㈠ 常用的python庫有哪些
1.Matplotlib
Matplotlib是一個用於創立二維圖和圖形的底層庫。藉由它的協助，你可以構建各種不同的圖標，從直方圖和散點圖到費笛卡爾坐標圖。matplotlib可以與許多盛行的繪圖庫結合運用。
2.Seaborn
Seaborn本質上是一個根據matplotlib庫的高級API。它包括更適合處理圖表的默認設置。此外，還有豐厚的可視化庫，包括一些雜亂類型，如時刻序列、聯合分布圖(jointplots)和小提琴圖(violindiagrams)。
3.Plotly
Plotly是一個盛行的庫，它可以讓你輕松構建雜亂的圖形。該軟體包適用於互動式Web運用程，可完成輪廓圖、三元圖和三維圖等視覺效果
4.Bokeh
Bokeh庫運用JavaScript小部件在瀏覽器中創立互動式和可縮放的可視化。該庫提供了多種圖表調集，樣式可能性(stylingpossibilities)，鏈接圖、增加小部件和界說回調等方式的交互才能，以及許多更有用的特性。
5.Pydot
Pydot是用純Python編寫的Graphviz介面，經常用於生成雜亂的定向圖和無向圖，可以顯現圖形的結構，對於構建神經網路和根據決策樹的演算法時十分有效。
6.pyecharts
是根據網路開源的Echarts而開發的Python可視化東西。
pyecharts功用十分強大，支撐多達400+地圖;支撐JupyterNotebook、JupyterLab;可以輕松集成至Flask，Sanic，Django等幹流Web結構。
關於常用的python庫有哪些，環球青藤小編就和大家分享到這里了，學習是沒有盡頭的，學習一項技能更是受益終身，因此，只要肯努力學，什麼時候開始都不晚。如若你還想繼續了解關於python編程的素材及學習方法等內容，可以點擊本站其他文章學習。
㈡ python怎樣裝graphvize需要c++環境嗎
安裝python3.5,添加python和python/scripts到環境變數(裡麵包含 pip和easy_install 工具)
命令行輸入pip install scrapy 安裝scrapy，如果存在哪些模塊不存在的，通過pip install進行安裝
安裝lxml時，出現"Unable to find vcvarsall.bat"錯誤時，參考http://blog.csdn.net/u012302488/article/details/51178541，在http://www.lfd.uci.e/~gohlke/pythonlibs/#lxml下載lxml對應版本的.whl文件(或者安裝VS2008、VS2010)
命令行進入.whl文件目錄，pip install xxxxx.whl安裝lxml
再次輸入pip install scrapy 安裝scrapy，現在可以安裝成功(如果出現pip需要升級，先按照錯誤提示升級pip)
命令行進入一個目錄輸入scrapy startproject tutorial，新建一個scrapy項目
按照Scrapy Tutorial修改代碼運行Scrapy項目如果出現「ImportError : cannot import name '_win32stdio'」錯誤，參考
https://zhuanlan.hu.com/p/21335106
需要下載twisted3.6.0.zip包，將python中xxxxPython35Libsite-packages wisted目錄中的文件清空，將twisted3.6.0.zip壓縮後的文件復制到裡面
再安裝pywin32(如果通過pip安裝找不到合適的版本，可以到sourcefrog下載與操作系統和python版本對應的pywin32)
再次運行scrapy項目，最後成功！
㈢ python流程圖繪制
自動生成流程圖
基於Python和Graphviz開發的，能將源代碼轉化為流程圖的工具：pycallgraph可以幫到你；
跟著參考文章操作，親測有效；
參考文章：Python流程圖— 一鍵轉化代碼為流程圖
㈣ 如何在python中使用graphviz
應該是你下載的Graphviz版本與protege不對應造成的。 我之前也是這樣的問題，我是protege3.4.8的，只有下載了Graphviz2.24才能用。 你在網上多關注下是否有說出你的protege4.2對應的版本沒吧
㈤ 請問有誰知道怎麼在python下安裝graphviz我在安裝過程中總是出錯。
幫你找到了參考資料。
自己google搜：
pygraphviz
可以找到，兩個有效的參考資料：
我的pygraphviz安裝之路
Installing PyGraphviz on Windows
=====================
註：下面的，是針對graphviz的：
一句話解釋：
下載對應的Windows的安裝版本，不需要你編譯，雙擊運行即可。
詳細解釋：
