本文目录一览：
- 1、Python数据分析库有哪些
- 2、Python常用的标准库以及第三方库有哪些？
- 3、python第三方库——xlwt3
- 4、Python 常用的标准库以及第三方库有哪些
- 5、python机器学习方向的第三方库是什么
Python数据分析库有哪些
Python数据分析必备的第三方库：
1、Pandas
Pandas是Python强大、灵活的数据分析和探索工具，包含Serise、DataFrame等高级数据结构和工具，安装Pandas可使Python中处理数据非常快速和简单。
Pandas是Python的一个数据分析包，Pandas最初使用用作金融数据分析工具而开发出来，因此Pandas为时间序列分析提供了很好的支持。
Pandas是为了解决数据分析任务而创建的，Pandas纳入了大量的库和一些标准的数据模型，提供了高效的操作大型数据集所需要的工具。Pandas提供了大量是我们快速便捷的处理数据的函数和方法。Pandas包含了高级数据结构，以及让数据分析变得快速、简单的工具。
2、Numpy
Numpy可以提供数组支持以及相应的高效处理函数，是Python数据分析的基础，也是Scipy、Pandas等数据处理和科学计算库最基本的函数功能库，且其数据类型对Python数据分析十分有用。
Numpy提供了两种基本的对象：ndarray和ufunc。ndarray是存储单一数据类型的多维数组，而ufunc是能够对数组进行处理的函数。
3、Matplotlib
Matplotlib是强大的数据可视化工具和作图库，是主要用于绘制数据图表的Python库，提供了绘制各类可视化图形的命令字库、简单的接口，可以方便用户轻松掌握图形的格式，绘制各类可视化图形。
Matplotlib是Python的一个可视化模块，他能方便的只做线条图、饼图、柱状图以及其他专业图形。
Matplotlib是基于Numpy的一套Python包，这个包提供了丰富的数据绘图工具，主要用于绘制一些统计图形。
4、SciPy
SciPy是一组专门解决科学计算中各种标准问题域的包的集合，包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算等，这些对数据分析和挖掘十分有用。
SciPy是一款方便、易于使用、专门为科学和工程设计的Python包，它包括统计、优化、整合、线性代数模块、傅里叶变换、信号和图像处理、常微分方程求解器等。Scipy依赖于Numpy，并提供许多对用户友好的和有效的数值例程，如数值积分和优化。
5、Keras
Keras是深度学习库，人工神经网络和深度学习模型，基于Theano之上，依赖于Numpy和Scipy，利用它可以搭建普通的神经网络和各种深度学习模型，如语言处理、图像识别、自编码器、循环神经网络、递归审计网络、卷积神经网络等。
6、Scrapy
Scrapy是专门为爬虫而生的工具，具有URL读取、HTML解析、存储数据等功能，可以使用Twisted异步网络库来处理网络通讯，架构清晰，且包含了各种中间件接口，可以灵活的完成各种需求。
7、Gensim
Gensim是用来做文本主题模型的库，常用于处理语言方面的任务，支持TF-IDF、LSA、LDA和Word2Vec在内的多种主题模型算法，支持流式训练，并提供了诸如相似度计算、信息检索等一些常用任务的API接口。
Python常用的标准库以及第三方库有哪些？
Python常用的标准库有http库。第三方库有scrapy，pillow和wxPython.以下有介绍：
Requests.Kenneth Reitz写的最富盛名的http库，每个Python程序员都应该有它。
Scrapy.如果你从事爬虫相关的工作，那么这个库也是必不可少的。用过它之后你就不会再想用别的同类库了。
wxPython.Python的一个GUI（图形用户界面）工具。我主要用它替代tkinter。
Pillow.它是PIL的一个友好分支。对于用户比PIL更加友好，对于任何在图形领域工作的人是必备的库。
Python（英国发音：/ˈpaɪθən/ 美国发音：/ˈpaɪθɑːn/）, 是一种面向对象的解释型计算机程序设计语言，由荷兰人Guido van Rossum于1989年发明，第一个公开发行版发行于1991年。
python第三方库——xlwt3
我们之前已经学习了xlrd这个库，这个库是读取excel表格内信息的，它并不能写入信息，这时候我们需要使用xlwt3这个库进行excel表格的写入。
打开命令提示符，使用pip进行安装
安装完后进入下一步：
这个xlwt3的库，好像已经很久没有人维护了，所以有一个问题就是，你用pip安装的这个库，是有点问题的，需要咱们手动修改。
打开python的安装目录，就是你的python的安装位置，我的在D盘，找到D：\Python34\Lib\site-packages\xlwt3\formula.py这个文件，右键点击，使用IDLE打开
将其中的
修改为
就是把第一个" __init__ "删掉。
打开python shell
使用 import xlwt3 ，看看报不报错，没有报错说明修改成功。安装完成。
我们使用这个包主要是为了生成excel表格，将我们处理好的数据存到excel表格中。
为此，我们需要的是xlwt3里面的Workbook这个类。
先创建实例：
这样就创建完了一个实例。
我们知道，一个.xlsx文件或.xls文件称为一个工作簿，里面有好几张工作表，我们现在创建的这个Workbook()实例，它也是一个工作簿，我们要写入内容的话是要写进工作表里面的，这就需要我们创建一个工作表，工作表名是'test1'。
使用的是Workbook下属的add_sheet方法，add_sheet，新建工作表。
add_sheet(self, sheetname, cell_overwrite_ok=False)
