想要成為一個程序員，除了學習各種教程之外，熟悉各種已經在生產環境中使用的工具會讓你更快的成長！
這裡有7款python工具，是所有數據專家必不可少的工具。當你對他們有一定了解後，會成為你找工作的絕對優勢！下面就瞭解它們一下吧：
0.IPython
IPython是一個基於Python Shell的交互式解釋器，但是有比默認Shell強大得多的編輯和交互功能。IPython 提供瞭如下特性:
更強的交互 shell（基於 Qt 的終端）
一個基於瀏覽器的記事本，支持代碼，純文本，數學公式，內置圖表和其他富媒體
支持交互數據可視化和圖形界面工具
靈活，可嵌入解釋器加載到任意一個自有工程裡
簡單易用，用於並行計算的高性能工具
當你一個庫不會用的時候，用ipython 可以寫一些測試代碼。可以用ipython快速掌握庫的方法和使用。
1.GraphLab Greate
GraphLab Greate 是一個 Python 庫，由 C++ 引擎支持，可以快速構建大型高性能數據產品。
關於 GraphLab Greate 的特點：
可以在您的計算機上以交互的速度分析以 T 為計量單位的數據量。
在單一平臺上可以分析表格數據、曲線、文字、圖像。
最新的機器學習算法包括深度學習，進化樹和 factorization machines 理論。
可以用 Hadoop Yarn 或者 EC2 聚類在你的筆記本或者分佈系統上運行同樣的代碼。
藉助於靈活的 API 函數專注於任務或者機器學習。
在雲上用預測服務便捷地配置數據產品。
為探索和產品監測創建可視化的數據。
2.Spark
Spark是一個圍繞速度、易用性和複雜分析構建的大數據處理框架，提供了一個全面、統一的框架用於管理各種有著不同性質（文本數據、圖表數據等）的數據集和數據源（批量數據或實時的流數據）的大數據處理的需求。
Spark基於map reduce算法實現的分佈式計算，擁有Hadoop MapReduce所具有的優點；但不同於MapReduce的是Job中間輸出和結果可以保存在內存中，從而不再需要讀寫HDFS，因此Spark能更好地適用於數據挖掘與機器學習等需要迭代的map reduce的算法。
3.Pandas
Pandas 是基於 NumPy 的一個非常好用的庫，正如名字一樣，人見人愛。之所以如此，就在於不論是讀取、處理數據，用它都非常簡單。
Pandas 有兩種自己獨有的基本數據結構。讀者應該注意的是，它固然有著兩種數據結構，因為它依然是 Python 的一個庫，所以，Python 中有的數據類型在這裡依然適用，也同樣還可以使用類自己定義數據類型。只不過，Pandas 裡面又定義了兩種數據類型：Series 和 DataFrame，它們讓數據操作更簡單了。
4.Scikit-Learn
Scikit-Learn是用Python開發的機器學習庫，其中包含大量機器學習算法、數據集，是數據挖掘方便的工具。Scikit-learn的基本功能主要被分為六大部分：分類，迴歸，聚類，數據降維，模型選擇和數據預處理。Scikit-learn需要NumPy和SciPy等其他包的支持，才能夠使用。
5.PuLP
線性編程是一種優化，其中一個對象函數被最大程度地限制了。PuLP 是一個用 Python 編寫的線性編程模型。它能產生線性文件，能調用高度優化的求解器，GLPK，COIN CLP/CBC，CPLEX，和GUROBI，來求解這些線性問題。
6.Matplotlib
matplotlib在Python中應用最多的2D圖像的繪圖工具包，使用matplotlib能夠非常簡單的可視化數據。
matplotlib 嘗試使容易事情變得更容易，使困難事情變為可能。通過 Matplotlib，你只需要輸入幾行代碼，便可以生成繪圖，直方圖，功率譜，條形圖，錯誤圖，散點圖等
閱讀更多 編程獅APP 的文章
