⑴ Python几种主流框架比较
Django：Python界最全能的Web开发框架，各种功能完备，可维护性和开发速度都非常强大。常有人说Django慢，其实主要慢在Django
ORM与数据库的交互上，所以是否选择使用Django，取决于项目对数据库交互性的要求以及各种优化。
而对于Django的同步特性导致吞吐量小的问题，其实可以通过Celery等解决，不算是什么根本问题。Django代表的项目有：Instagram、guardian等。
Flask：属于微框架的典范，也是Python代码写的最好的项目之一。Flask框架的灵活性很高，但也是一把双刃剑，能用好Flask的，可以做成Pinterest，用不好就没有什么太大的作用了。Flask虽然属于微框架，但也可以做成规模化的Flask，加上flask可以自由选择自己的数据库交互组件，再加上celery+redis等异步特性以后，flask框架的性能非常不错，之所以很多团队选择flask框架，主要原因就是对灵活性的要求。
Tornado：天生异步，性能强悍，这是它的代名词。对比Django而言，Tornado属于较为原始的框架，诸多内容需要自己去处理。不过，随着项目的不断壮大，框架能够提供的功能占比越来越小，更多的内容需要团队自己去实现，而大项目往往需要性能的保证，这时候Tornado就是非常不错的选择。代表项目：知乎等。
⑵ python用什么开发工具f
1.有多个版本python的可以用pyscripter，现在是2.5.3了，缺点是容易崩溃！？ 2.wingide是真心好用，目前是4.1.10了，缺点是收费！ 3.eclipse+pydev也不错，就是软件比较庞大，反应慢点！ 4.pycharm听说也很好，目前是2.7了，它是基于Java的，缺点是收费兼软件庞大反应慢！ 5.textmate2、Sublime适应了的话也是很好很强大的！ 5.vi、emacs、editplus？你能适应的话那就是万能的了，反正我是没有用这些。
⑶ 数据分析工具有哪些 python
IPython
IPython 是一个在多种编程语言之间进行交互计算的命令行 shell，最开始是用 python 开发的，提供增强的内省，富媒体，扩展的 shell
语法，tab 补全，丰富的历史等功能。IPython 提供了如下特性：
更强的交互 shell(基于 Qt 的终端)
一个基于浏览器的记事本，支持代码，纯文本，数学公式，内置图表和其他富媒体
支持交互数据可视化和图形界面工具
灵活，可嵌入解释器加载到任意一个自有工程里
简单易用，用于并行计算的高性能工具
由数据分析总监，Galvanize 专家 Nir Kaldero 提供。
GraphLab Greate 是一个 Python 库，由 C++ 引擎支持，可以快速构建大型高性能数据产品。
这有一些关于 GraphLab Greate 的特点：
可以在您的计算机上以交互的速度分析以 T 为计量单位的数据量。
在单一平台上可以分析表格数据、曲线、文字、图像。
最新的机器学习算法包括深度学习，进化树和 factorization machines 理论。
可以用 Hadoop Yarn 或者 EC2 聚类在你的笔记本或者分布系统上运行同样的代码。
借助于灵活的 API 函数专注于任务或者机器学习。
在云上用预测服务便捷地配置数据产品。
为探索和产品监测创建可视化的数据。
由 Galvanize 数据科学家 Benjamin Skrainka 提供。
Pandas
pandas 是一个开源的软件，它具有 BSD 的开源许可，为 Python
编程语言提供高性能，易用数据结构和数据分析工具。在数据改动和数据预处理方面，Python 早已名声显赫，但是在数据分析与建模方面，Python
是个短板。Pands 软件就填补了这个空白，能让你用 Python 方便地进行你所有数据的处理，而不用转而选择更主流的专业语言，例如 R 语言。
整合了劲爆的 IPyton 工具包和其他的库，它在 Python 中进行数据分析的开发环境在处理性能，速度，和兼容方面都性能卓越。Pands
不会执行重要的建模函数超出线性回归和面板回归;对于这些，参考 statsmodel 统计建模工具和 scikit-learn 库。为了把 Python
打造成顶级的统计建模分析环境，我们需要进一步努力，但是我们已经奋斗在这条路上了。
由 Galvanize 专家，数据科学家 Nir Kaldero 提供。
PuLP
线性编程是一种优化，其中一个对象函数被最大程度地限制了。PuLP 是一个用 Python
编写的线性编程模型。它能产生线性文件，能调用高度优化的求解器，GLPK，COIN CLP/CBC，CPLEX，和GUROBI，来求解这些线性问题。
