NumPy(Numerical Python)

1. 快速高效的多維數組對象ndarray
2. 用於對數組執行元素級計算以及直接對數組執行數學運算的函數
3. 線性代數運算、傅里葉變換，以及隨機數生成
4. 用於將C、C++,Fortran代碼集成到Python的工具

實例代碼：

import numpy as npnna=np.array([2,0,1,5])nprint (a)nprint (a[:3])nprint (a.min())na.sort()nb=np.array([[1,2,3],[4,5,6]])nprint (a*b)n

pandas

兼具NumPy高性能的數組計算功能以及電子表格和關係型資料庫靈活的數據處理功能。他提供了複雜精細的索引功能，以便更為便捷地完成重塑、切片和切塊，聚合以及選取數據子集等操作。

示例代碼：

import pandas as pdnns =pd.Series([1,2,3],index=[a,b,c])nd =pd.DataFrame([[1,2,3],[4,5,6]],columns=[a,b,c])nd2=pd.DataFrame(s)nnd.head()nd.describe()nnpd.read_excel(data.xlsx)npd.read_csv(data.csv,encoding=utf-8)n

matplotlib

用於繪製數據圖表的Python庫，非常是和創建出版物上用的圖表。它跟ipython結合的很好，提供了一種互動式數據繪圖環境，繪製的圖表也是互動式的，可以利用繪圖窗口中的工具欄放大圖表中的某個區域或對整個圖表進行平移瀏覽。

示例代碼：

import numpy as npnimport matplotlib.pyplot as pltnnx=np.linspace(0,10,100)ny=np.sin(x)+1nz=np.cos(x**2)+1nnplt.figure(figsize=(8,4))nplt.plot(x,y,label=$sin x+1$,color=red,linewidth_=20)nplt.plot(x,z,b--,label=$cos x^2+1$,color=green)nplt.xlabel(Time(s))nplt.ylabel(Volt)nplt.title(A simple Example)nplt.ylim(0,2.2)nplt.legend()nplt.show()n

Scipy

一組專門解決科學計算中各種標準問題域的包的集合，主要包括下面：

1.scipy.integrate:數值積分常式和微分方程求解器

2.scipy.linalg:擴展了由numpy.linalg提供的線性代數常式和矩陣分解功能

3.scipy.optimize：函數優化器以及根查找演算法

4.scipy.signal:信號處理工具

5.scipy.sparse:稀疏矩陣和稀疏線性系統求解器

6.scipy.special:SPECFUN用於實現許多常用數學函數（如伽馬函數）的的fortran的包裝器

7.scipy.stats:標準連續和離散概率分布（如密度函數，採樣器，連續分布函數），各種統計檢驗方法，和更好的描述統計法

8.scipy.weave:利用內聯C++代碼加速數組計算的工具

實例代碼：

from scipy.optimize import fsolvenndef f(x):n x1=x[0]n x2=x[1]nreturn [2*x1 - x2**2 - 1,x1**2 - x2 - 2]nresult =fsolve(f,[1,1])nprint (result) #輸出結果nnnfrom scipy import integrate #導入積分函數ndef g(x):nreturn (1-x**2)**0.5npi_2,err=integrate.quad(g,-1,1)nprint (pi_2 * 2)n

Scokit-Learn + Keras

第一個為機器學習相關的庫，第二個為人工神經網路模型。這兩種庫以後可以慢慢研究。

最後，小主開通了自己的網站：曉生闌珊 歡迎大家來踩踩，文章同步更新，不定期的有彩蛋哦。

推薦閱讀：