需要注意的是，这个方法有两个参数
· 第一个是sheetname，这个是工作表的名字，必须要设置的
· 另一个参数是cell_overwrite_ok，这个参数是覆写的意思，默认是False，如果你现在要写的单元格里面，已经有内容了，就不能写了，如果你要是写的话会报错的。当然，我们在使用的时候，最好是设置成True。也就是上面的那个写法。这样对同一个单元格写入两次的话就不会报错了，当然，只会保留最后一次写入的值。
接下来可以写入信息了。
事实上，我们刚才使用add_sheet这个方法后，创建出了一个Worksheet类的实例。这个类有两个方法是我们需要使用的，一个是write，另一个是write_merge。前者用来写入一个单元格的内容，后者用来写入一个合并单元格的内容。
我们先看write方法，里面有四个参数，分别是r，c，label，style，
· r是行
· c是列
· label是内容
· style是格式
上面写的 table.write(1,0,'number') 是在第二行的第一列写入'number'这个字符串。
同理，另外两句分别是在第二行的第二列和第二行的第三列写入'name'和'score'这两个字符串。
write_merge是写合并单元格的方法
· r1是最上面的单元格所在的行数
· r2是最下面的单元格所在的行数
· c1是最左面的单元格所在的列数
· c2是最右面的单元格所在的列数
· label是要写入的内容
· style是格式
上面那个 table.write_merge(0,0,0,2,'Student information') ，是把第0行的第一列，第二列，第三列的单元格合并了，在里面写入'Student information'这个字符串。
如果我们写入信息的时候，不加style这个参数，那么里面的信息就是最普通的，没有什么格式，颜色啊，粗体啊，边框啊，什么的。
在xlwt3中，使用easyxf这个函数来设置单元格属性。
比如这句当中，我们可以看到传入了一个字符串作为参数：
'font: bold on, italic on, name 宋体, height 400, color red; align: vert centre, horiz centre; borders: top THIN,left THIN,right THIN,bottom THIN'
分解来看，这个字符串有三部分：
我们刚才不是用
创建了一个单元格属性吗，红色20号宋体，粗体，斜体，四周有边框，居中。
写入的使用加在作为style参数传入。
这样，我们就成功的设置单元格格式了。
接下来我们设置列宽。
使用这个方法就能设置列宽了，里面的0代表第一列，列宽是20。我也不知道这个列宽是怎么换算的，只要设置5293的话就是20，大家可以根据换算设置自己想要的列宽。
最后一步，保存我们建立的工作簿。
这里面就一个参数，你要保存的excel表格的文件名。需要加路径和后缀名的。需要注意的是，这个xlwt3只能保存成.xls的excel文件。
打开我们保存的excel表格。
可以看到，工作表名是我们设置的test1，第一行的前三个单元格合并了，内容是'Student information'，红色20号宋体，粗体，斜体，四周有边框，居中。第二行分别是number，name，score。
以上就是创建这个excel表格的流程。
刚才上pypi发现，这个包好像就要被移除了，这样的话以后用pip就无法安装了。
xlwt3 0.1.2 : Python Package Index
以上就是关于xlwt3这个包的简单教程。
Python 常用的标准库以及第三方库有哪些
python的库太多了，标准库装好python就会有，比如os,sys,re等，三方库就更多了，你需要什么库可以在 上找。
python机器学习方向的第三方库是什么
Python开发工程师必知的十大机器学习库：
一、Scikit-Learn
在机器学习和数据挖掘的应用中，Scikit-Learn是一个功能强大的Python包，我们可以用它进行分类、特征选择、特征提取和聚集。
二、Statsmodels
Statsmodels是另一个聚焦在统计模型上的强大的库，主要用于预测性和探索性分析，拟合线性模型、进行统计分析或者预测性建模，使用Statsmodels是非常合适的。
三、PyMC
PyMC是做贝叶斯曲线的工具，其包含贝叶斯模型、统计分布和模型收敛的诊断工具，也包含一些层次模型。
四、Gensim
Gensim被称为人们的主题建模工具，其焦点是狄利克雷划分及变体，其支持自然语言处理，能将NLP和其他机器学习算法更容易组合在一起，还引用Google的基于递归神经网络的文本表示法word2vec。
五、Orange
Orange是一种带有图形用户界面的库，在分类、聚集和特征选择方法方面，相当齐全，还有交叉验证的方法。
六、PyMVPA
PyMVPA是一种统计学习库，包含交叉验证和诊断工具，但没有Scikit-learn全面。
七、Theano
Theano是最成熟的深度学习库，它提供不错的数据结构表示神经网络的层，对线性代数来说很高效，与Numpy的数组类似，很多基于Theano的库都在利用其数据结构，它还支持开箱可用的GPU编程。
八、PyLearn
PyLearn是一个基于Theano的库，它给Theano引入了模块化和可配置性，可以通过不同的配置文件来创建神经网络。
九、Hebel
Hebel是一个带有GPU支持的神经网络库，可以通过YAML文件决定神经网络的属性，提供了将神级网络和代码友好分离的方式，并快速地运行模型，它是用纯Python编写，是很友好的库，但由于开发不久，就深度和广大而言，还有些匮乏!
十、Neurolab
Neurolab是一个API友好的神经网络库，其包含递归神经网络实现的不同变体，如果使用RNN，这个库是同类API中最好的选择之一。