由 Galvanize 数据科学家 Isaac Laughlin 提供
Matplotlib
matplotlib 是基于 Python 的
2D(数据)绘图库，它产生(输出)出版级质量的图表，用于各种打印纸质的原件格式和跨平台的交互式环境。matplotlib 既可以用在 python 脚本，
python 和 ipython 的 shell 界面 (ala MATLAB? 或 Mathematica?)，web 应用服务器，和6类 GUI
工具箱。
matplotlib 尝试使容易事情变得更容易，使困难事情变为可能。你只需要少量几行代码，就可以生成图表，直方图，能量光谱(power
spectra)，柱状图，errorcharts，散点图(scatterplots)等，。
为简化数据绘图，pyplot 提供一个类 MATLAB 的接口界面，尤其是它与 IPython
共同使用时。对于高级用户，你可以完全定制包括线型，字体属性，坐标属性等，借助面向对象接口界面，或项 MATLAB 用户提供类似(MATLAB)的界面。
Galvanize 公司的首席科学官 Mike Tamir 供稿。
Scikit-Learn
Scikit-Learn 是一个简单有效地数据挖掘和数据分析工具(库)。关于最值得一提的是，它人人可用，重复用于多种语境。它基于
NumPy，SciPy 和 mathplotlib 等构建。Scikit 采用开源的 BSD 授权协议，同时也可用于商业。Scikit-Learn
具备如下特性：
分类(Classification) – 识别鉴定一个对象属于哪一类别
回归(Regression) – 预测对象关联的连续值属性
聚类(Clustering) – 类似对象自动分组集合
降维(Dimensionality Rection) – 减少需要考虑的随机变量数量
模型选择(Model Selection) –比较、验证和选择参数和模型
预处理(Preprocessing) – 特征提取和规范化
Galvanize 公司数据科学讲师，Isaac Laughlin提供
Spark
Spark 由一个驱动程序构成，它运行用户的 main 函数并在聚类上执行多个并行操作。Spark
最吸引人的地方在于它提供的弹性分布数据集(RDD)，那是一个按照聚类的节点进行分区的元素的集合，它可以在并行计算中使用。RDDs 可以从一个 Hadoop
文件系统中的文件(或者其他的 Hadoop 支持的文件系统的文件)来创建，或者是驱动程序中其他的已经存在的标量数据集合，把它进行变换。用户也许想要 Spark
在内存中永久保存 RDD，来通过并行操作有效地对 RDD 进行复用。最终，RDDs 无法从节点中自动复原。
Spark 中第二个吸引人的地方在并行操作中变量的共享。默认情况下，当 Spark
在并行情况下运行一个函数作为一组不同节点上的任务时，它把每一个函数中用到的变量拷贝一份送到每一任务。有时，一个变量需要被许多任务和驱动程序共享。Spark
支持两种方式的共享变量：广播变量，它可以用来在所有的节点上缓存数据。另一种方式是累加器，这是一种只能用作执行加法的变量，例如在计数器中和加法运算中。
⑷ 模型优化器是一种基于python的工具,可将输入的训练模型从标准框架转换为统一判断对错
⑸ python数据挖掘常用工具有哪几种
python有强大的第三方库，广泛用于数据分析，数据挖掘、机器学习等领域，下面小编整理了python数据挖掘的一些常用库，希望对各位小伙伴学习python数据挖掘有所帮助。
1. Numpy
能够提供数组支持，进行矢量运算，并且高效地处理函数，线性代数处理等。提供真正的数组，比起python内置列表来说， Numpy速度更快。同时，Scipy、Matplotlib、Pandas等库都是源于 Numpy。因为 Numpy内置函数处理数据速度与C语言同一级别，建议使用时尽量用内置函数。
2.Scipy
基于Numpy,能够提供了真正的矩阵支持，以及大量基于矩阵的数值计算模块，包括：插值运算，线性代数、图像信号，快速傅里叶变换、优化处理、常微分方程求解等。
3. Pandas
源于NumPy，提供强大的数据读写功能，支持类似SQL的增删改查，数据处理函数非常丰富，并且支持时间序列分析功能，灵活地对数据进行分析与探索，是python数据挖掘，必不可少的工具。
Pandas基本数据结构是Series和DataFrame。Series是序列，类似一维数组，DataFrame相当于一张二维表格，类似二维数组，DataFrame的每一列都是一个Series。
4.Matplotlib
