Python 在数据分析领域有非常丰富的工具生态，下面按用途分类给你梳理一下常用的工具和库：
| 工具 | 说明 |
|---|---|
| Pandas | 最核心的数据分析库，DataFrame 结构，适合清洗、处理、统计 |
| NumPy | 数值计算基础库，支持多维数组和矩阵运算 |
| Polars | 新一代高性能 DataFrame 库，比 Pandas 更快 |
| 工具 | 特点 |
|---|---|
| Matplotlib | 最基础、可定制性极强 |
| Seaborn | 基于 Matplotlib，统计图表更美观 |
| Plotly | 交互式图表，适合网页展示 |
| Pyecharts | 基于 ECharts，中文友好 |
| Altair | 声明式可视化，语法简洁 |
| 工具 | 用途 |
|---|---|
| Openpyxl / XlsxWriter | Excel 读写 |
| csv / json | 内置模块 |
| SQLAlchemy | 数据库 ORM |
| pymysql / psycopg2 | MySQL / PostgreSQL 连接 |
| pandas.read_sql | 直接读数据库 |
| 工具 | 说明 |
|---|---|
| SciPy | 科学计算、假设检验 |
| Statsmodels | 回归、时间序列分析 |
| Pingouin | 轻量级统计库 |
| 工具 | 说明 |
|---|---|
| Scikit-learn | 经典机器学习 |
| XGBoost / LightGBM | 梯度提升模型 |
| TensorFlow / PyTorch | 深度学习 |
| 工具 | 说明 |
|---|---|
| Dask | 并行 Pandas |
| PySpark | Spark 的 Python 接口 |
| Vaex | 超大数据集可视化 |
数据获取 → 清洗（Pandas） → 分析（NumPy / Statsmodels）
→ 可视化（Matplotlib / Plotly）
→ 建模（Scikit-learn）
→ 报告（Jupyter / PPT）
如果你愿意，我可以：
你主要想用 Python 做什么类型的数据分析？
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
