Python数据分析工具,主要有哪些?
作者:互联网
python数据分析工具一:IPython
IPython是一个在多种编程语言之间进行交互计算的命令行shell,最开始是用python开发的,提供增强的内省,富媒体,扩展的shell语法,tab补全,丰富的历史等功能。IPython提供了如下特性:
更强的交互shell(基于Qt的终端)
一个基于浏览器的记事本,支持代码,纯文本,数学公式,内置图表和其他富媒体
支持交互数据可视化和图形界面工具
灵活,可嵌入解释器加载到任意一个自有工程里
简单易用,用于并行计算的高性能工具
python数据分析工具二:GraphLabGreate
GraphLabGreate是一个Python库,由C++引擎支持,可以快速构建大型高性能数据产品。
这有一些关于GraphLabGreate的特点:
可以在您的计算机上以交互的速度分析以T为计量单位的数据量。
在单一平台上可以分析表格数据、曲线、文字、图像。
最新的机器学习算法包括深度学习,进化树和factorizationmachines理论。
可以用HadoopYarn或者EC2聚类在你的笔记本或者分布系统上运行同样的代码。
借助于灵活的API函数专注于任务或者机器学习。
在云上用预测服务便捷地配置数据产品。
为探索和产品监测创建可视化的数据。
python数据分析工具三:Pandas
pandas是一个开源的软件,它具有BSD的开源许可,为Python编程语言提供高性能,易用数据结构和数据分析工具。在数据改动和数据预处理方面,Python早已名声显赫,但是在数据分析与建模方面,Python是个短板。Pands软件就填补了这个空白,能让你用Python方便地进行你所有数据的处理,而不用转而选择更主流的专业语言,例如R语言。
整合了劲爆的IPyton工具包和其他的库,它在Python中进行数据分析的开发环境在处理性能,速度,和兼容方面都性能卓越。Pands不会执行重要的建模函数超出线性回归和面板回归;对于这些,参考statsmodel统计建模工具和scikit-
learn库。为了把Python打造成顶级的统计建模分析环境,我们需要进一步努力,但是我们已经奋斗在这条路上了。
python数据分析工具四:PuLP
线性编程是一种优化,其中一个对象函数被最大程度地限制了。PuLP是一个用Python编写的线性编程模型。它能产生线性文件,能调用高度优化的求解器,GLPK,COINCLP/CBC,CPLEX,和GUROBI,来求解这些线性问题。
python数据分析工具五:Matplotlib
matplotlib是基于Python的2D(数据)绘图库,它产生(输出)出版级质量的图表,用于各种打印纸质的原件格式和跨平台的交互式环境。matplotlib既可以用在python脚本,python和ipython的shell界面(alaMATLAB?或Mathematica?),web应用服务器,和6类GUI工具箱。
matplotlib尝试使容易事情变得更容易,使困难事情变为可能。你只需要少量几行代码,就可以生成图表,直方图,能量光谱(powerspectra),柱状图,errorcharts,散点图(scatterplots)等。
为简化数据绘图,pyplot提供一个类MATLAB的接口界面,尤其是它与IPython共同使用时。对于高级用户,你可以完全定制包括线型,字体属性,坐标属性等,借助面向对象接口界面,或项MATLAB用户提供类似(MATLAB)的界面。
python数据分析工具六:Scikit-Learn
Scikit-
Learn是一个简单有效地数据挖掘和数据分析工具(库)。关于最值得一提的是,它人人可用,重复用于多种语境。它基于NumPy,SciPy和mathplotlib等构建。Scikit采用开源的BSD授权协议,同时也可用于商业。Scikit-
Learn具备如下特性:
分类(Classification)–识别鉴定一个对象属于哪一类别回归(Regression)–预测对象关联的连续值属性聚类(Clustering)–类似对象自动分组集合降维(DimensionalityReduction)–减少需要考虑的随机变量数量模型选择(ModelSelection)–比较、验证和选择参数和模型预处理(Preprocessing)–特征提取和规范化。
python数据分析工具七:Spark
Spark由一个驱动程序构成,它运行用户的main函数并在聚类上执行多个并行操作。Spark最吸引人的地方在于它提供的弹性分布数据集(RDD),那是一个按照聚类的节点进行分区的元素的集合,它可以在并行计算中使用。RDDs可以从一个Hadoop文件系统中的文件(或者其他的Hadoop支持的文件系统的文件)来创建,或者是驱动程序中其他的已经存在的标量数据集合,把它进行变换。用户也许想要Spark在内存中永久保存RDD,来通过并行操作有效地对RDD进行复用。最终,RDDs无法从节点中自动复原。
Spark中第二个吸引人的地方在并行操作中变量的共享。默认情况下,当Spark在并行情况下运行一个函数作为一组不同节点上的任务时,它把每一个函数中用到的变量拷贝一份送到每一任务。有时,一个变量需要被许多任务和驱动程序共享。Spark支持两种方式的共享变量:广播变量,它可以用来在所有的节点上缓存数据。另一种方式是累加器,这是一种只能用作执行加法的变量,例如在计数器中和加法运算中。
人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,多智时代专注于人工智能和大数据的入门和科谱,在此为你推荐几篇优质好文:
Python和R语言对比,数据分析与挖掘该选哪一个?
[ http://www.duozhishidai.com/article-21757-1.html
](http://www.duozhishidai.com/article-21757-1.html)
Python工程师与人工智能工程师之间,最根本的区别是什么?
[ http://www.duozhishidai.com/article-14635-1.html
](http://www.duozhishidai.com/article-14635-1.html)
java大数据与python大数据如何选择?
[ http://www.duozhishidai.com/article-12540-1.html
](http://www.duozhishidai.com/article-12540-1.html)
[ 多智时代- 人工智能 和 大数据 学习入门网站|人工智能、大数据、 物联网 、 云计算 的学习交流网站
](http://www.duozhishidai.com)
[
](http://www.duozhishidai.com)
标签:数据分析,duozhishidai,http,哪些,Python,python,com 来源: https://blog.csdn.net/qq_27851579/article/details/118423825