¿Qué bibliotecas y herramientas se necesitan para la minería de datos de Python?
Numpy es el paquete básico para la informática científica en Python. Proporciona muchas funciones: ndarray de objetos de matriz multidimensional rápido y eficiente, funciones para cálculos a nivel de elementos y operaciones matemáticas directas en matrices, lectura. y escritura en el disco duro basada en herramientas para conjuntos de datos de matriz, operaciones de álgebra lineal, transformadas de Fourier y generación de números aleatorios. NumPy también tiene una función importante en el análisis de datos, que es servir como contenedor para transferir datos entre algoritmos y bibliotecas.
Panda
Pandas proporciona una gran cantidad de estructuras de datos y funciones para procesar datos estructurados de forma rápida y sencilla. Desde 2010, ha ayudado a Python a convertirse en un entorno de análisis de datos potente y eficiente. Entre ellos, los objetos Pandas más utilizados son DataFrame, que es una estructura de tabla bidimensional orientada a columnas, y el otro es Series, que es un objeto de matriz etiquetado unidimensional. Pandas combina las capacidades informáticas de matrices de alto rendimiento de Numpy con las capacidades flexibles de procesamiento de datos de hojas de cálculo y bases de datos relacionales. También proporciona capacidades de indexación sofisticadas que facilitan remodelar, dividir, agregar y seleccionar subconjuntos de datos.
3. matplotlib
Matplotlib es la biblioteca de Python más popular para dibujar gráficos y otras visualizaciones de datos bidimensionales. Fue escrito originalmente por John D. Hunt (JDH) y actualmente lo mantiene un gran equipo de desarrollo. Es excelente para crear diagramas para usar en publicaciones. Aunque existen otras bibliotecas de visualización de Python, matplotlib es la más utilizada.
4. Grumpy
SciPy es un paquete de software dedicado a resolver varios dominios de problemas estándar en informática científica. Cuando se combina con Numpy, forma una plataforma informática bastante completa y madura que puede manejar muchos problemas informáticos científicos tradicionales.
5. scikit-learn
Desde su nacimiento en 2010, scikit-learn se ha convertido en un conjunto de herramientas universal de aprendizaje automático para Python. Sus submódulos incluyen: clasificación, regresión, agrupamiento, reducción de dimensionalidad, selección, preprocesamiento, etc. scikit-learn, junto con pandas, statsmodels e IPython, ha desempeñado un papel clave para que Python se convierta en un lenguaje de programación de ciencia de datos eficiente.
6. Modelos estadísticos
Statsmodels es un paquete de análisis estadístico que surgió de un profesor de estadística de la Universidad de Stanford. Ha diseñado una variedad de modelos de análisis de regresión populares en el lenguaje R. Capitán Siebold y Joseph
En 2010, Pectold estableció formalmente el proyecto statsmodels, que desde entonces ha reunido a una gran cantidad de usuarios y contribuyentes. En comparación con scikit-learn, statsmodels incluye algoritmos estadísticos y econométricos clásicos.