然少不了這個「萬能工具」。
除此之外，Python這只小蟲子還受到了大數據老大哥Google的青睞。Google的很多開發都用到了Python。這使得人們能夠找到Python的很多指南和教程。讓你學起來更方便，你在使用中可能遇到的很多問題大多數都已經被Google給解決了，並把解決方法發布到了網路平台。
Python還擁有一系列非常優秀的庫，這省了你編程中的很多時間。尤其是在人工智慧和機器學習領域，這些庫的價值體現得更為明顯。
不管怎麼說，從事大數據工作，少不得要在網路上爬取數據，不用Python爬蟲，你還打算用什麼呢？
因此，在當前的大數據領域，從事大數據行業必學Python。
人工智慧、大數據、雲計算和物聯網的未來發展值得重視，均為前沿產業，多智時代專注於人工智慧和大數據的入門和科譜，在此為你推薦幾篇優質好文：
————————————————
版權聲明：本文為CSDN博主「oshidai」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/oshidai/article/details/88712833
⑷ 學python 用途
Python的中文名稱為蟒蛇，是一種計算機程序設計語言;是一種動態的、面向對象的腳本語言。最初是用來編寫自動化腳本的，隨著版本的不斷更新和語言新功能的添加，越來越多被用於獨立的、大型項目的開發。
Python的用途有很多，以下為大家介紹一下Python最常見的用途：
1、Web開發
Python擁有非常完善的與Web伺服器進行交互的庫，以及大量的免費的前端網頁模板。更具優勢的是，有非常優秀且成熟的Django
Web框架，功能一應俱全。
2、數據科學
數據科學，包含了機器學習、數據處理。
①數據處理：Python作為一門工程性語言，對於數據處理的類庫是相當豐富的，比如有高性能的科學計算類庫Numpy和Scipy;大名鼎鼎的雲計算框架OpenStack就是Python開發的。
②機器學習：可以研究人工智慧、機器人、語言識別、圖像識別、自然語言處理和專家系統等。
3、網路爬蟲
網路爬蟲又稱為網路蜘蛛，是指按照某種規則在網路上爬取所需內容的腳本程序。眾所周知，每個網頁通常包含其他網頁的入口，網路爬蟲則通過一個網址依次進入其他網址獲取所需內容。
在爬蟲領域，Python是獨領風騷的。Python有非常豐富的庫去訪問網頁文檔的介面API以及後期網頁文檔的快速處理。
4、Linux系統運維
事實上，在早期都是通過shell腳本去實現自動化運維，但是由於shell腳本本身可編程的能力偏弱，一些需要實現的功能的庫也很少，大部分都需要自己從頭寫起，然而Python作為膠水語言可以很方便的和其他語言集成起來，對各類工具進行二次開發，形成一套自己的運維管理系統。
5、游戲開發
Python在游戲開發方面可能不及lua或者C++，但是由於Python腳本化的特點，類似於游戲劇本、游戲玩法邏輯等這種非常靈活的設計上，我們修改起來十分方便。當然了，如果開發一款小的游戲程序，Python還是很具有優勢的，比較出名的就是pygame了，對於我們而言是一個福音。
6、桌面應用開發
在桌面應用開發領域，Python可以實現對C++的無縫對接，並且同時支持QT和GTK。
⑸ R vs Python，誰才是數據科學的最佳語言
Python的介紹
Python是由Guido van Rossum 1991年創建，強調效率和代碼的可讀性。希望深入的數據分析或應用統計技術的程序員一些Python用於統計的主要用戶。
你越接近在工程環境中工作，越有可能更喜歡Python。它是一種靈活的語言，並讓其專注於可讀性和簡單性，它的學習曲線是比較低的。
R的介紹
Ross Ihaka 和 Robert Gentleman 1995年創建開源語言R作為S編程語言的實現.其目的是開發一個提供更好更人性化數學據分析,統計和圖形模型的語言.最初,R主要是在學術和研究中使用,最近其餘也開始使用R.這使得R成為全球發展最快的統計語言。
Python和R在機器學習與數據分析領域中的對比
機器學習和數據分析之間的差異有些難以言明，但二者最主要的不同就在於，比起模型的可解釋性，機器學習更加強調預測的准確性;而數據分析則更加看重模型的可解釋性以及統計推斷。Python ，由於更看重預測結果的准確性，使其成為機器學習的一把利器。 R ，作為一種以統計推斷為導向的編程語言，在數據分析界也得核扮到廣泛應用。
當然，這並不代表二者只能在各自的一個領域中得到應用。它們都擁有相當多的資源庫去實現彼此特定的函數功能，比如 Python 就有很多資源庫來提高自己統計推斷的能力，R 也有很多包可以提升預測的准確率。
