数据分析工具有哪些 python
IPython
IPython 是一个在多种编程语言之间进行交互计算的命令行 shell，最开始是用 python 开发的，提供增强的内省，富媒体，扩展的 shell
语法，tab 补全，丰富的历史等功能。IPython 提供了如下特性：
更强的交互 shell(基于 Qt 的终端)
一个基于浏览器的记事本，支持代码，纯文本，数学公式，内置图表和其他富媒体
支持交互数据可视化和图形界面工具
灵活，可嵌入解释器加载到任意一个自有工程里
简单易用，用于并行计算的高性能工具
由数据分析总监，Galvanize 专家 Nir Kaldero 提供。
GraphLab Greate 是一个 Python 库，由 C++ 引擎支持，可以快速构建大型高性能数据产品。
这有一些关于 GraphLab Greate 的特点：
可以在您的计算机上以交互的速度分析以 T 为计量单位的数据量。
在单一平台上可以分析表格数据、曲线、文字、图像。
最新的机器学习算法包括深度学习，进化树和 factorization machines 理论。
可以用 Hadoop Yarn 或者 EC2 聚类在你的笔记本或者分布系统上运行同样的代码。
借助于灵活的 API 函数专注于任务或者机器学习。
在云上用预测服务便捷地配置数据产品。
为探索和产品监测创建可视化的数据。
由 Galvanize 数据科学家 Benjamin Skrainka 提供。
Pandas
pandas 是一个开源的软件，它具有 BSD 的开源许可，为 Python
编程语言提供高性能，易用数据结构和数据分析工具。在数据改动和数据预处理方面，Python 早已名声显赫，但是在数据分析与建模方面，Python
是个短板。Pands 软件就填补了这个空白，能让你用 Python 方便地进行你所有数据的处理，而不用转而选择更主流的专业语言，例如 R 语言。
整合了劲爆的 IPyton 工具包和其他的库，它在 Python 中进行数据分析的开发环境在处理性能，速度，和兼容方面都性能卓越。Pands
不会执行重要的建模函数超出线性回归和面板回归;对于这些，参考 statsmodel 统计建模工具和 scikit-learn 库。为了把 Python
打造成顶级的统计建模分析环境，我们需要进一步努力，但是我们已经奋斗在这条路上了。
由 Galvanize 专家，数据科学家 Nir Kaldero 提供。
PuLP
线性编程是一种优化，其中一个对象函数被最大程度地限制了。PuLP 是一个用 Python
编写的线性编程模型。它能产生线性文件，能调用高度优化的求解器，GLPK，COIN CLP/CBC，CPLEX，和GUROBI，来求解这些线性问题。
由 Galvanize 数据科学家 Isaac Laughlin 提供
Matplotlib
matplotlib 是基于 Python 的
2D(数据)绘图库，它产生(输出)出版级质量的图表，用于各种打印纸质的原件格式和跨平台的交互式环境。matplotlib 既可以用在 python 脚本，
python 和 ipython 的 shell 界面 (ala MATLAB? 或 Mathematica?)，web 应用服务器，和6类 GUI
工具箱。
matplotlib 尝试使容易事情变得更容易，使困难事情变为可能。你只需要少量几行代码，就可以生成图表，直方图，能量光谱(power
spectra)，柱状图，errorcharts，散点图(scatterplots)等，。
为简化数据绘图，pyplot 提供一个类 MATLAB 的接口界面，尤其是它与 IPython
共同使用时。对于高级用户，你可以完全定制包括线型，字体属性，坐标属性等，借助面向对象接口界面，或项 MATLAB 用户提供类似(MATLAB)的界面。
Galvanize 公司的首席科学官 Mike Tamir 供稿。
Scikit-Learn
