作為一位萬人敬仰的數(shù)據(jù)科學家，不但需要培育一棵參天技能樹，私人武器庫里沒有一票玩得轉(zhuǎn)的大火力工具也是沒法在江湖中呼風喚雨的。

[[182458]]

近日北卡來羅納大學CTO，一位數(shù)據(jù)科學家Jefferson Heard分享了多年來收集沉淀的數(shù)據(jù)分析工具集：

處理較大、較復雜的類excel數(shù)據(jù)

• Pandas -處理tabular(類似Excel)數(shù)據(jù)的通用工具套件
• SQLite – Tabular數(shù)據(jù)庫格式，能夠處理大規(guī)模數(shù)據(jù)集，同時也能在桌面環(huán)境運行。
• PostgreSQL – 企業(yè)級數(shù)據(jù)庫系統(tǒng)

處理空間、地理數(shù)據(jù)：

• PostGIS – Postgres的地理空間數(shù)據(jù)類型擴展
• Carto – 地理空間數(shù)據(jù)的商業(yè)數(shù)據(jù)挖掘工具
• Mapbox – 商業(yè)地圖繪制工具，同時也是一個web地圖系統(tǒng)。
• Leaflet – 基于網(wǎng)絡(luò)資源和本地數(shù)據(jù)開發(fā)活動web地圖的代碼庫
• qGIS – 適用于幾乎所有地理空間和地圖繪制的圖形化GIS工具

處理非常規(guī)數(shù)據(jù)：

• RethinkDB – 處理實時數(shù)據(jù)流非常棒的數(shù)據(jù)庫，正在從商業(yè)轉(zhuǎn)開源，小心使用。
• MongoDB – 處理大規(guī)模非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)的流行數(shù)據(jù)庫，應(yīng)用于生產(chǎn)環(huán)境需要加小心。
• CouchDB – 與MongoDB有些類似但不盡相同。
• Cassandra – 圖譜和關(guān)系數(shù)據(jù)庫

為大規(guī)模數(shù)據(jù)集創(chuàng)建性能代碼：

• Pandas – Python下一個開源數(shù)據(jù)分析的庫,它提供的數(shù)據(jù)結(jié)構(gòu)DataFrame極大的簡化了數(shù)據(jù)分析過程中一些繁瑣操作。
• Apache Spark – 一個通用的高性能數(shù)據(jù)處理系統(tǒng)
• SciPy and Numpy -可編寫腳本的基于C的數(shù)值算法，能在緊湊的,底層機器數(shù)據(jù)架構(gòu)上運行。
• Cython – 使用用C編譯器的Python編譯器，用來提升Python性能。
• PyOpenCL – 在圖形顯卡上進行數(shù)值計算和統(tǒng)計處理。

數(shù)據(jù)清洗工具

• ODO – 在不同數(shù)據(jù)格式間進行轉(zhuǎn)換的Python庫。
• OpenRefine – 擁有圖形用戶界面的數(shù)據(jù)發(fā)現(xiàn)和清洗工具
• Pandas – 數(shù)據(jù)科學任務(wù)中用來處理tabular數(shù)據(jù)的通用Python工具集
• Scrapy – Python開發(fā)的一個快速,高層次的屏幕抓取和web抓取框架，用于抓取web站點并從頁面中提取結(jié)構(gòu)化的數(shù)據(jù)。
• BeautifulSoup – 與Scrapy類似但不盡相同
• Scrubadub – 去除個人身份信息
• Arrow – 幫你輕松駕馭日期和時間戳的Python庫
• DataCleaner – 剔除臟數(shù)據(jù)的Python庫
• Dora – 與DataCleaner功能類似的Python庫。

數(shù)據(jù)可視化工具

• Processing – 交互式開發(fā)交互式可視化內(nèi)容. 推薦讀本：Visualizing
• DataD3 – 在web上開發(fā)可視化交互
• C3 – 來自D3的圖表.
• Bokeh – 與D3類似, 但基于Python.
• matplotlib – 最早的Python數(shù)據(jù)可視化工具集。
• Leaflet – 一個為開發(fā)移動設(shè)備友好的互動地圖的開源 JavaScript 庫。
• MapBox -詳見地圖工具集。
• qGIS – 詳見地圖工具集。
• VTK – 在醫(yī)療、和物理研究領(lǐng)域常用的重型可視化工具包。

數(shù)據(jù)挖掘和機器學習工具

• Weka – 一個機器學習和數(shù)據(jù)挖掘工具包，這里有一本免費可讀的參考書
• ciKitLearn – 基于Python的機器學習和數(shù)據(jù)挖掘工具套件。
• Orange – 另一個基于Python的數(shù)據(jù)挖掘工具套件，同樣擁有圖形用戶界面。
• TensorFlow – Google開源的多維度圖譜數(shù)學建模工具。

分享、協(xié)作以及知識管理工具

• Django -基于Python的web框架
• Django REST Framework – 為Django網(wǎng)站創(chuàng)建 REST APIs
• IRODS – 企業(yè)級數(shù)據(jù)存儲和管理，包括元數(shù)據(jù)管理和基于規(guī)則的數(shù)據(jù)處理。
• Cassandra (useful for metadata and relationship storage) – 一個存儲和查詢元數(shù)據(jù)經(jīng)常用到的開源分布式數(shù)據(jù)管理系統(tǒng)
• GitLab -GitHub的開源替代品，可搭建私人服務(wù)器。
• ReciPy –
• Prov – Python implementation of the W3C provenance model
• Kanren (部署基于元數(shù)據(jù)和數(shù)據(jù)源信息的業(yè)務(wù)邏輯非常有用) – 一個描述性Python邏輯編程系統(tǒng)，非常適合科學元數(shù)據(jù)的查詢和基于規(guī)則的處理。