吐血整理！绝不能错过的24个Python库(3)

柱状图：

%matplotlib inline 
import matplotlib.pyplot as plt 
from numpy.random import normal 
x = normal(size=100) 
plt.hist(x, bins=20) 
plt.show() 

3D 图表：

from matplotlib import cm 
from mpl_toolkits.mplot3d import Axes3D 
import matplotlib.pyplot as plt 
import numpy as np 
fig = plt.figure() 
ax = fig.gca(projection='3d') 
X = np.arange(-10, 10, 0.1) 
Y = np.arange(-10, 10, 0.1) 
X, Y = np.meshgrid(X, Y) 
R = np.sqrt(X**2 + Y**2) 
Z = np.sin(R) 
surf = ax.plot_surface(X, Y, Z, rstride=1,cstride=1, cmcmap=cm.coolwarm) 
plt.show() 

目前已经介绍了Pandas、NumPy和Matplotlib，那么请查看下面的教程，该教程结合了以上三个库进行讲解：

《使用NumPy、Matplotlib和Pandas在Python中进行数据探索的终极指南》传送门：

https://www.analyticsvidhya.com/blog/2015/04/comprehensive-guide-data-exploration-sas-using-python-numpy-scipy-matplotlib-pandas/

9. Seaborn

传送门：https://seaborn.pydata.org/

Seaborn是另一个基于matplotlib的绘图库。它是一个为绘制有吸引力的图像而提供高级接口的python库。matplotlib能实现功能，Seaborn只是以另一种更吸引人的视觉方式来实现。

Seaborn 的一些特点：

• 作为一个面向数据集的API，可用于查验多个变量之间的关系
• 便于查看复杂数据集的整体结构
• 用于选择显示数据中模式的调色板的工具

下面一行代码可用于安装Seaborn：

pip install seaborn 

浏览下面这些很酷的图表，看看seaborn能做些什么：

import seaborn as sns 
sns.set() 
tips =sns.load_dataset("tips") 
sns.relplot(x="total_bill",y="tip", col="time", 
            hue="smoker",style="smoker", size="size", 
            data=tips); 

下面是另外一个例子：

import seaborn as sns 
sns.catplot(x="day",y="total_bill", hue="smoker", 
            kind="violin",split=True, data=tips); 

10. Bokeh

传送门：https://bokeh.pydata.org/en/latest/

Bokeh是一个面向现代网页浏览器的交互式可视化库，为大量数据集提供优美的通用图形结构。

Bokeh可用于创建交互式绘图、仪表板和数据应用程序。

安装：

pip install bokeh 

了解更多关于Bokeh的知识及其实际应用：

《使用Bokeh的交互式数据可视化(在Python中)》传送门：

https://www.analyticsvidhya.com/blog/2015/08/interactive-data-visualization-library-python-bokeh/

用于建模的Python库

现在到了本文最令人期待的部分——建模!这也是大多数人一开始接触数据科学的原因。

接下来通过这三个Python库来探索建模。

11. Scikit-learn

传送门：https://scikit-learn.org/stable/

就像用于数据操作的Pandas和用于可视化的matplotlib一样，scikit-learn是Python构建模型中的佼佼者。没有什么能与之媲美。

事实上，scikit-learn建立在NumPy，SciPy和matplotlib之上。它是开放源码的，每个人都可以访问，并且可以在各种环境中重用。

Scikit-learn支持在机器学习中执行的不同操作，如分类、回归、聚类和模型选择等。命名它——那么scikit-learn会有一个模块。

建议浏览以下链接以了解有关scikit-learn的更多信息：

《Python中的Scikit-learn——笔者去年学到的最重要的机器学习工具!》传送门：

https://www.analyticsvidhya.com/blog/2015/01/scikit-learn-python-machine-learning-tool/

12. TensorFlow

传送门：https://www.tensorflow.org/

TensorFlow由谷歌开发，是一个流行的深度学习库，可帮助构建、培训不同模型。是一个开放源码的端到端平台。TensorFlow提供简单的模型构建，强大的机器学习生产，以及强大的实验工具和库。

TensorFlow提供多个抽象级别，可根据需要进行选择。TensorFlow通过使用高级Keras API来构建和训练模型，这使TensorFlow入门和机器学习变得容易。

安装传送门：https://www.tensorflow.org/install

（编辑：ASP站长网）