Scikit-Learn 是一个简单有效地数据挖掘和数据分析工具(库)。关于最值得一提的是，它人人可用，重复用于多种语境。它基于
NumPy，SciPy 和 mathplotlib 等构建。Scikit 采用开源的 BSD 授权协议，同时也可用于商业。Scikit-Learn
具备如下特性：
分类(Classification) – 识别鉴定一个对象属于哪一类别
回归(Regression) – 预测对象关联的连续值属性
聚类(Clustering) – 类似对象自动分组集合
降维(Dimensionality Reduction) – 减少需要考虑的随机变量数量
模型选择(Model Selection) –比较、验证和选择参数和模型
预处理(Preprocessing) – 特征提取和规范化
Galvanize 公司数据科学讲师，Isaac Laughlin提供
Spark
Spark 由一个驱动程序构成，它运行用户的 main 函数并在聚类上执行多个并行操作。Spark
最吸引人的地方在于它提供的弹性分布数据集(RDD)，那是一个按照聚类的节点进行分区的元素的集合，它可以在并行计算中使用。RDDs 可以从一个 Hadoop
文件系统中的文件(或者其他的 Hadoop 支持的文件系统的文件)来创建，或者是驱动程序中其他的已经存在的标量数据集合，把它进行变换。用户也许想要 Spark
在内存中永久保存 RDD，来通过并行操作有效地对 RDD 进行复用。最终，RDDs 无法从节点中自动复原。
Spark 中第二个吸引人的地方在并行操作中变量的共享。默认情况下，当 Spark
在并行情况下运行一个函数作为一组不同节点上的任务时，它把每一个函数中用到的变量拷贝一份送到每一任务。有时，一个变量需要被许多任务和驱动程序共享。Spark
支持两种方式的共享变量：广播变量，它可以用来在所有的节点上缓存数据。另一种方式是累加器，这是一种只能用作执行加法的变量，例如在计数器中和加法运算中。
Python可以用于数据分析吗?
可以的 .python作为一门胶水语言, 可以应用在很多领域, 每个领域也有很多很方便的包, 可以直接用.
利用python进行数据分析 用什么软件
•将IPython这个交互式Shell作为你的首要开发环境.•学习NumPy(Numerical Python)的基础和高级知识.•从pandas库的数据分析工具开始.•利用高性能工具对数据进行加载、清理、转换、合并以及重塑.•利用matplotlib创建散点图以及静态或交互式的可视化结果.•利用pandas的groupby功能对数据集进行切片、切块和汇总操作.•处理各种各样的时间序列数据.•通过详细的案例学习如何解决Web分析、社会科学、金融学以及经•济学等领域的问题.
python 数据分析 用什么软件
不是用什么软件吧,是用扩展库.numpy,scipy,scikit-learn.有这三个,基本的数据分析算法都可以做了.
利用PYTHON进行数据分析怎么样
Why Python for data analysis? Python具有很强的魅力，很容易使人很快的喜欢上她！从91年开始Python就成为广受喜爱的动态编程语言(?随提的)Python和Ruby近些年……
python数据分析有什么用？
原发布者:最佳男主角之星
数据分析有什么作用？很多人会问数据分析是干什么？有什么作用呢？下面就来看看西线学院是怎么看待数据分析的作用。数据分析的作用单纯的谈数据分析的作用其实意义并不大，所以在谈论作用之前我们首先的考虑是受众对象，比如对个人而言，因为身体传感设备，让我们的日常锻炼、身体素质等各项指标都得以数据化，最终完成个人身体和生活习性的自我量化，进而改进调节个人日常生活规律，让我们更好的生活。而对于企业而言，数据分析的作用则主要体现在三大领域：一是对业务的改进优化；二是帮助业务发现机会；三是创造新的商业价值。改进优化业务方面，通俗的说就是让业务变得更好。让业务变得更好对企业而言主要体现在两大方面：一是对企业用户体验的改进方面，优化原有业务流程，为用户提供更好的用户体验。