如果你是一個有追求的數(shù)據(jù)科學家，你應該充滿好奇心，常常探索、學習和提問。在線教程和視頻可以作為初期的準備學習，但能夠證明你已經(jīng)做好準備成為一個數(shù)據(jù)科學家的***方式是，你可以熟練的使用編程環(huán)境中各種所需的工具。

作 者詢問了他們的數(shù)據(jù)科學專家，讓他們列出了他們所認為的所有數(shù)據(jù)科學家都應該熟練使用的7個Python工具。Galvanize Data Science和GalvanizeU課程均著眼于學生是否花費大量時間沉浸于那些技術(shù)，將時間投資在深入研究工具上，這會讓你在找***份工作時擁有絕對 的優(yōu)勢。下面就來看看這些工具：

IPython

IPython是多種編程語言的交互式計算的命令外殼，最初為Python編程語言開發(fā)，提供了增強自省、富媒體、增加額外的shell語法、tab補全和豐富的歷史功能。IPython提供以下功能：

強大的shell交互功能(基于QT終端)

一個基于瀏覽器的筆記本，支持代碼、文本、數(shù)學共表達式、內(nèi)置圖表和其他富媒體

支持交互數(shù)據(jù)可視化和使用GUI工具包

靈活的、可嵌入的將解釋程序加載到自有工程里

易用，并行計算的高性能工具

GraphLab Create

GraphLab Create是一個Python庫，由C++引擎支持，用于快速構(gòu)建大規(guī)模、高性能的數(shù)據(jù)產(chǎn)品。

下面是GraphLab Create的一些特點：

能夠在您的計算機上交互高速的分析TB量級數(shù)據(jù)

可分析表格數(shù)據(jù)、圖形、文本和圖像的單一平臺

先進的技術(shù)機器算法學習，包括深度學習、進化樹、factorization machines理論

使用Hadoop Yarn或EC2集群在你的筆記本上運行相同的代碼

利用靈活的API接口使自己專注于任務(wù)或機器學習

使用數(shù)據(jù)預測服務(wù)輕松部署云數(shù)據(jù)產(chǎn)品。

為探索和生產(chǎn)監(jiān)測建立可視化數(shù)據(jù)

Pandas

Pandas有BSD開源許可，是讓Python編程語言更加易于使用的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)分析的開源軟件。在數(shù)據(jù)修改和預處理方面，Python早已十分強大，但是在數(shù)據(jù)分析和建模上，Python還不是十分完善。Pandas正好彌補了這一短板，它能夠使你的全部數(shù)據(jù)分析能夠在Python上實施，而不用借助于其他特定語言(例如R語言)。

結(jié) 合強大的Python工具包和其他庫，它在Python的數(shù)據(jù)分析環(huán)境中能夠有優(yōu)異的性能、生產(chǎn)力和兼容性。Pandas不能實現(xiàn)超出建模函數(shù)外線性回歸 和面板會歸;這可以通過看statsmodels和scikit學習。要把Python做成首位的統(tǒng)一建模環(huán)境還有很多工作要做，但我們已經(jīng)在奔向目標的 道路上了。

PuLP

線性編程是優(yōu)化的一個類型，一個目標函數(shù)應該***化的給與一定限制。PuLP是用Python寫的線性編程模型。PuLP可以生成線性文件，調(diào)用高度優(yōu)化的求解器GLPK、COIN CLP/CBC、CPLEX和GUROBI來解決線性問題。

Matplotlib

Matplotlib是一個Python 2D的繪圖庫，它可以生成高質(zhì)量圖表，用于跨平臺的硬件格式和交互式環(huán)境中。Matplotlib可以用于Python腳本，Python和IPython的shell界面(ALA Matlab或Mathematica)，web應用服務(wù)器和6類圖形用戶界面工具包。

Matplotlib試圖讓簡單的事情更簡單，讓困難的事情增加可能性。僅用幾行代碼就可生成圖像、直方圖、能量光譜、柱狀圖、散點圖等等。

對于簡單的繪圖，Pyplot接口提供了一個MATLAB-like界面，特別是在結(jié)合IPython時。對于有能力的用戶，你可以完全控制線型、字體屬性、坐標屬性等等，并且通過一個面向?qū)ο蟮慕涌诨蛱峁┮唤M函數(shù)給MATLAB用戶。

Scikit-Learn

Scikit-Learn是一個簡單有效的數(shù)據(jù)挖掘和數(shù)據(jù)分析工具。他的優(yōu)點就在于，在任何情況下都是可以訪問的，并且在多種語境下可以重復使用。它基于NumPy、SciPy和mathplotlib構(gòu)建。Scikit-Learn采用開源BSD許可，在商業(yè)上可用。Scikit-Learn有以下特點：

分類：識別對象屬于哪一類別

回歸：預測一個對象相關(guān)聯(lián)的持續(xù)價值屬性

聚類：類似屬性對象的自動分組聚集

降維：減少需考慮的隨機變量的數(shù)目

模型選擇：比較、驗證和選擇參數(shù)模型

預處理：特征提取和規(guī)范化

Spark

Spark 由一個驅(qū)動程序組成，它可以運行用戶的main函數(shù)，且能在集群上執(zhí)行各種并行操作。Spark最主要的優(yōu)點就是它提供彈性分布式數(shù)據(jù)集(RDD)，這是 一個可并行操作的按聚類節(jié)點分區(qū)的元素集合。RDDs可在Hadoop文件系統(tǒng)中創(chuàng)建(或任何其他的Hadoop支持的文件系統(tǒng))，或現(xiàn)有的Scala集 合中已有的標量數(shù)據(jù)集合將其轉(zhuǎn)化。用戶可能也希望Spark能夠保存RDD，并且允許有效復用和并行操作。***，RDDs無法自動從節(jié)點中復原。

Spark 的另一個優(yōu)勢是可被用于并行操作的變量共享。默認情況下，當Spark并行的運行一個作為不同節(jié)點上的任務(wù)的函數(shù)時，它將每一個函數(shù)中的變量給每份任務(wù)都 拷貝一份。有時，一個變量需要在任務(wù)間共享，或是在任務(wù)和驅(qū)動程序間共享。Spark支持兩種類型的共享變量：廣泛散布的變量(可用在所有節(jié)點緩存上的數(shù) 據(jù))、累加器(只能執(zhí)行“相加”)，像計數(shù)器和加法。

原文地址：Seven Python Tools All Data Scientists Should Know How to Use