Python有哪些常用库？如在数据清洗时使用numpy和pandas包，数据可视化时使用matplotlib库，matplotlib库上手容易，更高级的学习seaborn库，seaborn库是改良matplotlib库的图表画法，如果创建有交互性的图表，可以使用Pyecharts库，还有一些其他在自动化办公中使用到的库。
Python的作用绝不仅仅只是做数据清洗和数据可视化，其作用还有很多，有许多意想不到的功能，可以高效的做数据处理、数据可视化，以及可以实现自动化办公，这里仅仅举例讲讲Python使用最多的几个包，欢迎大家补充，下面一起来学习。
Numpy
官网https://www.numpy.org.cn/
NumPy是Python中科学计算的基础包。该库提供多维数组对象，各种派生对象，以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。
NumPy包的核心是 ndarray 对象。封装了python原生的同数据类型的 n 维数组，为保证其性能优良，其中许多操作都是代码在本地进行编译后执行的。
NumPy的主要对象是同构多维数组。它是一个元素表，所有类型都相同，由非负整数元组索引。在NumPy维度中称为轴 。
Pandas
官网https://www.pypandas.cn/
Pandas 是 Python的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据，广泛应用于数据分析领域，Pandas 适用于处理与 Excel 表类似的表格数据，以及有序和无序的时间序列数据等。
Pandas 的主要数据结构是 Series（一维数据）和 DataFrame（二维数据），这两种数据结构足以处理金融、统计、社会科学等领域的大多数典型用例，使用pandas进行数据分析流程包含数据整理与清洗、数据分析与建模、数据可视化与制表等阶段。
- 灵活的分组功能：（group by）数据分组、聚合、转换数据；
- 直观地合并功能：（merge）数据连接；
- 灵活地重塑功能：（reshape）数据重塑；
Matplotlib
官网https://www.matplotlib.org.cn/
Matplotlib是一个Python 2D绘图库，以多种硬拷贝格式和跨平台的交互式环境生成出版物质量的图形。可用于Python脚本，Python和IPython Shell、Jupyter笔记本，Web应用程序服务器和四个图形用户界面工具包。
Matplotlib 尝试使容易的事情变得更容易，使困难的事情变得可能，只需几行代码就可以生成图表、直方图、功率谱、条形图、误差图、散点图等。
该 pyplot 模块提供了类似于MATLAB的界面，尤其是与IPython结合使用时，对于高级用户，可以通过面向对象的界面或MATLAB用户熟悉的一组功能来完全控制线型，字体属性，轴属性等。
Seaborn
官网http://seaborn.pydata.org/
Seaborn 是一个基于matplotlib的 Python 数据可视化库，它建立在matplotlib之上，并与Pandas数据结构紧密集成，用于绘制有吸引力和信息丰富的统计图形的高级界面。
Seaborn 可用于探索数据，它的绘图功能对包含整个数据集的数据框和数组进行操作，并在内部执行必要的语义映射和统计聚合以生成信息图，其面向数据集的声明式 API可以专注于绘图的不同元素的含义，而不是如何绘制它们的细节。
Matplotlib 拥有全面而强大的 API，几乎可以根据自己的喜好更改图形的任何属性，seaborn 的高级界面和 matplotlib 的深度可定制性相结合，使得Seaborn既可以快速探索数据，又可以创建可定制为出版质量最终产品的图形。
Pyecharts
官网https://pyecharts.org/#/
Echarts 是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts 诞生了。
Pyecharts具有简洁的 API 设计，使用如丝滑般流畅，支持链式调用，囊括了 30+ 种常见图表，应有尽有，支持主流 Notebook 环境，Jupyter Notebook 和 JupyterLab，拥有高度灵活的配置项，可轻松搭配出精美的图表。
Pyecharts强大的数据交互功能，使数据表达信息更加生动，增加了人机互动效果，并且数据呈现效果可直接导出为html文件，增加数据结果交互的机会，使得信息沟通更加容易。
Pyecharts有着丰富的图表素材，支持链式调用，如下是使用Pyecharts的地理图表功能，空间上直观显示数据可视化效果。
wordcloud
绘制词云图，使用Python中的wordcloud库，首先，用pip install wordcloud安装该库，导入文本数据后，创建WordCloud对象，设置词云图的背景颜色、宽度和高度，使用generate()方法将文本传递给词云对象，生成词云图，最后，使用imshow()方法将词云图显示出来，并使用axis()方法隐藏坐标轴。
import matplotlib.pyplot as plt
from wordcloud import WordCloud
text = "This is some sample text for generating a word cloud."
