### 常用的 Python 科学计算第三方库 #### NumPy NumPy 是支持大量维度数组与矩阵运算的基础包。除了提供大量的多维数组操作函数外，还提供了各种派生对象（如掩码数组和矩阵），以及用于处理线性代数、傅里叶变换和随机数生成等功能[^1]。 ```python import numpy as np a = np.array([1, 2, 3]) b = np.array([[9, 8, 7], [6, 5, 4]]) print(a) print(b) ``` #### SciPy SciPy 构建于 NumPy 上面，它增加了更广泛的数学算法和便捷的数据结构。该库包含了模块化子软件集合，涵盖了优化、统计测试、信号处理等领域中的许多常见任务。 ```python from scipy import stats rvs = stats.norm.rvs(loc=0, scale=1, size=1000) print(stats.describe(rvs)) ``` #### Pandas Pandas 提供高性能、易用的数据结构和数据分析工具。特别是 DataFrame 类型非常适合处理表格数据集，在金融分析和其他领域应用广泛。 ```python import pandas as pd data = {'col_1': [3, 2, 1, 0], 'col_2': ['a', 'b', 'c', 'd']} df = pd.DataFrame.from_dict(data) print(df) ``` #### Matplotlib 作为最流行的绘图库之一，Matplotlib 可以创建静态、动态及交互式的图表。对于科研工作者来说非常有用，能够帮助直观理解复杂的数据模式。 ```python import matplotlib.pyplot as plt plt.plot([1, 2, 3, 4]) plt.ylabel('some numbers') plt.show() ``` #### Scikit-Learn 专注于简化机器学习过程的设计理念使得 scikit-learn 成为了最受欢迎的机器学习框架之一。内置多种分类器和支持向量机等模型实现，并且拥有详尽文档指导用户完成从预处理到评估整个流程的工作。 ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.naive_bayes import GaussianNB X, y = load_iris(return_X_y=True) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=0) gnb = GaussianNB() y_pred = gnb.fit(X_train, y_train).predict(X_test) print(f'Number of mislabeled points out of a total {X_test.shape[0]} points : {(y_test != y_pred).sum()}') ```