数据可视化最常用，也是醉好用的工具之一，python中著名的绘图库，主要用于2维作图，只需简单几行代码可以生成各式的图表，例如直方图，条形图，散点图等，也可以进行简单的3维绘图。
4.Scikit-Learn
Scikit-Learn源于NumPy、Scipy和Matplotlib，是一 款功能强大的机器学习python库，能够提供完整的学习工具箱(数据处理，回归，分类，聚类，预测，模型分析等)，使用起来简单。不足是没有提供神经网络，以及深度学习等模型。
5.Keras
基于Theano的一款深度学习python库，不仅能够用来搭建普通神经网络，还能建各种深度学习模型，例如：自编码器、循环神经网络、递归神经网络、卷积神经网络等，重要的是，运行速度几块，对搭建各种神经网络模型的步骤进行简化，能够允许普通用户，轻松地搭建几百个输入节点的深层神经网络，定制程度也非常高。
6.Genism
Genism主要用来处理语言方面的任务，如文本相似度计算、LDA、Word2Vec等。
7.TensorFlow
google开源的数值计算框架，采用数据流图的方式，可灵活搭建深度学习模型。
⑹ 分享!5种常用的Python工具
IDLE
在安装Python时，默认也会安装IDLE。这是最优秀的Python工具之一。它可以降低Python入门的门槛。它的主要功能包括Python Shell窗口(交互式解释器)、自动补齐、高亮显示语法以及基本的集成调试器。IDLE轻巧易用，方便学习。但是，它不适用于大型项目。许多程序员都将其作为最佳的Python工具。
Scikit-learn
Scikit-learn是数据科学最常使用的Python工具之一。这是一款为机器学习和数据科学而设计的Python工具。该工具主要用于处理分类、回归、聚类、模型选择以及预处理等任务。scikit-Learn最出色的功能是在测试数据集上执行基准测试时，表现出的惊人速度。因此，对于程序员和学生来说，Scikit-learn是最优秀的Python工具之一。
Theano
Theano是一款数据科学的Python工具，对于程序员和学生而言，这是一款非常可靠的工具。它是深度学习方面最好的Python工具，因此非常适合深度学习。Theano的设计主旨是用户友好、模块化、易于扩展，而且可以与Python配合使用。它能够以最佳方式表达神经网络。Theano可以在TensorFlow和CNTK等流行的神经网络之上运行。
Selenium
Selenium是最佳的Python自动化工具之一。它适用于Python测试的自动化，常常用作Web应用程序的自动化框架。我们可以利用Selenium，通过许多编程语言(包括Java、C#、Python、ruby以及其他许多程序员和学生使用的语言)来编写测试脚本。你还可以在Selenium中集成Junit和TestNG等工具，来管理测试用例并生成报告。
Test complete
Testcomplete是另一款非常出色的Python自动化工具。支持Web、移动和桌面自动化测试。更高级的应用需要获得商业许可，而且它还可以帮助学生提高学业成绩。Test complete还可以像机器人框架一样执行关键字驱动的测试。它拥有最出色的录制以及回放功能，非常实用。
关于分享!5种常用的Python工具，环球青藤小编就和大家分享到这里了，学习是永无止境的，学习一项技能更是受益终身，所以，只要肯努力学，什么时候开始都不晚。如果您还想继续了解关于python编程的学习方法及素材等内容，可以点击本站其他文章学习。
⑺ 有没有老师了解Python用于Meta分析的工具包
Python在科学计算领域，有两个重要的扩展模块：Numpy和Scipy。其中Numpy是一个用python实现的科学计算包。包括：
一个强大的N维数组对象Array；
比较成熟的（广播）函数库；
用于整合C/C++和Fortran代码的工具包；
实用的线性代数、傅里叶变换和随机数生成函数。
SciPy是一个开源的Python算法库和数学工具包，SciPy包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。其功能与软件MATLAB、Scilab和GNU Octave类似。
Numpy和Scipy常常结合着使用，Python大多数机器学习库都依赖于这两个模块，绘图和可视化依赖于matplotlib模块，matplotlib的风格与matlab类似。Python机器学习库非常多，而且大多数开源，主要有：
1.scikit-learn
scikit-learn是一个基于SciPy和Numpy的开源机器学习模块，包括分类、回归、聚类系列算法，主要算法有SVM、逻辑回归、朴素贝叶斯、Kmeans、DBSCAN等，目前由INRI资助，偶尔Google也资助一点。
项目主页：
