| 扩展库 | 简介 |
|---|---|
| NumPy | 提供数组支持及相应的高效处理函数 |
| SciPy | 提供矩阵支持及矩阵相关的数值计算模块 |
| Matplotlib | 强大的数据可视化、作图库 |
| pandas | 强大、灵活的数据分析和探索工具 |
| StatsModels | 统计建模和计量经济学，包括描述统计、统计模型估计和推断 |
| scikit-learn | 支持回归、分类、聚类等强大的机器学习库 |
| Keras | 深度学习库，用于建立神经网络以及深度学习模型 |
| Gensim | 用来做文本主题模型的库，文本挖掘可能会用到 |
Python并没有提供数组功能，虽然列表可以完成基本的数组功能，但它不是真正的数组，而且在数据量较大时，使用列表的速度就会很慢。而NumPy提供了真正的数组功能以及对数据进行快速处理的函数。
**值得注意的是，**NumPy内置函数处理数据的速度是 C 语言级别的，因此在编写程序时，应当尽量使用其内置函数，提高效率（尤其是涉及到循环的问题）。例如当有一组数据包含$0$和其他数字，当我们想要这组数据中的数为$0$时值变为$1$，不为$0$时变为$-1$，那么就可以避免使用循环来判断，直接使用np.where(condition,x,y):如果condition为真，返回x,否则返回y这个函数来处理：np.where(i == 0, 1, -1) 。
NumPy是Python中比较成熟和常用的库，在互联网中有许多教程，比如其👉官网 。
SciPy包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中的计算。显然，这些功能都是挖掘与建模必需的。👉官网 。
SciPy 依赖于 NumPy，因此安装此之前需要安装好 NumPy。安装好 SciPy后，使用 SciPy求解非线性方程组$2x_1-x_2^2=1,x_1^2-x_2=2$和数值积分，代码如下：
#-*-coding:utf-8-
#求解非线性方程组2×1-×2^2=1，×1^2-X2=2
from scipy.optimize import fsolve # 导入求解方程组的函数
def f(x): #定义要求解的方程组
x1=×[0]
×2=×[1]
return[2*X1-X2**2-1，X1★*2-X2-2]
result = fsolve(f，[1，1]) #输入初值[1，1]并求解
print(result) #输出结果，为array（[1.91963957，1.68501606
#数值积分
from scipy import integrate #导入积分函数
def g(x)： #定义被积函数
return(1-×**2)**0.5
pi_2，err=integrate.quad(g，-1，1) #积分结果和误差
print(pi_2*2) #由微积分知识知道积分结果为圆周率p1的一半
不论是数据挖掘还是数学建模，都要面对数据可视化的问题。对于 Python来说，Matplotlib是最著名的绘图库，主要用于二维绘图，当然也可以进行简单的三维绘图。它不仅提供一整套和 MATLAB相似但更为丰富的命令，让我们可以很快捷地用 Python可视化数据，而且允许输出达到出版质量的多种图像格式。
值得注意的是标签中有中文，就会发现中文标签无法正常显示，这是因为 Matplotlib的默认字体是英文子特，解决方法是在作图之前手动指定默认字体为中文字体，如黑体(Sim_Hei)，命令如下：
plt.rcParams['font.sans-serif'] = ['SimHei']
其次，保存作图图像时，也有可能不正常显示，对此可通过以下代码解决：
plt.reParams['axes.unicode_minus'] = False # 解决保存图像时负号‘-’显示为方块的问题
👉官网
pandas是Python下最强大的数据分析和探索工具。它包含高级的数据结构和精巧的工具，使得用户在Python中处理数据非常的简单和快速。
pandas的功能非常强大，支持类似SQL的数据增、删、查、改，并且带有丰富的数据处理函数；支持时间序列分析功能；支持灵活处理缺失数据等。
pandas基本的数据结够是 Series 和 DataFrame 。Series顾名思义就是序列，类似一维数组；DataFrame则相当于一张二维的表格，类似二维数组，它的每一列都是一个 Series 。为了定位Series中的元素，pandas提供了Index这一对象，每个Series都会带有一个对应的Index，用来标记不同的元素，Index的内容不一定是数字，也可以是字母、中文等，它类似于SQL中的主键。
类似的，DataFrame相当于多个带有同样Index的Series的组合（本质是Series的容器），每个Series都带有一个唯一的表头，用来标识不同的Series 。
pandas着重于数据的读取、处理和探索，而StatsModels则更加注重数据的统计建模分析，它使得Python有了R语言的味道。StatsModels支持与pandas进行数据交互，因此，它与pandas结合成为Python下强大的数据挖掘组合。
scikit-learn 是Python下强大的机器学习工具包，它提供了完善的机器学习工具箱，包括数据预处理、分类、回归、聚类、预测、模型分析等。
👉官网
Keras是一个基于Theano的强大的深度学习库，利用它不仅可以搭建普通的神经网络，还可以搭建各种深度学习模型，如自编码模型、循环神经网络、递归神经网络、卷积神经网络等。由于它是基于Theano的，因此速度也相当的快。
Theano也是Python的一个库，用来定义、优化和高效解决多维数组数据对应数学表达式的模型估计问题。它具有高效实现符号分解、高度优化的速度和稳定性等特点，最重要的是它还实现了GPU加速，使得密集型数据的处理速度是GPU的数十倍。用Theano就可以搭建起高效的神经网络模型，然而对于普通读者来说门槛还是相当高。
Keras正是为此而生的，它大大简化了搭建各种神经网络模型的步骤，允许普通用户轻松搭建并求解具有几百个输入节点的深层神经网络。
