Python是資料處理常用工具，可以處理數量級從幾K至幾T不等的資料，具有較高的開發效率和可維護性，還具有較強的通用性和跨平臺性。Python可用於資料分析，但其單純依賴Python本身自帶的庫進行資料分析還是具有一定的侷限性的，需要安裝第三方擴充套件庫來增強分析和挖掘能力。
Python資料分析需要安裝的第三方擴充套件庫有：Numpy、Pandas、SciPy、Matplotlib、Scikit-Learn、Keras、Gensim、Scrapy等，以下是對該第三方擴充套件庫的簡要介紹：

1. Pandas

Pandas是Python強大、靈活的資料分析和探索工具，包含Series、DataFrame等高階資料結構和工具，安裝Pandas可使Python中處理資料非常快速和簡單。
Pandas是Python的一個數據分析包，Pandas最初被用作金融資料分析工具而開發出來，因此Pandas為時間序列分析提供了很好的支援。
Pandas是為了解決資料分析任務而建立的，Pandas納入了大量的庫和一些標準的資料模型，提供了高效的操作大型資料集所需要的工具。Pandas提供了大量是我們快速便捷的處理資料的函式和方法。Pandas包含了高階資料結構，以及讓資料分析變得快速、簡單的工具。它建立在Numpy之上，使得Numpy應用變得簡單。
帶有座標軸的資料結構，支援自動或明確的資料對齊。這能防止由於資料結構沒有對齊，以及處理不同來源、採用不同索引的資料而產生的常見錯誤。
使用Pandas更容易處理丟失資料。
合併流行資料庫（如：基於SQL的資料庫）
Pandas是進行資料清晰/整理的最好工具。

2. Numpy

Python沒有提供陣列功能，Numpy可以提供陣列支援以及相應的高效處理函式，是Python資料分析的基礎，也是SciPy、Pandas等資料處理和科學計算庫最基本的函式功能庫，且其資料型別對Python資料分析十分有用。
Numpy提供了兩種基本的物件：ndarray和ufunc。ndarray是儲存單一資料型別的多維陣列，而ufunc是能夠對陣列進行處理的函式。Numpy的功能：
N維陣列，一種快速、高效使用記憶體的多維陣列，他提供向量化數學運算。
可以不需要使用迴圈，就能對整個陣列內的資料進行標準數學運算。
非常便於傳送資料到用低階語言編寫(C\C++)的外部庫,也便於外部庫以Numpy陣列形式返回資料。
Numpy不提供高階資料分析功能，但可以更加深刻的理解Numpy陣列和麵向陣列的計算。

3. Matplotlib

Matplotlib是強大的資料視覺化工具和作相簿，是主要用於繪製資料圖表的Python庫，提供了繪製各類視覺化圖形的命令字型檔、簡單的介面，可以方便使用者輕鬆掌握圖形的格式，繪製各類視覺化圖形。
Matplotlib是Python的一個視覺化模組，他能方便的只做線條圖、餅圖、柱狀圖以及其他專業圖形。
使用Matplotlib，可以定製所做圖表的任一方面。他支援所有作業系統下不同的GUI後端，並且可以將圖形輸出為常見的向量圖和圖形測試，如PDF SVG JPG PNG BMP GIF.通過資料繪圖，我們可以將枯燥的數字轉化成人們容易接收的圖表。
Matplotlib是基於Numpy的一套Python包，這個包提供了吩咐的資料繪圖工具，主要用於繪製一些統計圖形。
Matplotlib有一套允許定製各種屬性的預設設定，可以控制Matplotlib中的每一個預設屬性：影象大小、每英寸點數、線寬、色彩和樣式、子圖、座標軸、網個屬性、文字和文字屬性。

4. SciPy

SciPy是一組專門解決科學計算中各種標準問題域的包的集合，包含的功能有最優化、線性代數、積分、插值、擬合、特殊函式、快速傅立葉變換、訊號處理和影象處理、常微分方程求解和其他科學與工程中常用的計算等，這些對資料分析和挖掘十分有用。
Scipy是一款方便、易於使用、專門為科學和工程設計的Python包，它包括統計、優化、整合、線性代數模組、傅立葉變換、訊號和影象處理、常微分方程求解器等。Scipy依賴於Numpy，並提供許多對使用者友好的和有效的數值例程，如數值積分和優化。
Python有著像Matlab一樣強大的數值計算工具包Numpy；有著繪圖工具包Matplotlib;有著科學計算工具包Scipy。
Python能直接處理資料，而Pandas幾乎可以像SQL那樣對資料進行控制。Matplotlib能夠對資料和記過進行視覺化，快速理解資料。Scikit-Learn提供了機器學習演算法的支援，Theano提供了升讀學習框架（還可以使用CPU加速）。

5. Keras

Keras是深度學習庫，人工神經網路和深度學習模型，基於Theano之上，依賴於Numpy和Scipy，利用它可以搭建普通的神經網路和各種深度學習模型，如語言處理、影象識別、自編碼器、迴圈神經網路、遞迴審計網路、卷積神經網路等。

6. Scikit-Learn

Scikit-Learn是Python常用的機器學習工具包，提供了完善的機器學習工具箱，支援資料預處理、分類、迴歸、聚類、預測和模型分析等強大機器學習庫，其依賴於Numpy、Scipy和Matplotlib等。
Scikit-Learn是基於Python機器學習的模組，基於BSD開源許可證。
Scikit-Learn的安裝需要Numpy Scopy Matplotlib等模組，Scikit-Learn的主要功能分為六個部分，分類、迴歸、聚類、資料降維、模型選擇、資料預處理。
Scikit-Learn自帶一些經典的資料集，比如用於分類的iris和digits資料集，還有用於迴歸分析的boston house prices資料集。該資料集是一種字典結構，資料儲存在.data成員中，輸出標籤儲存在.target成員中。Scikit-Learn建立在Scipy之上，提供了一套常用的機器學習演算法，通過一個統一的介面來使用，Scikit-Learn有助於在資料集上實現流行的演算法。
Scikit-Learn還有一些庫，比如：用於自然語言處理的Nltk、用於網站資料抓取的Scrappy、用於網路挖掘的Pattern、用於深度學習的Theano等。

7. Scrapy

Scrapy是專門為爬蟲而生的工具，具有URL讀取、HTML解析、儲存資料等功能，可以使用Twisted非同步網路庫來處理網路通訊，架構清晰，且包含了各種中介軟體介面，可以靈活的完成各種需求。

8. Gensim

Gensim是用來做文字主題模型的庫，常用於處理語言方面的任務，支援TF-IDF、LSA、LDA和Word2Vec在內的多種主題模型演算法，支援流式訓練，並提供了諸如相似度計算、資訊檢索等一些常用任務的API介面。
以上是對Python資料分析常用工具的簡單介紹，有興趣的可以深入學習研究一下相關使用方法!
我在部落格檔案下載中上傳了相關文件，有需要的可以下載，資料分析的內容後續會繼續更新