二是体现在对企业资源的合理化分配利用上，更合理的优化配置企业资源，进而达到效益最大化的目的。例如我们企业日常运营中的广告投放以及内部广告资源分配优化等就属于此范畴，一方面利用精准化广告投放，提高广告投放效率，另一方面根据广告引流客户量的大小做好企业资源分配，进而提高用户体验，提升用户留存率。帮助业务发现机会主要是利用数据查找发现人们思维上的盲点，进而发现新的业务机会的过程。创造新的商业价值模式方面，主要是在数据价值的基础上形成新的商业模式，将数据价值直接转化为金钱模式或离金钱更近的过程。例如腾讯、阿里巴巴等企业就利用其拥有广泛用户数据的基
R 和 Python 用于统计学分析，哪个更好
Python和R是统计学中两种最流行的的编程语言，R的功能性主要是统计学家在开发时考虑的（R具有强大的可视化功能），而Python因为易于理解的语法被大家所接受。
关于R的介绍Ross Ihaka和Robert Gentleman于1995年在S语言中创造了 开源语言R，目的是专注于提供更好和更人性化的方式做数据分析、统计和图形模型的语言。
起初R主要是在学术和研究使用，但近来企业界发现R也很不错。这使得中的R成为企业中使用的全球发展最快的统计语言之一。
R的主要优势是它有一个庞大的社区，通过邮件列表，用户贡献的文档和一个非常活跃的堆栈溢出组提供支持。还有CRAN镜像，一个用户可以很简单地创造的一个包含R包的知识库。这些包有R里面的函数和数据，各地的镜像都是R网站的备份文件，完全一样，用户可以可以选择离你最近的镜像访问最新的技术和功能，而无需从头开发。
如果你是一个有经验的程序员，你可以不会觉得使用R可以提高效率，但是，你可能会发现学习R经常会遇到瓶颈。幸运的是现在的资源很多。关于Python的介绍Python是由Guido van Rossem创建于1991年，并强调效率和代码的可读性。希望深入的数据分析或应用统计技术的程序员是Python的主要用户。
当你越需要在工程环境中工作，你会越喜欢Python。它是一种灵活的语言，在处理一些新东西上表现很好，并且注重可读性和简单性，它的学习曲线是比较低的。
和R类似，Python也有包，pypi是一个Python包的仓库,里面有很多别人写好的Python库。
Python也是一个大社区，但它是一个有点比较分散，因为它是一个通用的语言。然而，Python自称他们在数据科学中更占优势地位：预期的增长，更新颖的科学数据应用的起源在这里。R和Python：数字的比较在网上可以经常看到比较R和Python人气的数字，虽然这些数字往往就这两种语言是如何在计算机科学的整体生态系统不断发展，但是很难并列进行比较。主要的原因是，R仅在数据科学的环境中使用，而Python作为一种通用语言，被广泛应用于许多领域，如网络的发展。这往往导致排名结果偏向于Python，而且从业者工资会较低。R如何使用？R主要用于当数据分析任务需要独立的计算或分析单个服务器。这是探索性的工作，因为R有很多包和随时可用的测试，可以提供提供必要的工具，快速启动和运行的数量庞大几乎任何类型的数据分析。R甚至可以是一个大数据解决方案的一部分。
当开始使用R的时候，最好首先安装RStudio IDE。之后建议你看看下面的流行包：
•dplyr, plyr 和 data.table 可以轻松操作包•stringr 操作字符串•zoo做定期和不定期的时间序列工作•ggvis, lattice, and ggplot2 进行数据可视化•caret 机器学习
Python如何使用？
如果你的数据分析任务需要使用Web应用程序，或代码的统计数据需要被纳入生产数据库进行集成时你可以使用python，作为一个完全成熟的编程语言，它是实现算法一个伟大的工具。
虽然在过去python包对于数据分析还处于早期阶段，但是这些年已经有了显著改善。使用时需要安装NumPy/ SciPy的（科学计算）和pandas（数据处理），以使Python可用于数据分析。也看看matplotlib，使图形和scikit-learn机器学习。