1.用google搜：
python graphviz
找到第一個就是：
Python-Graphviz | Graphviz - Graph Visualization Software
2.進去，就是主頁，可以看到左邊有個download，點擊進入
3.第一次進入，要點擊對應的頁面最下面的Agree
4.然後就可以進入下載頁面了。
找到對應的：
Stable and development Windows Install packages
點擊進入，就可以看到：
graphviz-2.28.0.msi
點擊下載。
雙擊安裝，即可。
㈥ Python有程序可以畫流程圖嗎
Graphviz的是AT&T Labs Research開發的圖形繪制工具軟體。
可以使用python生成它的數據格式，再調用 Graphviz 單元生成圖。
pipinstallpygraphviz
#安裝後參考相關文檔學習
㈦ python數據分析需要哪些庫
1. NumPy
一般我們會將科學領域的庫作為清單打頭，NumPy是該領域的主要軟體庫之一。它旨在處理大型的多維數組和矩陣，並提供了很多高級的數學函數和方法，因此可以用它來執行各種操作。
2. SciPy
另一個科學計算核心庫SciPy，基於NumPy而構建，並擴展了NumPy的功能。SciPy的主要數據結構是多維數組，使用Numpy實現。該庫提供了一些用於解決線性代數、概率論、積分計算等任務的工具。
3.Pandas
Pandas是一個Python庫，提供了高級的數據結構和各種分析工具。該庫的一大特色是能夠將相當復雜的數據操作轉換為一兩個命令。Pandas提供了很多內置的方法，用於分組、過濾和組合數據，還提供了時間序列功能。所有這些方法的執行速度都很快。
4. StatsModels
Statsmodels是一個Python模塊，為統計數據分析提供了很多可能性，例如統計模型估計、運行統計測試等。你可以藉助它來實現很多機器學習方法，並探索不同的繪圖可能性。
5. Matplotlib
Matplotlib是一個用於創建二維圖表和圖形的低級庫。你可以用它來構建各種圖表，從直方圖和散點圖到非笛卡爾坐標圖。此外，很多流行的繪圖庫都為Matplotlib預留了位置，可與Matplotlib結合在一起使用。
6. Seaborn
Seaborn實際上是基於matplotlib庫構建的高級API。它為處理圖表提供了更恰當的默認選項。此外，它還提供了一組豐富的可視化圖庫，包括時間序列、聯合圖和小提琴圖等復雜的類型。
7. Plotly
Plotly是一個可以幫助你輕松構建復雜圖形的流行庫。該庫適用於互動式Web應用程序，它提供了很多很棒的可視化效果，包括輪廓圖形、三元圖和3D圖表。
8. Bokeh
Bokeh庫使用JavaScript小部件在瀏覽器中創建互動式和可伸縮的可視化圖形。該庫提供了多種圖形、樣式、鏈接圖形式的交互能力、添加小部件、定義回調以及更多有用的功能。
9. Pydot
Pydot是一個用於生成面向復雜圖形和非面向復雜圖形的庫。它作為面向Graphviz的一個介面，使用Python編寫。我們可以藉助它來顯示圖形的結構，這在構建神經網路和基於決策樹的演算法時經常會用到。
㈧ Python語言下的機器學習庫
Python語言下的機器學習庫
Python是最好的編程語言之一，在科學計算中用途廣泛：計算機視覺、人工智慧、數學、天文等。它同樣適用於機器學習也是意料之中的事。當然，它也有些缺點；其中一個是工具和庫過於分散。如果你是擁有unix思維（unix-minded）的人，你會覺得每個工具只做一件事並且把它做好是非常方便的。但是你也需要知道不同庫和工具的優缺點，這樣在構建系統時才能做出合理的決策。工具本身不能改善系統或產品，但是使用正確的工具，我們可以工作得更高效，生產率更高。因此了解正確的工具，對你的工作領域是非常重要的。
這篇文章的目的就是列舉並描述Python可用的最有用的機器學習工具和庫。這個列表中，我們不要求這些庫是用Python寫的，只要有Python介面就夠了。我們在最後也有一小節關於深度學習（Deep Learning）的內容，因為它最近也吸引了相當多的關注。
我們的目的不是列出Python中所有機器學習庫（搜索「機器學習」時Python包索引(PyPI)返回了139個結果），而是列出我們所知的有用並且維護良好的那些。另外，盡管有些模塊可以用於多種機器學習任務，我們只列出主要焦點在機器學習的庫。比如，雖然Scipy包含一些聚類演算法，但是它的主焦點不是機器學習而是全面的科學計算工具集。因此我們排除了Scipy（盡管我們也使用它！）。
另一個需要提到的是，我們同樣會根據與其他科學計算庫的集成效果來評估這些庫，因為機器學習（有監督的或者無監督的）也是數據處理系統的一部分。如果你使用的庫與數據處理系統其他的庫不相配，你就要花大量時間創建不同庫之間的中間層。在工具集中有個很棒的庫很重要，但這個庫能與其他庫良好集成也同樣重要。