Scikit-learn 可能是 Python 最受歡迎的機器學習資源庫了。基於 Numpy 和 Scipy ，scikit-learn 提供大量用於數據挖掘和分析的工具，從而提高了 Python 本就出色的機器學習可用性。NumPy 和 SciPy 各自為戰，雖然它們是 Python 中數據分析的核心部分，但數據分析家更可能僅僅原生地去使用它們，而不是基於一個更高的角度。 Scikit-learn 卻將二者結合成為一個機器學習資源庫，同時也降低了大家的學習門檻。
在數據分析領域，Python 也因幾個庫而包受推崇。 作為其中最為著名的庫之一，Pandas 為 Python 提供了高性能處理的數據結構和數據分析工具。如同其他很多 Python 的庫一樣，從你著手一個新項目到真正做些有價值的工作這過程的時間將會因它大大縮短。如果你執著於 Python 同時又希望使用 R 的功能， RPy2 庫能夠提供所有 R 的主要功能，並給你一個 R 在 Python 中使用的流暢化體驗。
就像 Python 一樣，R 也擁有大量的包來提升它的表現。要想在機器學習領域媲美 Python，R 中的 Nnet 包具有快速構建神經網路模型的能力。通過提供一系列函數來提升所構建模型的有效性，Caret 包也可以加強 R 在機器學習的能力數亂。
就 R 在數據分析領域的表現，仍然有很多包可以用來提升它本就出色的能力。不管是建模前的准備，建模，以及建模後的分析工作，R 都有很多包可以勝任。這些包大多專門用來完成特定的任務，比如數據的可視化，連續變數回歸和模型驗證。
Python和R不同角度分析
從定位角度看，R致力於提供更好的，對用戶友好的數據分析、統計分析和繪圖模型；而Python則強調生產效率和代碼的可讀性。
雙方的用戶群也有一定的差異。R主要用於學術和研究領域，如今正在快速拓展其企業市場的運用。Python的使用者改畢灶，是那些想深入鑽研數據分析或者應用統計技術的程序員，以及向數據科學尋求幫護的開發者。用一句話總結：「越接近統計研究跟數據分析人，越傾向R；越接近工程開發工程環境的人，越傾向Python」。
關於易學習性，開始學習R時有一個陡峭的學習曲線，一旦了解了最基本知識，就能很容易地學習更高級的知識。因此，對於有經驗的程序員，R並不難。由於Python看重可讀性和易用性，使得它的學習曲線相對比較低並且平緩。因此，對於初級程序員，Python 被認為是一個很好的編程語言。
⑹ 有哪些關於python數據分析方面比較好的書
基於我豐厚的收藏，我來回答這個問題再合適不過了。
我們把殲睜Python數據分析拆解為兩點：
第一，我們要學會Python的基本使用；第二，我們要學會Python的數據分敏碼析庫（假設你已經有了數據分析的基本理解，只是不清楚如何用Python完成數據分析工作）。因此，我們針對兩個目的，分別列出一些書目。
Python的使用
《Python編程：從入門到實踐》：拋棄那些大部頭吧，我們不是Python後端工程師，不是Python前段工程師，也不是Python全棧開發者，我們暫時不需要掌握那麼多亂七八糟的功能。對於新手來說，二八法則永遠適用，我們只需要掌握百分之二十的功能，就足以應對絕大多數的工作了。《Python編程快速上手-讓繁瑣工作自動化》：同上，兩部都是比較好的入門書，可以幫助我們簡單、快速地上手。《Python3Cookbook》：這本書可以幫助你更加深入地探索Python3，里邊有各種各樣翔實的案例，假如你的目的只是學會使用Python做數據分析，這本書完全可以保證你在Python3的使用上沒有短板。關於數據分析
《利用Python進行數據分析》第二版：這本書是Python數據分析領域聖經一般的書籍，作者是強大的數據分析庫Pandas的作者，他在書中講解了numpy、pandas、matplotlib等庫，作為入門書再好不過了。更重要的是，這本書由淺入深，可以開啟我們使用Python進行數據分析的大門。《Python數據分析》第二版：非同步社區有中文第二版，里邊更加深入地探討了如何使用Python進行數據分析工作，包括了對統計學、線性代數、可視化、時間序列、資料庫、自然語言處理、機器學習等方面的內容，這本書可以幫助我們更進一步關於數據挖掘
《數據科學入門》：從零開始踏入數據科學的大門，搭建屬於自己的數據分析、數據挖掘工具。它能幫助我們更加深入地理解數據分析和數據挖掘的過程。《Python數據科學手冊》：強烈推薦，這部分由淺入深，詳細講氏拿歲解了數據分析、數據挖掘、機器學習的流程。《機器學習實戰》：經典書，但是使用的是Python2，年頭也比較久了，也是從零搭建機器學習的模型，對於我們深入理解機器學習的過程有很好的幫助。關於數據可視化
《Python數據可視化編程實戰》第二版：很詳細的書。《Python數據可視化之matplotlib實踐》：極好的matplotlib入門書，非常適合新手學習。由於Python如日中天，因此Python數據分析相關的書籍非常多，我們能認真讀完幾本，基本上都可以掌握大多數的數據科學流程。下邊是我收藏的一些書，感興趣的可以自己搜索一下，網上有正版出售，比如圖靈社區、非同步社區、華章數媒、博文視點等均有優質IT書籍出售，包括紙質版和電子版。
