NumPy是數字。
Python的縮寫，是Python數值計算的基石。它提供了Python數值計算所需的各種數據結構、算法和大部分接口。NumPy還包括其他內容:
①快速高效的多維數組對象ndarray
②基於元素或數組間數學運算函數的數組計算。
③讀寫硬盤中基於數組的數據集的工具。
④線性代數運算、傅立葉變換和隨機數生成。
除了NumPy賦予Python的快速數組處理能力，NumPy的另壹個主要用途是作為算法和庫之間數據傳輸的數據容器。對於數值數據，NumPy數組可以比Python內置的數據結構更有效地存儲和操作數據。
第二，熊貓
Pandas提供了先進的數據結構和功能。這些數據結構和函數的設計使得使用結構化和表格數據的工作變得快速、簡單和富有表現力。它出現在2010，幫助Python成為壹個強大高效的數據分析環境。常用的pandas對象是DataFrame，這是壹種面向列的表格數據結構，使用行和列標簽。以及壹維標簽數組對象Series。
Pandas將表和關系數據庫的靈活數據操作能力與Numpy的高性能數組計算思想相結合。它提供了壹個復雜的索引函數，使得數據重組、切片、切片、聚合和子集選擇更加容易。因為數據操作、預處理和清洗是數據分析中的重要技能，熊貓將是壹個重要的主題。
第三，matplotlib
Matplotlib是最流行的用於制圖和其他二維數據可視化的Python庫。
Hunter成立，目前由壹個龐大的開發團隊維護。Matplotlib是壹個適合發布的繪圖工具。
還有其他針對Python程序員的可視化庫，但matplotlib仍然是使用最廣泛的，並且與生態系統中的其他庫集成得很好。
第四，IPython
IPython項目由Fernando於2001啟動。
佩雷斯開始開發壹個更具交互性的Python解釋器。在過去的16年裏，它已經成為Python數據技術棧中最重要的工具之壹。
雖然它不提供任何計算或數據分析工具，但它的設計關註於在交互式計算和軟件開發中最大化生產率。它使用執行-瀏覽工作流來取代其他語言中典型的編輯-編譯-運行工作流。它還為操作系統命令行和文件系統提供了壹個易於使用的界面。因為數據分析和編碼涉及到大量的探索、實驗、試錯和遍歷，IPython可以讓妳更快的完成工作。
第五，SciPy
SciPy是科學計算領域中不同標準問題域的軟件包集合。以下是SciPy中包含的壹些包:
①scipy .集成數值積分程序和微分方程求解器
②scipy.linalg線性代數程序和基於numpy.linalg的矩陣分解
③scipy .優化函數優化器和根算法。
④scipy.signal信號處理工具
⑤scipy .稀疏稀疏矩陣和稀疏線性系統求解器
SciPy和Numpy共同為許多傳統的科學計算應用提供了合理、完整和成熟的計算基礎。
第六，scikit-learn
Scikit-learn項目誕生於2010，已經成為Python程序員的首選。短短七年，scikit-learn在全球擁有1500代碼貢獻者。它包含以下子模塊:
①分類:SVM、最近鄰、隨機森林、logistic回歸等。
②回歸:套索、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、索引矩陣。
⑥預處理:特征提取和歸壹化。
Scikit-learn、pandas、statsmodels和IPython使Python成為數據科學的高效編程語言。