使用这些库把 Python 变成一个科学数据分析和建模工具。
Python 的许多特性，比如开发效率、代码可读性、速度等使之成为了数据科学爱好者的首选编程语言。对于想要升级应用程序功能的数据科学家和机器学习专家来说，Python 通常是最好的选择（比如，Andrey Bulezyuk 使用 Python 语言创造了一个优秀的机器学习应用程序）。
由于 Python 的广泛使用，因此它拥有大量的库，使得数据科学家能够很容易地完成复杂的任务，而且不会遇到许多编码困难。下面列出 3 个用于数据科学的顶级 Python 库。如果你想在数据科学这一领域开始你的职业生涯，就去了解一下它们吧。
NumPy
NumPy（数值 Python 的简称）是其中一个顶级数据科学库，它拥有许多有用的资源，从而帮助数据科学家把 Python 变成一个强大的科学分析和建模工具。ＮumPy 是在 BSD 许可证的许可下开源的，它是在科学计算中执行任务的基础 Python 库。SciPy 是一个更大的基于 Python 生态系统的开源工具，而 NumPy 是 SciPy 非常重要的一部分。
NumPy 为 Python 提供了大量数据结构，从而能够轻松地执行多维数组和矩阵运算。除了用于求解线性代数方程和其它数学计算之外，NumPy 还可以用做不同类型通用数据的多维容器。
此外，NumPy 还可以和其他编程语言无缝集成，比如 C/C++ 和 Fortran。NumPy 的多功能性使得它可以简单而快速地与大量数据库和工具结合。比如，让我们来看一下如何使用 NumPy（缩写成np）来实现两个矩阵的乘法运算。
我们首先导入 NumPy 库（在这些例子中，我将使用 Jupyter notebook）：
接下来，使用eye()函数来生成指定维数的单位矩阵：
输出如下：
让我们生成另一个 3×3 矩阵。
我们使用arange([starting number], [stopping number])函数来排列数字。注意，函数中的第一个参数是需要列出的初始数字，而后一个数字不包含在生成的结果中。
另外，使用reshape()函数把原始生成的矩阵的维度改成我们需要的维度。为了使两个矩阵“可乘”，它们需要有相同的维度。
输出如下：
接下来，使用dot()函数将两个矩阵相乘。
相乘后的输出如下：
太好了！
我们成功使用 NumPy 完成了两个矩阵的相乘，而不是使用普通冗长vanilla的 Python 代码。
下面是这个例子的完整代码：
Pandas
Pandas是另一个可以提高你的 Python 数据科学技能的优秀库。就和 NumPy 一样，它属于 SciPy 开源软件家族，可以在 BSD 自由许可证许可下使用。
Pandas 提供了多能而强大的工具，用于管理数据结构和执行大量数据分析。该库能够很好的处理不完整、非结构化和无序的真实世界数据，并且提供了用于整形、聚合、分析和可视化数据集的工具
Pandas 中有三种类型的数据结构：
Series：一维、相同数据类型的数组
DataFrame：二维异型矩阵
Panel：三维大小可变数组
例如，我们来看一下如何使用 Panda 库（缩写成pd）来执行一些描述性统计计算。
首先导入该库：
然后，创建一个序列series字典：
接下来，再创建一个数据框DataFrame：
输出是一个非常规整的表：
下面是这个例子的完整代码：
Matplotlib
Matplotlib也是 Scipy 核心包的一部分，并且在 BSD 许可证下可用。它是一个非常流行的科学库，用于实现简单而强大的可视化。你可以使用这个 Python 数据科学框架来生成曲线图、柱状图、直方图以及各种不同形状的图表，并且不用担心需要写很多行的代码。例如，我们来看一下如何使用 Matplotlib 库来生成一个简单的柱状图。
首先导入该库：
然后生成 x 轴和 y 轴的数值：
接下来，调用函数来绘制柱状图：
最后，显示图表：
柱状图如下：
下面是这个例子的完整代码：
总结
Python 编程语言非常擅长数据处理和准备，但是在科学数据分析和建模方面就没有那么优秀了。幸好有这些用于数据科学的顶级 Python 框架填补了这一空缺，从而你能够进行复杂的数学计算以及创建复杂模型，进而让数据变得更有意义。