⑺ 如何正確學習數據科學中的 python
作者 | skura
來源 | AI開發者
大多數有抱負的數據科學家是通過學習為開發人員開設的編程課程開始認識 python 的，他們也開始解決類似 leetcode 網站上的 python 編程難題。他們認為在開始使用 python 分析數據之前，必須熟悉編程概念。
資深數據分析師 Manu Jeevan 認為，這是一個巨大的錯誤，因為數據科學家使用 python 來對數據進行檢索、清洗、可視化和構建模型，而不是開發軟體應用程序。實際上，為了完成這些任務，你必須將大部分時間集中在飢肢學習 python 中的模塊和庫上。他認為，學習數據科學的正確姿勢應該如下文，AI 開發者進行了編譯整理。
請按照下面這個步驟來學習數據科學的 python。
配置編程環境
Jupyter Notebook 是開發和展示數據科學項目的強大編程環境。
在電腦上安裝 Jupyter Notebook 最簡單的方法是通過 Anaconda 進行安裝。Anaconda 是數據科學中使用最廣泛的 python 工具，它預裝了所有最流行的庫。
你可以瀏覽標題為「A Beginner』s Guide to Installing Jupyter Notebook Using Anaconda Distribution」的博客文章（https://medium.com/better-programming/beginners-quick-guide-for-handling-issues-launching-jupyter-notebook-for-python-using-anaconda-8be3d57a209b），了解如何安裝 Anaconda。安裝 Anaconda 時，請選擇最新的 python 3 版本。
安裝完 Anaconda 後，請閱讀 Code Academy 的這篇文章（https://www.codecademy.com/articles/how-to-use-jupyter-notebooks），了解如何使用 Jupyter Notebook。
只學習 python 的基礎知識
Code Academy 有一門關於 python 的優秀課程，大約需要 20 個小時才能完成。你不必升級到 pro 版本，因為你的目標只是熟悉 python 編程語言的基礎知識。課程地址：https://www.codecademy.com/learn/learn-python-3
NumPy 和 Pandas，學習的絕佳閉陵資源
在處理計算量大的演算法和大量數據時，python 速度較慢。你可能會問，既然如此那為什麼 python 是數據科學最流行的編程語言？
答案是，在 python 中，很容易以 C 或 Fortran 擴展的形式將數字處理任務轉移到底層。這正是 NumPy 和 Pandas 所做的事情。
首先，你應該學會 NumPy。它是用 python 進行科學計算的最基本的模塊。NumPy 支持高度優化的多維數組，這是大多數機器學習演算法最基本的數據結構。
接下來，你應該學習 Pandas。數據科學家花費大部分時間清洗數據，這也被稱為數據整。
Pandas 是操作數據最流行的 python 庫。Pandas 是 NumPy 的延伸。Pandas 的底層代碼廣泛使用 NumPy 庫。Pandas 的主要數據結構稱為數據幀。
Pandas 的創造者 Wes McKinney 寫了一本很棒的書，叫做《Python for Data Analysis》（https://www.amazon.com/Python-Data-Analysis-Wrangling-IPython-ebook/dp/B075X4LT6K）。在書中的第 4、5、7、8 和 10 章可以學習 Pandas 和 NumPy。這些章節涵蓋了最常用的 NumPy 和 Pandas 特性來處理數據。
學習使用 Matplotlib 可視化數據
Matplotlib 是用於創建基本可視化圖形的基本 python 包。你必須學習如何使用 Matplotlib 創建一些最常見的圖表，如折線圖轎肢戚、條形圖、散點圖、柱狀圖和方框圖。
另一個建立在 Matplotlib 之上並與 Pandas 緊密結合的好的繪圖庫是 Seaborn。在這個階段，我建議你快速學習如何在 Matplotlib 中創建基本圖表，而不是專注於 Seaborn。
我寫了一個關於如何使用 Matplotlib 開發基本圖的教程，該教程由四個部分組成。