如果你擅長其他語言，但也想使用Python包，我們也簡單地描述如何與Python進行集成來使用這篇文章列出的庫。
Scikit-LearnScikit Learn是我們在CB Insights選用的機器學習工具。我們用它進行分類、特徵選擇、特徵提取和聚集。我們最愛的一點是它擁有易用的一致性API，並提供了很多開箱可用的求值、診斷和交叉驗證方法（是不是聽起來很熟悉？Python也提供了「電池已備(譯註：指開箱可用)」的方法）。錦上添花的是它底層使用Scipy數據結構，與Python中其餘使用Scipy、Numpy、Pandas和Matplotlib進行科學計算的部分適應地很好。因此，如果你想可視化分類器的性能（比如，使用精確率與反饋率(precision-recall)圖表，或者接收者操作特徵(Receiver Operating Characteristics，ROC)曲線），Matplotlib可以幫助進行快速可視化。考慮到花在清理和構造數據的時間，使用這個庫會非常方便，因為它可以緊密集成到其他科學計算包上。
另外，它還包含有限的自然語言處理特徵提取能力，以及詞袋（bag of words）、tfidf（Term Frequency Inverse Document Frequency演算法）、預處理（停用詞/stop-words，自定義預處理，分析器）。此外，如果你想快速對小數據集（toy dataset）進行不同基準測試的話，它自帶的數據集模塊提供了常見和有用的數據集。你還可以根據這些數據集創建自己的小數據集，這樣在將模型應用到真實世界中之前，你可以按照自己的目的來檢驗模型是否符合期望。對參數最優化和參數調整，它也提供了網格搜索和隨機搜索。如果沒有強大的社區支持，或者維護得不好，這些特性都不可能實現。我們期盼它的第一個穩定發布版。
StatsmodelsStatsmodels是另一個聚焦在統計模型上的強大的庫，主要用於預測性和探索性分析。如果你想擬合線性模型、進行統計分析，或者預測性建模，那麼Statsmodels非常適合。它提供的統計測試相當全面，覆蓋了大部分情況的驗證任務。如果你是R或者S的用戶，它也提供了某些統計模型的R語法。它的模型同時也接受Numpy數組和Pandas數據幀，讓中間數據結構成為過去！
PyMCPyMC是做貝葉斯曲線的工具。它包含貝葉斯模型、統計分布和模型收斂的診斷工具，也包含一些層次模型。如果想進行貝葉斯分析，你應該看看。
ShogunShogun是個聚焦在支持向量機（Support Vector Machines, SVM）上的機器學習工具箱，用C++編寫。它正處於積極開發和維護中，提供了Python介面，也是文檔化最好的介面。但是，相對於Scikit-learn，我們發現它的API比較難用。而且，也沒提供很多開箱可用的診斷和求值演算法。但是，速度是個很大的優勢。
GensimGensim被定義為「人們的主題建模工具（topic modeling for humans）」。它的主頁上描述，其焦點是狄利克雷劃分（Latent Dirichlet Allocation， LDA）及變體。不同於其他包，它支持自然語言處理，能將NLP和其他機器學習演算法更容易組合在一起。如果你的領域在NLP，並想進行聚集和基本的分類，你可以看看。目前，它們引入了Google的基於遞歸神經網路（Recurrent Neural Network）的文本表示法word2vec。這個庫只使用Python編寫。
OrangeOrange是這篇文章列舉的所有庫中唯一帶有圖形用戶界面（Graphical User Interface，GUI）的。對分類、聚集和特徵選擇方法而言，它是相當全面的，還有些交叉驗證的方法。在某些方面比Scikit-learn還要好（分類方法、一些預處理能力），但與其他科學計算系統（Numpy, Scipy, Matplotlib, Pandas）的適配上比不上Scikit-learn。但是，包含GUI是個很重要的優勢。你可以可視化交叉驗證的結果、模型和特徵選擇方法（某些功能需要安裝Graphviz）。對大多數演算法，Orange都有自己的數據結構，所以你需要將數據包裝成Orange兼容的數據結構，這使得其學習曲線更陡。
PyMVPAPyMVPA是另一個統計學習庫，API上與Scikit-learn很像。包含交叉驗證和診斷工具，但是沒有Scikit-learn全面。
深度學習盡管深度學習是機器學習的一個子節，我們在這里創建單獨一節的原因是，它最新吸引了Google和Facebook人才招聘部門的很多注意。
TheanoTheano是最成熟的深度學習庫。它提供了不錯的數據結構（張量，tensor）來表示神經網路的層，對線性代數來說很高效，與Numpy的數組類似。需要注意的是，它的API可能不是很直觀，用戶的學習曲線會很高。有很多基於Theano的庫都在利用其數據結構。它同時支持開箱可用的GPU編程。
