一 概述
Python生态系统的一些核心基础数据分析库：
NumPy：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，包含：
一个强大的N维数组对象 ndarray广播功能函数整合 C/C++/Fortran 代码的工具线性代数、傅里叶变换、随机数生成等功能
SciPy：这也是一个功能强大的科学计算库，用于执行科学，数学和工程运算。包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
Pandas：
可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。
可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。
广泛应用在学术、金融、统计学等各个数据分析领域。
Scikit-learn：代表“机器学习的科学工具包”。它是一个机器学习库，提供了各种有监督和无监督的算法，例如回归，分类，降维，聚类分析和异常检测。
Matplotlib：这是一个核心的数据可视化库，并且是Python中所有其他可视化库的基础库。它提供2D和3D绘图，图形，图表以及用于数据浏览的图形。它在NumPy和SciPy之上运行。
Seaborn：这是基于Matplotlib的，提供了易于绘制，高层次，互动性和更有条理的平面图。
Plotly：是一个数据可视化库。它提供了高质量的交互式图表，例如散点图，折线图，条形图，直方图，箱形图，热图和子图。
二官网链接
| Packages/Software | Description |
| NumPy |
NumPy 官网 http://www.numpy.org/ NumPy 源代码：https://github.com/numpy/numpy |
| SciPy |
SciPy 官网：https://www.scipy.org/ SciPy 源代码：https://github.com/scipy/scipy |
| Pandas | 官网：https://pandas.pydata.org/ |
| Matplotlib |
Matplotlib 官网：https://matplotlib.org/ Matplotlib源代码：https://github.com/matplotlib/matplotlib |
| Seaborn | 官网：https://seaborn.pydata.org/ |
| Scikit-learn | 官网：https://scikit-learn.org/stable/ |
| Anaconda | 官网：https://www.anaconda.com/distribution/ |
三 安装指南
各组件的安装方法类似，以NumPy为参考。
Python 官网上的发行版是不包含 NumPy 模块的，我们可以使用以下几种方法来安装。
3.1、使用已有的发行版本
对于许多用户，尤其是在 Windows 上，最简单的方法是下载以下的 Python 发行版，它们包含了所有的关键包
（包括 NumPy，SciPy，matplotlib，IPython，SymPy 以及 Python 核心自带的其它包）：
Anaconda: 免费 Python 发行版，用于进行大规模数据处理、预测分析，和科学计算，致力于简化包的管理和部署。
支持 Linux, Windows 和 Mac 系统。
Enthought Canopy: 提供了免费和商业发行版。持 Linux, Windows 和 Mac 系统。
Python(x,y) : 免费的 Python 发行版，包含了完整的 Python 语言开发包 及 Spyder IDE。
支持 Windows，仅限 Python 2 版本。
WinPython:另一个免费的 Python 发行版，包含科学计算包与 Spyder IDE。
支持 Windows。
Pyzo: 基于 Anaconda 的免费发行版本及 IEP 的交互开发环境，超轻量级。
支持 Linux, Windows 和 Mac 系统。
3.2、使用 pip 安装
安装 NumPy 最简单的方法就是使用pip 工具：
pip3 install --user numpy scipy matplotlib--user 选项可以设置只安装在当前的用户下，而不是写入到系统目录。
默认情况使用国外线路，国外太慢，我们使用清华的镜像就可以:
pip3 install numpy scipy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple3.3、使用pycharm安装
- 点击 pycharm
- 点击preferences
- 点击 python interpreter
- 点击 +
- 检索安装
3.4、安装验证
测试是否安装成功：
>>> from numpy import *
>>> eye(4)
array([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.],
[0., 0., 0., 1.]])四 上手应用
以NumPy为例，更多玩法请查看官方文档。
| 函数 | 描述 |
|---|---|
| dot | 两个数组的点积，即元素对应相乘。 |
| vdot | 两个向量的点积 |
| inner | 两个数组的内积 |
| matmul | 两个数组的矩阵积 |
| determinant | 数组的行列式 |
| solve | 求解线性矩阵方程 |
| inv | 计算矩阵的乘法逆矩阵 |
numpy.vdot() 函数是两个向量的点积。
如果第一个参数是复数，那么它的共轭复数会用于计算。
如果参数是多维数组，它会被展开。
import numpy as np
a = np.array([[1,2],[3,4]])
b = np.array([[11,12],[13,14]])
# vdot 将数组展开计算内积
print(np.vdot(a,b))输出结果为：
130
以上就是pypython自学建议收藏学习的七个生态系统核心库的详细内容，更多关于pypython生态系统核心库的资料请关注编程网其它相关文章！
