¿Cuáles son las bibliotecas de terceros para el análisis de datos de Python?

Python tiene 200 bibliotecas estándar, además de 100.000 bibliotecas de extensiones de terceros, que cubren todos los aspectos. Entre ellas, 4 bibliotecas son las más utilizadas para el análisis de datos: Numpy

Numpy es el paquete de software básico para la informática científica Python. Además de proporcionar un procesamiento rápido de matrices para Python, también es un contenedor para pasar datos entre algoritmos y bibliotecas. Para datos numéricos, las matrices NumPy son mucho más eficientes para almacenar y procesar datos que las estructuras de datos integradas de Python. Además, las bibliotecas escritas en lenguajes de bajo nivel como C y Fortran pueden manipular datos directamente en matrices NumPy sin necesidad de copiar datos. Como resultado, muchas herramientas de computación numérica de Python utilizan matrices NumPy como estructura de datos principal o pueden interactuar sin problemas con NumPy. Pandas

Pandas proporciona una amplia gama de estructuras de datos y funciones para procesar datos estructurados de forma rápida y sencilla, combinando el alto rendimiento de los cálculos de matrices NumPy con las capacidades flexibles de manipulación de datos de hojas de cálculo y bases de datos relacionales como SQL combinadas. . Proporciona capacidades de indexación sofisticadas y granulares, lo que facilita la realización de operaciones como remodelar, dividir, agregar y seleccionar subconjuntos de datos. Dado que la manipulación, preparación y limpieza de datos son las habilidades más importantes en el análisis de datos, Pandas también es un foco para aprender. Matplotlib

Matplotlib es la biblioteca de Python más popular para trazar gráficos y otras visualizaciones de datos 2D, y es ideal para crear gráficos para publicación. Si bien existen otras bibliotecas de visualización de Python, Matplotlib es la más utilizada y funciona perfectamente con otras herramientas ecológicas. Scikit-learn

Scikit-learn es un conjunto de herramientas generales de aprendizaje automático para Python. Tiene submódulos como clasificación, regresión, agrupación, reducción de dimensionalidad, selección y preprocesamiento que desempeñan un papel clave para hacer de Python un lenguaje de programación de ciencia de datos eficiente.