第一部分：Matplotlib 繪制基本圖（http://nbviewer.ipython.org/gist/manujeevanprakash/138c66c44533391a5af1） 第二部分：如何控制圖形的樣式和顏色，如標記、線條粗細、線條圖案和使用顏色映射（https://nbviewer.jupyter.org/gist/manujeevanprakash/7dc56e7906ee83e0bbe6） 第三部分：注釋、控制軸范圍、縱橫比和坐標系（https://nbviewer.jupyter.org/gist/manujeevanprakash/7cdf7d659cd69d0c22b2） 第四部分：處理復雜圖形（https://nbviewer.jupyter.org/gist/manujeevanprakash/7d8a9860f8e43f6237cc）你可以通過這些教程來掌握 Matplotlib 的基本知識。
簡而言之，你不必花太多時間學習 Matplotlib，因為現在公司已經開始採用 Tableau 和 Qlik 等工具來創建互動式可視化。
如何使用 sql 和 python
數據有組織地駐留在資料庫中。因此，你需要知道如何使用 SQL 檢索數據，並使用 python 在 Jupyter Notebook 中執行分析。
數據科學家使用 SQL 和 Pandas 來操縱數據。有一些數據操作任務使用 SQL 就可以很容易地執行，並且有一些任務可以使用 Pandas 高效地完成。我個人喜歡使用 SQL 來檢索數據並在 Pandas 中進行操作。
如今，公司使用 Mode Analytics 和 Databricks 等分析平台來輕松地使用 python 和 SQL。
所以，你應該知道如何一起有效地使用 SQL 和 python。要了解這一點，你可以在計算機上安裝 SQLite 資料庫，並在其中存儲一個 CSV 文件，然後使用 python 和 SQL 對其進行分析。
這里有一篇精彩的博客文章，向你展示了如何做到這一點：Programming with Databases in Python using SQLite（https://medium.com/analytics-vidhya/programming-with-databases-in-python-using-sqlite-4cecbef51ab9）。
在瀏覽上述博客文章之前，你應該了解 SQL 的基礎知識。Mode Analytics 上有一個很好的關於 SQL 的教程：Introction to SQL（https://medium.com/analytics-vidhya/programming-with-databases-in-python-using-sqlite-4cecbef51ab9）。通過他們的基本 SQL 部分，了解 SQL 的基本知識，每個數據科學家都應該知道如何使用 SQL 有效地檢索數據。
學習和 python 相關的基本統計學知識
多數有抱負的數據科學家在不學習統計學的基礎知識的情況下，就直接跳到機器學習知識的學習中。
不要犯這個錯誤，因為統計學是數據科學的支柱。而且，很多數據科學家學習統計學只是學習理論概念，而不是學習實踐概念。
我的意思是，通過實踐概念，你應該知道什麼樣的問題可以用統計學來解決，了解使用統計數據可以解決哪些挑戰。
以下是你應該了解的一些基本統計概念：
抽樣、頻率分布、平均值、中位數、模式、變異性度量、概率基礎、顯著性檢驗、標准差、z 評分、置信區間和假設檢驗（包括 A/B 檢驗）
要學習這些知識，有一本很好的書可以看看：《Practical Statistics for Data Scientists: 50 Essential Concepts》（https://www.amazon.com/Practical-Statistics-Data-Scientists-Essential/dp/9352135652）。不幸的是，本書中的代碼示例是用 R 編寫的，但是很多人包括我自己在內使用的是 Python。
我建議你閱讀本書的前四章。閱讀本書的前 4 章，了解我前面提到的基本統計概念，你可以忽略代碼示例，只了解這些概念。本書的其餘章節主要集中在機器學習上。我將在下一部分討論如何學習機器學習。
大多數人建議使用 Think Stats （https://www.amazon.com/Think-Stats-Allen-B-Downey/dp/1449307116）來學習 python 的統計知識，但這本書的作者教授了自己的自定義函數，而不是使用標準的 python 庫來進行統計知識講解。因此，我不推薦這本書。
接下來，你的目標是實現在 Python 中學習的基本概念。StatsModels 是一個流行的 python 庫，用於在 python 中構建統計模型。StatsModels 網站提供了關於如何使用 Python 實現統計概念的優秀教程。