不同于R，Python有没有明确的非常好的IDE。我们建议你看看Spyder以及IPython网站，看看哪一个最适合你。R和Python：数据科学行业的表现如果你看一下最近的民意调查，在数据分析的编程语言方面，R是明显的赢家。有越来越多的人从研发转向Python。此外，有越来越多的公司使用这两种语言来进行组合。
如果你打算从事数据行业，你用好学会这两种语言。招聘趋势显示这两个技能的需求日益增加，而工资远高于平均水平。R：优点和缺点优点可视化能力强可视化通常让我们更有效地理解数字本身。R和可视化是绝配。一些必看的可视化软件包是ggplot2，ggvis，googleVis和rCharts。
完善的生态系统R具有活跃的社区和一个丰富的生态系统。R包在CRAN，Bioconductor的和Github上。您可以通过Rdocumentation搜索所有的R包。
用于数据科学R由统计学家开发，他们可以通过R代码和包交流想法和概念，你不一定需要有计算机背景。此外企业界也越来越接受R。缺点R比较缓慢R使统计人员的更轻松，但你电脑的运行速度可能很慢。虽然R的体验是缓慢的，但是有多个包来提高的r性能：pqR,renjin，FastR, Riposte 等等。
R不容易深入学习R学习起来并不容易，特别是如果你要从GUI来进行统计分析。如果你不熟悉它，即使发现包可能会非常耗时。Python：优点和缺点优点IPython NotebookIPython Notebook使我们更容易使用Python进行数据工作，你可以轻松地与同事共享Notebook，而无需他们安装任何东西。这大大减少了组织代码，输出和注释文件的开销。可以花更多的时间做实际的工作。
通用语言Python是一种通用的语言，容易和直观。在学习上会比较容易，它可以加快你写一个程序的速度。此外，Python测试框架是一个内置的，这样可以保证你的代码是可重复使用和可靠的。
一个多用途的语言Python把不同背景的人集合在一起。作为一种常见的、容易理解，大部分程序员都懂的，可以很容易地和统计学家沟通，你可以使用一个简单的工具就把你每一个工作伙伴都整合起来。缺点可视化可视化是选择数据分析软件的一个重要的标准。虽然Python有一些不错的可视化库，如Seaborn，Bokeh和Pygal。但相比于R，呈现的结果并不总是那么顺眼。
Python是挑战者Python对于R来说是一个挑战者，它不提供必不可少的R包。虽然它在追赶，但是还不够。
最终你该学习什么呢：由你决定！作为一个数据工作者，你需要在工作中选择最适合需要的语言。在学习之前问清楚这些问题可以帮助你：
你想解决什么问题？什么是学习语言的净成本？是什么在你的领域中常用的工具？
什么是其他可用工具以及如何做这些涉及到的常用工具？
祝你成功！
摘自微信文章
Python 是一门适合做数据挖掘的语言吗
从我用python的经验来看: python是现在主流的软件之一,也是一款综合软件 做数据分析、数据挖掘、数据处理都可以 数据挖掘主要是python的爬虫,python做爬虫从转码解析导入excel打包软件都做得很好 这还要看你要挖掘时哪一方面的数据,因为不同的方向网站写得不一样,python爬电商的数据现在网上已经非常成熟,看你的吧
python做数据分析 用哪个好
推荐Rice大学的那门python课,Rice大学的课程总共有3门,现在貌似拆解成6门了;每门课8周时间,按照由浅入深的顺序来的.第一门课是Python基础,介绍了Python的基础语法;第二门课是计算基础,介绍了一些稍微复杂一点的语法和数据处理;第三门课是算法思考,介绍了一些常用的算法;并且还用到了numpy, matlabplot库等.
做数据分析里有哪些Python能做,而MATLAB不能做的
您好!SPSS是专业的数据统计分析软件,销售数据分析用SPSS最好不过了,全球五百强的企业有百分之八十在使用SPSS.
