Python数据库---机器学习基础数据库_机器学习数据库-优快云博客

1.Numpy

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

使用NumPy，开发人员可以执行以下操作：

数组的算数和逻辑运算。
傅立叶变换和用于图形操作的例程。
与线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数。

其它很多库都以NumPy作为基础，比如说Tensorflow利用NumPy作为张量处理后端。

基于Numpy，你可以定义任意数据类型并很方便地与任意数据库打交道。Numpy也可以用作任意通用数据的多维容器。

2.Matplotlib

matplotlib 就是 python 的绘图库，一个 Python 2D/3D 绘图库，用以绘制一些高质量的数学二维图形。在他之上，Seaborn-使用 Matplotlib 的统计数据可视化，当然 python 还提供了其他的绘图库，每个绘图库都有自己的特色。同时Matplotlib 通常与 NumPy、Pandas 一起使用，是数据分析中不可或缺的重要工具之一，可视化效果绝佳，它还提供了一个面向对象的 API，可用于将这些绘图嵌入到应用程序中。

matplotlib 官网：https://matplotlib.org/
matplotlib 官网例图：https://matplotlib.org/gallery.html
使用技巧：建议优先阅读本文并对照实际操作一遍，然后打开例图网页https://matplotlib.org/gallery.html，选择需要的图片类型，点击进入复制代码，修改代码，制作自己所需风格的图即可。

3.Pandas

Pandas是Python中最流行的数据分析库之一，由Wes McKinney于2008年创建。它的名称来源于"Panel Data"（面板数据）的缩写。它提供了强大的数据处理和分析工具，使得数据的导入、清洗、转换和分析变得更加高效和便捷。Pandas的主要数据结构包括DataFrame和Series：

DataFrame：类似于电子表格或SQL表格，是二维的数据结构，具有行和列。每一列可以包含不同类型的数据（整数、浮点数、字符串等）。
Series：是一维的数据结构，类似于数组或列表，但具有标签，可以通过标签进行索引。

特点包括：

数据对齐：Pandas可以自动对齐不同索引的数据，使得数据操作更加方便。
处理缺失值：Pandas提供了强大的工具来处理缺失值，包括删除、填充等操作。
强大的数据分析功能：Pandas支持各种数据分析和统计计算，如平均值、中位数、标准差等。
灵活的数据导入和导出：Pandas可以读取和写入多种数据格式，包括CSV、Excel、SQL数据库、JSON等。
数据清洗和转换：Pandas提供了丰富的数据清洗和转换函数，用于数据的预处理和整理。

4.Scikit-learn

Scikit-learn的发展始于2007年，由David Cournapeau在Google Summer of Code项目中启动。项目后续得到了许多开发者的贡献，包括INRIA（法国国家信息与自动化研究所），Waikato大学和其他机构。

项目之所以取名为Scikit-Learn，也是因为该算法库是基于SciPy来进行的构建，而Scikit则是SciPy Kit（SciPy衍生的工具套件）的简称

Scikit-learn是目前机器学习领域最完整、同时也是最具影响力的算法库。它基于Numpy, Scipy和matplotlib，包含了大量的机器学习算法实现，包括分类、回归、聚类和降维等，还包含了诸多模型评估及选择的方法。Scikit-learn的API设计的非常清晰，易于使用和理解，适合于新手入门，同时也满足了专业人士在实际问题解决中的需求。

Scikit-learn将所有的评估器和函数功能分为六大类，分别是分类模型（Classification）、回归模型（Regression）、聚类模型（Clustering）、降维方法（Dimensionality reduction）、模型选择（Model selection）和数据预处理（Preprocessing）六大类。

数据预处理（Preprocessing）：转换输入数据，规范化、编码化。包括preprocessing，feature_extraction，transformer（转换器）等模块
降维方法（Dimensionality reduction）：用于Visualization（可视化），Increased efficiency（提高效率）。典型算法有主成分分析(PCA)、非负矩阵分解（NMF），feature_selection(特征选择)等
分类模型（Classification）：二元分类问题、多分类问题、Image recognition 图像识别等。典型算法有逻辑回归、SVM，最近邻，随机森林，Naïve Bayes，神经网络等
回归模型（Regression）：典型算法有线性回归、SVR，ridge regression，Lasso，最小角回归（LARS）等
聚类模型（Clustering）：典型算法有k-Means，spectral clustering(谱聚类)，mean-shift（均值漂移）等
模型选择（Model selection）：通过参数调整提高精度，包括pipeline(流水线)，grid_search（网格搜索），cross_validation( 交叉验证)，metrics（度量），learning_curve（学习曲线）等

此外，还有模型融合和辅助工具板块。模型融合包含：ensemble(集成学习)辅助工具包含：exceptions(异常和警告)、dataset（自带数据集）、utils、sklearn.base等。