或者，你也可以觀看 Ga?l Varoquaux 的視頻。他向你展示了如何使用 Pandas 和統計模型進行推理和探索性統計。
使用 Scikit-Learn 進行機器學習
Scikit-Learn 是 Python 中最流行的機器學習庫之一。你的目標是學習如何使用 Scikit Learn 實現一些最常見的機器學習演算法。
你應該像下面這樣做。
首先，觀看 Andrew Ng 在 Coursera 上的機器學習課程（https://www.coursera.org/learn/machine-learning）的第 1、2、 3、6,、7 和第 8 周視頻。我跳過了關於神經網路的部分，因為作為初學者，你必須關注最通用的機器學習技術。
完成後，閱讀「Hands-On Machine Learning with Scikit-Learn and TensorFlow」一書（https://www.amazon.com/Hands-Machine-Learning-Scikit-Learn-TensorFlow/dp/1491962291）。你只需瀏覽這本書的第一部分（大約 300 頁），它是最實用的機器學習書籍之一。
通過完成本書中的編碼練習，你將學習如何使用 python 實現你在 Andrew Ng 課程中學習到的理論概念。
結論
最後一步是做一個涵蓋上述所有步驟的數據科學項目。你可以找到你喜歡的數據集，然後提出有趣的業務問題，再通過分析來回答這些問題。但是，請不要選擇像泰坦尼克號這樣的通用數據集。你可以閱讀「19 places to find free data sets for your data science project」來查找合適的數據集（https://www.dataquest.io/blog/free-datasets-for-projects/）。
另一種方法是將數據科學應用到你感興趣的領域。例如，如果你想預測股票市場價格，那麼你可以從 Yahoo Finance （https://www.scrapehero.com/scrape-yahoo-finance-stock-market-data/）中獲取實時數據，並將其存儲在 SQL 資料庫中，然後使用機器學習來預測股票價格。
如果你希望從其它行業轉行到數據科學，我建議你完成一個利用你的領域專業知識的項目。關於這些，我在以前的博客文章"A Step-by-Step Guide to Transitioning your Career to Data Science – Part 1"（https://www.kdnuggets.com/2019/05/guide-transitioning-career-data-science-part-1.html） 和"A Step-by-Step Guide to Transitioning your Career to Data Science – Part 2"（https://www.kdnuggets.com/2019/06/guide-transitioning-career-data-science-part-2.html）中有提到過。
⑻ 為什麼Python是數據科學最好選擇
應該不能這么去對比吧，因為不管什麼語言，都有他的優勢，C語言有他的強大，Python語穗哪言也有粗銷他的強大，但猜凳碼是說實話，近幾年Python比較火，希望採納。
⑼ python可以做數據分析嗎
Python已成為數據分析和數據科學事實上的標准語言和標准平台之一。
下面是Python生態系統為數據分析師和數據科學家提供的常用程序庫。
NumPy：這是一個通用程序庫，不僅支持常用的數值數組，同時提供了用於高效處理這些數組的函數。
SciPy：這是Python的科學計算庫，對NumPy的功能進行了大量擴充，同時也有部分功能是重合的。Numpy和SciPy曾經共享基礎代碼，後來分道揚鑣了。
Pandas：這是一個用於數據處理的程序庫，不僅提供了豐富的數據結構，同時為處理數據表和時間序列提供了相應的函數。
Matplotlib：這是一個2D繪圖庫，在繪制圖形和圖像方面提供了良好的支持。當前，Matplotlib已經並入SciPy中並支持NumPy。
IPython：這個庫為Python提供了強大的互動式Shell，也為Jupyter提供了內核，同時還支持互動式數據可視化功能。
Jupyter Notebook：它提供了一個基於Web的互動式shell，可以創建和共享支持可實時代碼和可視化的文檔。Jupyter Notebook通過IPython提供的內核支持多個版本的Python。
python可以說是數據分析一大利器。