在数据分析师的日常工作中，70%到80%都涉及到理解和清理数据，也就是数据探索和数据挖掘。
Pandas主要用于数据分析，这是最常用的Python库之一。它为你提供了一些最有用的工具来对数据进行探索、清理和分析。使用Pandas，你可以加载、准备、操作和分析各种结构化数据。
02、NumPy
NumPy主要用于支持N维数组。这些多维数组的稳健性是Python列表的50倍，这也让NumPy成为许多数据科学家的最爱。
NumPy被TensorFlow等其他库用于张量的内部计算。NumPy为数值例程提供了快速的预编译函数，这些函数可能很难手动求解。为了获得更好的效率，NumPy使用面向数组的计算，从而能够轻松的处理多个类。
03、Scikit-learn
Scikit-learn可以说是Python中最重要的机器学习库。在使用Pandas或NumPy清理和处理数据之后，可以通过Scikit-learn用于构建机器学习模型，这是由于Scikit-learn包含了大量用于预测建模和分析的工具。
使用Scikit-learn有很多优势。比如，你可以使用Scikit-learn构建几种类型的机器学习模型，包括监督和非监督模型，交叉验证模型的准确性，进行特征重要性分析。
04、Gradio
Gradio让你只需三行代码即可为机器学习模型构建和部署web应用程序。它的用途与Streamlight或Flask相同，但部署模型要快得多，也容易得多。
Gradio的优势在于以下几点：
- 允许进一步的模型验证。具体来说，可以用交互方式测试模型中的不同输入
- 易于进行演示
- 易于实现和分发，任何人都可以通过公共链接访问web应用程序。
05、TensorFlow
TensorFlow是用于实现神经网络的最流行的 Python 库之一。它使用多维数组，也称为张量，能对特定输入执行多个操作。
因为它本质上是高度并行的，因此可以训练多个神经网络和GPU以获得高效和可伸缩的模型。TensorFlow的这一特性也称为流水线。
06、Keras
Keras主要用于创建深度学习模型，特别是神经网络。它建立在TensorFlow和Theano之上，能够用它简单地构建神经网络。但由于Keras使用后端基础设施生成计算图，因此与其他库相比，它的速度相对较慢。
07、SciPy
SciPy主要用于其科学函数和从NumPy派生的数学函数。该库提供的功能有统计功能、优化功能和信号处理功能。为了求解微分方程并提供优化，它包括数值计算积分的函数。SciPy的优势在于：
- 多维图像处理
- 解决傅里叶变换和微分方程的能力
- 由于其优化算法，可以非常稳健和高效地进行线性代数计算
08、Statsmodels
Statsmodels是擅长进行核心统计的库。这个多功能库混合了许多 Python 库的功能，比如从 Matplotlib 中获取图形特性和函数；数据处理；使用 Pandas，处理类似 R 的公式；使用 Pasty，并基于 NumPy 和 SciPy 构建。
具体来说，它对于创建OLS等统计模型以及执行统计测试非常有用。
09、Plotly
Plotly绝对是构建可视化的必备工具，它非常强大，易于使用，并且能够与可视化交互。
与Plotly一起使用的还有Dash，它是能使用Plotly可视化构建动态仪表板的工具。Dash是基于web的Python接口，它解决了这类分析web应用程序中对JavaScript的需求，并让你能在线和离线状态下进行绘图。
10、Seaborn
Seaborn建立在Matplotlib上，是能够创建不同可视化效果的库。
Seaborn最重要的功能之一是创建放大的数据视觉效果。从而让最初不明显的相关性能突显出来，使数据工作人员能够更正确地理解模型。
Seaborn还有可定制的主题和界面，并且提供了具有设计感的数据可视化效果，能更好地在进行数据汇报。
