如果你是一個有追求的數據科學家，你應該充滿好奇心，常常探索、學習和提問。在線教程和視頻可以作為初期的準備學習，但能夠證明你已經做好準備成為一個數據科學家的***方式是，你可以熟練的使用編程環境中各種所需的工具。

作 者詢問了他們的數據科學專家，讓他們列出了他們所認為的所有數據科學家都應該熟練使用的7個Python工具。Galvanize Data Science和GalvanizeU課程均著眼于學生是否花費大量時間沉浸于那些技術，將時間投資在深入研究工具上，這會讓你在找***份工作時擁有絕對 的優勢。下面就來看看這些工具：

IPython

IPython是多種編程語言的交互式計算的命令外殼，最初為Python編程語言開發，提供了增強自省、富媒體、增加額外的shell語法、tab補全和豐富的歷史功能。IPython提供以下功能：

強大的shell交互功能(基于QT終端)

一個基于瀏覽器的筆記本，支持代碼、文本、數學共表達式、內置圖表和其他富媒體

支持交互數據可視化和使用GUI工具包

靈活的、可嵌入的將解釋程序加載到自有工程里

易用，并行計算的高性能工具

GraphLab Create

GraphLab Create是一個Python庫，由C++引擎支持，用于快速構建大規模、高性能的數據產品。

下面是GraphLab Create的一些特點：

能夠在您的計算機上交互高速的分析TB量級數據

可分析表格數據、圖形、文本和圖像的單一平臺

先進的技術機器算法學習，包括深度學習、進化樹、factorization machines理論

使用Hadoop Yarn或EC2集群在你的筆記本上運行相同的代碼

利用靈活的API接口使自己專注于任務或機器學習

使用數據預測服務輕松部署云數據產品。

為探索和生產監測建立可視化數據

Pandas

Pandas有BSD開源許可，是讓Python編程語言更加易于使用的數據結構和數據分析的開源軟件。在數據修改和預處理方面，Python早已十分強大，但是在數據分析和建模上，Python還不是十分完善。Pandas正好彌補了這一短板，它能夠使你的全部數據分析能夠在Python上實施，而不用借助于其他特定語言(例如R語言)。

結 合強大的Python工具包和其他庫，它在Python的數據分析環境中能夠有優異的性能、生產力和兼容性。Pandas不能實現超出建模函數外線性回歸 和面板會歸;這可以通過看statsmodels和scikit學習。要把Python做成首位的統一建模環境還有很多工作要做，但我們已經在奔向目標的 道路上了。

PuLP

線性編程是優化的一個類型，一個目標函數應該***化的給與一定限制。PuLP是用Python寫的線性編程模型。PuLP可以生成線性文件，調用高度優化的求解器GLPK、COIN CLP/CBC、CPLEX和GUROBI來解決線性問題。

Matplotlib

Matplotlib是一個Python 2D的繪圖庫，它可以生成高質量圖表，用于跨平臺的硬件格式和交互式環境中。Matplotlib可以用于Python腳本，Python和IPython的shell界面(ALA Matlab或Mathematica)，web應用服務器和6類圖形用戶界面工具包。

Matplotlib試圖讓簡單的事情更簡單，讓困難的事情增加可能性。僅用幾行代碼就可生成圖像、直方圖、能量光譜、柱狀圖、散點圖等等。

對于簡單的繪圖，Pyplot接口提供了一個MATLAB-like界面，特別是在結合IPython時。對于有能力的用戶，你可以完全控制線型、字體屬性、坐標屬性等等，并且通過一個面向對象的接口或提供一組函數給MATLAB用戶。

Scikit-Learn

Scikit-Learn是一個簡單有效的數據挖掘和數據分析工具。他的優點就在于，在任何情況下都是可以訪問的，并且在多種語境下可以重復使用。它基于NumPy、SciPy和mathplotlib構建。Scikit-Learn采用開源BSD許可，在商業上可用。Scikit-Learn有以下特點：

分類：識別對象屬于哪一類別

回歸：預測一個對象相關聯的持續價值屬性

聚類：類似屬性對象的自動分組聚集

降維：減少需考慮的隨機變量的數目

模型選擇：比較、驗證和選擇參數模型

預處理：特征提取和規范化

Spark

Spark 由一個驅動程序組成，它可以運行用戶的main函數，且能在集群上執行各種并行操作。Spark最主要的優點就是它提供彈性分布式數據集(RDD)，這是 一個可并行操作的按聚類節點分區的元素集合。RDDs可在Hadoop文件系統中創建(或任何其他的Hadoop支持的文件系統)，或現有的Scala集 合中已有的標量數據集合將其轉化。用戶可能也希望Spark能夠保存RDD，并且允許有效復用和并行操作。***，RDDs無法自動從節點中復原。

Spark 的另一個優勢是可被用于并行操作的變量共享。默認情況下，當Spark并行的運行一個作為不同節點上的任務的函數時，它將每一個函數中的變量給每份任務都 拷貝一份。有時，一個變量需要在任務間共享，或是在任務和驅動程序間共享。Spark支持兩種類型的共享變量：廣泛散布的變量(可用在所有節點緩存上的數 據)、累加器(只能執行“相加”)，像計數器和加法。

原文地址：Seven Python Tools All Data Scientists Should Know How to Use