PyLearn2還有另外一個基於Theano的庫，PyLearn2，它給Theano引入了模塊化和可配置性，你可以通過不同的配置文件來創建神經網路，這樣嘗試不同的參數會更容易。可以說，如果分離神經網路的參數和屬性到配置文件，它的模塊化能力更強大。
DecafDecaf是最近由UC Berkeley發布的深度學習庫，在Imagenet分類挑戰中測試發現，其神經網路實現是很先進的（state of art）。
Nolearn如果你想在深度學習中也能使用優秀的Scikit-learn庫API，封裝了Decaf的Nolearn會讓你能夠更輕松地使用它。它是對Decaf的包裝，與Scikit-learn兼容（大部分），使得Decaf更不可思議。
OverFeatOverFeat是最近貓vs.狗（kaggle挑戰）的勝利者，它使用C++編寫，也包含一個Python包裝器（還有Matlab和Lua）。通過Torch庫使用GPU，所以速度很快。也贏得了ImageNet分類的檢測和本地化挑戰。如果你的領域是計算機視覺，你可能需要看看。
HebelHebel是另一個帶有GPU支持的神經網路庫，開箱可用。你可以通過YAML文件（與Pylearn2類似）決定神經網路的屬性，提供了將神級網路和代碼友好分離的方式，可以快速地運行模型。由於開發不久，就深度和廣度上說，文檔很匱乏。就神經網路模型來說，也是有局限的，因為只支持一種神經網路模型（正向反饋，feed-forward）。但是，它是用純Python編寫，將會是很友好的庫，因為包含很多實用函數，比如調度器和監視器，其他庫中我們並沒有發現這些功能。
NeurolabNeuroLab是另一個API友好（與Matlabapi類似）的神經網路庫。與其他庫不同，它包含遞歸神經網路（Recurrent Neural Network，RNN）實現的不同變體。如果你想使用RNN，這個庫是同類API中最好的選擇之一。
與其他語言集成你不了解Python但是很擅長其他語言？不要絕望！Python（還有其他）的一個強項就是它是一個完美的膠水語言，你可以使用自己常用的編程語言，通過Python來訪問這些庫。以下適合各種編程語言的包可以用於將其他語言與Python組合到一起：R -> RPythonMatlab -> matpythonJava -> JythonLua -> Lunatic PythonJulia -> PyCall.jl
不活躍的庫這些庫超過一年沒有發布任何更新，我們列出是因為你有可能會有用，但是這些庫不太可能會進行BUG修復，特別是未來進行增強。MDPMlPyFFnetPyBrain如果我們遺漏了你最愛的Python機器學習包，通過評論讓我們知道。我們很樂意將其添加到文章中。
㈨ python的pygraphviz在windows下具體怎麼安裝
我來回答吧，windows 下安裝pygraphviz:
1.首先安裝graphviz, http://www.graphviz.org/pub/graphviz/stable/windows/graphviz-2.28.0.msi
2.下載pygraphviz源碼包，http://pypi.python.org/packages/source/p/pygraphviz/pygraphviz-1.1.zip#md5=
3. 解壓後修改setup.py，三個地方要改
library_path=r'D:\develop\Graphviz 2.28\bin' #按你的graphviz路徑修改
include_path=r'D:\develop\Graphviz 2.28\include\graphviz' #按你的graphviz路徑修改
runtime_library_dirs=None
4. python setup.py build -c mingw32 要先確定已安裝mingw32
python setup.py install
按上述方法就可以安裝成功。
㈩ 如何將python生成的決策樹利用graphviz畫出來
#這里有一個示例，你可以看一下。
#http://scikit-learn.org/stable/moles/tree.html
>>>fromIPython.displayimportImage
>>>dot_data=tree.export_graphviz(clf,out_file=None,
feature_names=iris.feature_names,
class_names=iris.target_names,
filled=True,rounded=True,
special_characters=True)
>>>graph=pydotplus.graph_from_dot_data(dot_data)
>>>Image(graph.create_png())