# 创建词云对象
wordcloud = WordCloud(background_color='white', width=800, height=600).generate(text)
# 显示词云图
plt.figure(figsize=(9, 6))
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show() Faker
Faker库是一个很好的模拟生成数据的库，在满足数据安全的情况下，使用Faker库最大限度的满足我们数据分析的测试需求，可以模拟生成文本、数字、日期等字段。
导入Faker库可模拟生成数据，locale="zh_CN"用来显示中文，如下生成了一组包含姓名、手机号、身份证号、出生年月日、邮箱、地址、公司、职位这几个字段的数据。
#多行显示运行结果
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
from faker import Faker
faker=Faker(locale="zh_CN")#模拟生成数据
faker.name()
faker.phone_number()
faker.ssn()
faker.ssn()[6:14]
faker.email()
faker.address()
faker.company()
faker.job() PySimpleGUI
为了将代码的运行过程增加交互式操作，使用PySimpleGUI库开发一个图形界面，layout用于自定义窗口布局，window用于定义整体的窗口界面，while True: 循环运行，当满足特定的"事件"时，则返回具体的"值"，从而实现人机交互功能。
import PySimpleGUI as sg
#自定义窗口布局，一共是两行，第一行用于查找需要合并Excel的文件目录，第二行点击开始合并按钮进行合并
layout = [[sg.Text("请选择Excel文件所在目录："),sg.Input(size=(25, 1), enable_events=True, key="文件路径"),sg.FolderBrowse(button_text="浏览文件"),],
[sg.Button('开始合并', enable_events=True, key="开始"),]
]
window = sg.Window('批量数据合并：By大话数据分析', layout)#定义窗口
while True:
event, values = window.read()
if event in (None,):
break #关闭用户界面
elif event == "开始":
if values["文件路径"]:
print(values["文件路径"])
sg.popup('数据合并已完毕！')
else:
sg.popup('请先输入Excel文件所在的路径！')
window.close() 如下将人机交互功能开发完毕，点击浏览文件，找到需要批量合并文件的文件夹目录，点击开始合并，即可输出结果，其中，values["文件路径"]输入的是需要合并Excel数据的文件路径，print打印出来的就是需要合并Excel数据的文件路径。
pipenv
交互式的命令开发完毕，如何分享给别人使用？或者是别人的电脑上没有安装Python也能正常使用数据合并功能？这里给大家介绍Python程序打包，使用虚拟环境进行打包，在命令行输入如下命令下载pipenv包。
#使用虚拟环境压缩
pip install pipenv -i https://pypi.tuna.tsinghua.edu.cn/simple 使用快捷键Win+R键，然后输入CMD，输入pipenv shell命令，进入虚拟环境，没有虚拟环境的话会自动建立一个。
#Win+R输入CMD，进入虚拟环境，没有虚拟环境的话会自动建立一个
pipenv shell 由于Python打包会将电脑安装的Python包全部打包，这里我们在虚拟环境中只安装Python程序涉及的模块，这样会减少打包的体积，注意xlrd==1.2.0下载低版本的包，默认安装的是高版本的，安装高版本的包在程序使用中会报错。
#只安装Python程序涉及的模块
pip install pandas xlrd==1.2.0 id-validator PySimpleGUI pyinstaller -ihttps://pypi.tuna.tsinghua.edu.cn/simple 将带有交互式命令的数据合并代码导出为.py文件，在命令行输入如下的打包命令，指定具体的路径即可打包，稍作几分钟即可打包完成。
#进行打包
pyinstaller -F -w C:\Desktop\combine.py 稍等几分钟，在Python的工作目录下看到一个dist文件，如果不知道自己的Python工作目录，可使用os.getcwd()命令查看。
该dist文件包含一个combine.exe程序，如下即为打包的程序。
pandasql
pandasql库可以在Python中写SQL，而且SQL语法在Python中完全支持，在Python中写SQL能够做到手写自如，导入pandasql库，SQL运行都需要借助pandasql库，我们使用的是sql.sqldf(""" *** """)命令，其中***就是你要写的SQL语句，写SQL不难，很容易入门，只要将SQL语句写入到括号内，即可实现数据查询。
import pandasql as sql 导入pandasql库，将电影的累计票房分为'超低票房'、'低票房'、'中等票房'、'高票房'、'超高票房'，使用case when进行分组，以end结尾，成功实现在pandas中使用case when查询，查询结果如下。
#对电影的累计票房使用CASE WHEN分组
sql.sqldf("""select 电影名称,电影导演,电影主演,累计票房,
case
when 累计票房 < 100000 then '超低票房'
when 累计票房 < 200000 then '低票房'
when 累计票房 < 300000 then '中等票房'
when 累计票房 < 400000 then '高票房'
else '超高票房'
end as '电影票房分组' from df
where 累计票房 is not null;""") 什么？以上的这几个Python库还没学过瘾？如果你还想学习更多的Python库，却不知道该学习哪些库的时候，可以关注我，持续分享数据分析知识，带你零基础入门数据分析，掌握一项技能~
三年互联网数据分析经验，擅长Excel、SQL、Python、PowerBI数据处理工具，数据可视化、商业数据分析技能，统计学、机器学习知识，持续创作数据分析内容，点赞关注，不迷路。