一、为什么使用python进行数据分析

在众多解释型语言中，python的最大特点是拥有一个巨大而活跃的科学计算（scientific computing）社区，python可以轻松集成C、C++、Fortran代码，所以经常被称为“胶水语言”。

python的热度提升与人工智能的发展分不开，AI深度学习本身的特点决定了其不适合静态变异性语言，而python被选做AI技术框架的基础语言，更多源于python的动态特性，现在流行的人工智能技术大多使用python进行编写，这大大促进了python语言的发展。

python发展的良性循环过程：由于其本身动态特性，被选做AI开发的基础语言 -> 近年来AI大热，极大地推动了python的发展 -> python得到越来越多的关注，势必有越来越多的人投入精力丰富python功能（python强大的社区）-> 开发适合各种领域的库，高效完成相应工作。

note：三十年河东三十年河西，谁也无法预料30年后的python会是怎样一番境况。因此还是要做到两条腿走路：数据挖掘本身、数据挖掘工具。二者缺一不可，毕竟python仅是数据挖掘的工具。万一在未来出现了更好的替代工具，只懂python，那路岂不是走死了。因此对数据挖掘本身的方法、本身的思想也要做到精通才好，毕竟方法是精髓，工具只是实现方法的手段而已。

总结：

• 优势：1. 社区庞大而活跃；2. 功能越来越强大；3. 相较于SAS等付费工具，成本更低；4. 开源，新功能及时；5. 粘合剂语言；6. 解决两种语言问题（协同开发）

• 劣势：1. 解释型语言运行慢；2. 不适用与高并发、多线程的应用程序

 二、重要的python库

• Numpy：python科学计算基础包。

                 其所处理的对象：多维数组ndarray

                 对数组执行元素级运算以及直接对数组执行数学运算的函数

                 读写磁盘上的数据集

                 线性代数、傅里叶变换、随机数生成

                 将C、C++、Fortran代码集成到python

        优势：1. 数组处理能力；2. 对于数值型数据，Numpy在存储和处理数据时要比内置的python数据结构高效得多；3. 由低级语言（C或Fortran）编写的库可以直接操作Numpy数组中的数据。

• Pandas：提供了可以快速处理结构化数据的大量数据结构和函数。Pandas是使python成为强大而高效的数据分析环境的重要因素之一。

                其所处理的对象：DataFrame 

                具有Numpy高性能的数组计算功能

                 电子表格（Excel）

                 关系型数据库（sql）

                 时间序列分析功能