Python中6個最重要的庫：
第壹、NumPy
NumPy是Numerical
Python的簡寫，是Python數值計算的基石。它提供多種數據結構、算法以及大部分涉及Python數值計算所需的接口。NumPy還包括其他內容：
①快速、高效的多維數組對象ndarray
②基於元素的數組計算或數組間數學操作函數
③用於讀寫硬盤中基於數組的數據集的工具
④線性代數操作、傅裏葉變換以及隨機數生成
除了NumPy賦予Python的快速數組處理能力之外，NumPy的另壹個主要用途是在算法和庫之間作為數據傳遞的數據容器。對於數值數據，NumPy數組能夠比Python內建數據結構更為高效地存儲和操作數據。
第二、pandas
pandas提供了高級數據結構和函數，這些數據結構和函數的設計使得利用結構化、表格化數據的工作快速、簡單、有表現力。它出現於2010年，幫助Python成為強大、高效的數據分析環境。常用的pandas對象是DataFrame，它是用於實現表格化、面向列、使用行列標簽的數據結構;以及Series，壹種壹維標簽數組對象。
pandas將表格和關系型數據庫的靈活數據操作能力與Numpy的高性能數組計算的理念相結合。它提供復雜的索引函數，使得數據的重組、切塊、切片、聚合、子集選擇更為簡單。由於數據操作、預處理、清洗在數據分析中是重要的技能，pandas將是重要主題。
第三、matplotlib
matplotlib是最流行的用於制圖及其他二維數據可視化的Python庫，它由John D.
Hunter創建，目前由壹個大型開發者團隊維護。matplotlib被設計為適合出版的制圖工具。
對於Python編程者來說也有其他可視化庫，但matplotlib依然使用最為廣泛，並且與生態系統的其他庫良好整合。
第四、IPython
IPython項目開始於2001年，由Fernando
Pérez發起，旨在開發壹個更具交互性的Python解釋器。在過去的16年中，它成為Python數據技術棧中最重要的工具之壹。
盡管它本身並不提供任何計算或數據分析工具，它的設計側重於在交互計算和軟件開發兩方面將生產力最大化。它使用了壹種執行-探索工作流來替代其他語言中典型的編輯-編譯-運行工作流。它還提供了針對操作系統命令行和文件系統的易用接口。由於數據分析編碼工作包含大量的探索、試驗、試錯和遍歷，IPython可以使妳更快速地完成工作。
第五、SciPy
SciPy是科學計算領域針對不同標準問題域的包集合。以下是SciPy中包含的壹些包：
①scipy.integrate數值積分例程和微分方程求解器
②scipy.linalg線性代數例程和基於numpy.linalg的矩陣分解
③scipy.optimize函數優化器和求根算法
④scipy.signal信號處理工具
⑤scipy.sparse稀疏矩陣與稀疏線性系統求解器
SciPy與Numpy壹起為很多傳統科學計算應用提供了壹個合理、完整、成熟的計算基礎。
第六、scikit-learn
scikit-learn項目誕生於2010年，目前已成為Python編程者首選的機器學習工具包。僅僅七年，scikit-learn就擁有了全世界1500位代碼貢獻者。其中包含以下子模塊：
①分類：SVM、最近鄰、隨機森林、邏輯回歸等
②回歸：Lasso、嶺回歸等
③聚類：K-means、譜聚類等
④降維：PCA、特征選擇、矩陣分解等
⑤模型選擇：網格搜索、交叉驗證、指標矩陣
⑥預處理：特征提取、正態化
scikit-learn與pandas、statsmodels、IPython壹起使Python成為高效的數據科學編程語言。