01 Pandas

在數據分析師的日常工作中，70%到80%都涉及到理解和清理數據，也就是數據探索和數據挖掘。

Pandas主要用於數據分析，這是最常用的Python庫之一。它為你提供了一些最有用的工具來對數據進行探索、清理和分析。使用Pandas，你可以加載、準備、操作和分析各種結構化數據。

02 NumPy

NumPy主要用於支持N維數組。這些多維數組的穩健性是Python列表的50倍，這也讓NumPy成為許多數據科學家的最愛。

NumPy被TensorFlow等其他庫用於張量的內部計算。NumPy為數值例程提供了快速的預編譯函數，這些函數可能很難手動求解。為了獲得更好的效率，NumPy使用面向數組的計算，從而能夠輕鬆的處理多個類。

Scikit-learn可以說是Python中最重要的機器學習庫。在使用Pandas或NumPy清理和處理數據之後，可以通過Scikit-learn用於構建機器學習模型，這是由於Scikit-learn包含了大量用於預測建模和分析的工具。

使用Scikit-learn有很多優勢。比如，你可以使用Scikit-learn構建幾種類型的機器學習模型，包括監督和非監督模型，交叉驗證模型的準確性，進行特徵重要性分析。

Gradio讓你只需三行代碼即可為機器學習模型構建和部署web應用程式。它的用途與Streamlight或Flask相同，但部署模型要快得多，也容易得多。

Gradio的優勢在於以下幾點：

TensorFlow是用於實現神經網絡的最流行的 Python 庫之一。它使用多維數組，也稱為張量，能對特定輸入執行多個操作。

因為它本質上是高度並行的，因此可以訓練多個神經網絡和GPU以獲得高效和可伸縮的模型。TensorFlow的這一特性也稱為流水線。

Keras主要用於創建深度學習模型，特別是神經網絡。它建立在TensorFlow和Theano之上，能夠用它簡單地構建神經網絡。但由於Keras使用後端基礎設施生成計算圖，因此與其他庫相比，它的速度相對較慢。

SciPy主要用於其科學函數和從NumPy派生的數學函數。該庫提供的功能有統計功能、優化功能和信號處理功能。為了求解微分方程並提供優化，它包括數值計算積分的函數。SciPy的優勢在於：

Statsmodels是擅長進行核心統計的庫。這個多功能庫混合了許多 Python 庫的功能，比如從 Matplotlib 中獲取圖形特性和函數；數據處理；使用 Pandas，處理類似 R 的公式；使用 Pasty，並基於 NumPy 和 SciPy 構建。

具體來說，它對於創建OLS等統計模型以及執行統計測試非常有用。

Plotly絕對是構建可視化的必備工具，它非常強大，易於使用，並且能夠與可視化交互。

與Plotly一起使用的還有Dash，它是能使用Plotly可視化構建動態儀錶板的工具。Dash是基於web的Python接口，它解決了這類分析web應用程式中對JavaScript的需求，並讓你能在線和離線狀態下進行繪圖。

Seaborn建立在Matplotlib上，是能夠創建不同可視化效果的庫。

Seaborn最重要的功能之一是創建放大的數據視覺效果。從而讓最初不明顯的相關性能突顯出來，使數據工作人員能夠更正確地理解模型。

Seaborn還有可定製的主題和界面，並且提供了具有設計感的數據可視化效果，能更好地在進行數據匯報。

參考連結：

https://www.kdnuggets.com/2021/03/top-10-python-libraries-2021.html