收藏！盘点实用的数据科学Python库

数据科学是一门研究数据并从中挖掘信息的学科。它不要求自创或学习新的算法，只需要知道怎么样研究数据并解决问题。这一过程的关键点之一就在于使用合适的库。本文概述了数据科学中常用的、并且有一定重要性的库。在进入正题之前，本文先介绍了解决数据科学问题的5个基本步骤。这些步骤是笔者自己总结撰写的，并无对错之分。步骤的正确与否取决于数据的研究方法。

数据科学的五个重要步骤包括：

• 获取数据
• 清理数据
• 探索数据
• 构建数据
• 呈现数据

这五个步骤只是经验之谈，并不是什么标准答案。但是如果仔细思考，就会发现这五个步骤是非常合理的。

1. 获取数据

获取数据是解决数据科学问题的关键一步。你需要提出一个问题并最终解决它。这取决于你是如何以及从何处获取数据的。获取数据最好的方法就是从Kaggle上下载或从网络上抓取。

当然，你也可以采用适当的方法和工具从网络上抓取数据。

网络数据抓取最重要、最常用的库包括：

• Beautiful Soup
• Requests
• Pandas

Beautiful Soup是一个可从HTML和XML文件中提取数据的Python库。推荐读者阅读Beautiful Soup库官方文档。

如果已经安装Python，只需输入以下命令，即可安装Beautiful Soup。文中所涉及的库全部给出了安装方法。但是我更推荐读者使用Google Colab，便于练习代码。在Google Colab中，无需手动安装，只需要输入“importlibrary_name”，Colab就会自动安装。

pip install beautifulsoup4 

导入Beautiful Soup库：

from bs4 import BeautifulSoupBeautifulSoupSoup = BeautifulSoup(page_name.text, ‘html.parser’)  

Python的Requests库采用更加简单易用的方式发送HTTP请求。Requests库中有很多种方法，其中最常用的是request.get()。在URL转发成功或失败的情况下，request.get()都能够返回URL转发状态。推荐读者阅读Requests库官方文档了解更多信息

(https://realpython.com/python-requests/?source=post_page-----a58e90f1b4ba----------------------)。

安装Requets：

pip install requests 

导入Requests库：

import requestsrequestspaga_name = requests.get('url_name') 

Pandas是一种方便易用的高性能数据结构，同时也是Python编程语言分析工具。Pandas提供了一种能够清晰、简洁地存储数据的数据框架。Pandas库官方文档如下：

https://pandas.pydata.org/pandas-docs/stable/?source=post_page-----a58e90f1b4ba----------------------

安装Pandas：

pip install pandas  

导入Pandas库：

import pandas as pd 

2. 清理数据

清理数据有许多重要的步骤，往往包括清除重复行、清除异常值、查找缺失值和空值，以及将对象值转换成空值并绘制成图表等。

数据清理常用的库包括：

• Pandas
• NumPy

Pandas可以说是数据科学中的“万金油”——到处都可用。关于Pandas的介绍详见上文，此处不再赘述。

NumPy即Numeric Python，是一个支持科学计算的Python库。众所周知，Python本身并不支持矩阵数据结构，而Python中的NumPy库则支持创建和运行矩阵计算。NumPy库官方文档如下：

https://numpy.org/devdocs/?source=post_page-----a58e90f1b4ba----------------------

运行以下命令下载NumPy(确保已经安装了Python)：

python -m pip install --user numpy scipy matplotlib ipython jupyter pandas sympy nose 

导入NumPy库：

import numpy as np 

3. 探索数据

探索性数据分析(Exploratory Data Analysis, EDA)是用于增强信息索引理解的工具，通过有规律地删减和用图表绘制索引基本特征实现。使用EDA能够帮助用户更加深入、清晰地探索数据，展现重要信息采集的发布或情况。

运行EDA常用的库包括：

• Pandas
• Seaborn
• Matplotlib.pyplot

Pandas：详见上文。

Seaborn是一个Python数据可视化库，为绘制数据图表提供了一个高级接口。安装最新版本的Seaborn：

pip install seaborn 

推荐读者阅读Seaborn官方文档：

https://seaborn.pydata.org/examples/index.html?source=post_page-----a58e90f1b4ba----------------------#example-gallery

使用Seaborn，可以轻松绘制条形图、散点图、热力图等图表。导入Seaborn：

import seaborn as sns 

Matplotlib是一个Python 2D图形绘图库，能够在多种环境中绘制图表，可替代Seaborn。事实上，Seaborn是基于Matplotlib开发的。

安装Matplotlib：

python -m pip install -U matplotlib 

推荐阅读Matplotlib官方文档：

https://matplotlib.org/users/index.html?source=post_page-----a58e90f1b4ba----------------------

导入Matplotlib.pyplot库：

import matplotlib.pyplot as plt 

4. 构建模型

（编辑：ASP站长网）