https://pypi.python.org/pypi/scikit-learn/
http://scikit-learn.org/
https://github.com/scikit-learn/scikit-learn
2.NLTK
NLTK(Natural Language Toolkit)是Python的自然语言处理模块，包括一系列的字符处理和语言统计模型。NLTK常用于学术研究和教学，应用的领域有语言学、认知科学、人工智能、信息检索、机器学习等。NLTK提供超过50个语料库和词典资源，文本处理库包括分类、分词、词干提取、解析、语义推理。可稳定运行在Windows, Mac OS X和Linux平台上.
项目主页：
http://sourceforge.net/projects/nltk/
https://pypi.python.org/pypi/nltk/
http://nltk.org/
3.Mlpy
Mlpy是基于NumPy/SciPy的Python机器学习模块，它是Cython的扩展应用。包含的机器学习算法有：
l回归
least squares,ridge regression, least angle regression,elastic net, kernel ridge regression,support vector machines(SVM),partial least squares(PLS)
l分类
linear discriminant analysis(LDA), Basicperceptron, Elastic Net,logistic regression, (Kernel) Support Vector Machines (SVM), Diagonal Linear Discriminant Analysis (DLDA), Golub Classifier, Parzen-based, (kernel) Fisher Discriminant Classifier, k-nearest neighbor, Iterative RELIEF, Classification Tree, Maximum Likelihood Classifier
l聚类
hierarchical clustering, Memory-saving Hierarchical Clustering,k-means
l维度约减
(Kernel)Fisher discriminant analysis(FDA), Spectral Regression Discriminant Analysis (SRDA), (kernel)Principal component analysis(PCA)
项目主页：
http://sourceforge.net/projects/mlpy
https://mlpy.fbk.eu/
4.Shogun
Shogun是一个开源的大规模机器学习工具箱。目前Shogun的机器学习功能分为几个部分：feature表示，feature预处理，核函数表示,核函数标准化，距离表示，分类器表示，聚类方法，分布，性能评价方法，回归方法，结构化输出学习器。
SHOGUN的核心由C++实现，提供Matlab、R、Octave、Python接口。主要应用在linux平台上。
项目主页：
http://www.shogun-toolbox.org/
5.MDP
The Molar toolkit for Data Processing (MDP)，用于数据处理的模块化工具包，一个Python数据处理框架。
从用户的观点，MDP是能够被整合到数据处理序列和更复杂的前馈网络结构的一批监督学习和非监督学习算法和其他数据处理单元。计算依照速度和内存需求而高效的执行。从科学开发者的观点，MDP是一个模块框架，它能够被容易地扩展。新算法的实现是容易且直观的。新实现的单元然后被自动地与程序库的其余部件进行整合。MDP在神经科学的理论研究背景下被编写，但是它已经被设计为在使用可训练数据处理算法的任何情况中都是有用的。其站在用户一边的简单性，各种不同的随时可用的算法，及应用单元的可重用性，使得它也是一个有用的教学工具。
项目主页：
http://mdp-toolkit.sourceforge.net/
https://pypi.python.org/pypi/MDP/
⑻ Python科学计算常用的工具包有哪些
1、 NumPy
NumPy几乎是一个无法回避的科学计算工具包，最常用的也许是它的N维数组对象，其他还包括一些成熟的函数库，用于整合C/C++和Fortran代码的工具包，线性代数、傅里叶变换和随机数生成函数等。NumPy提供了两种基本的对象：ndarray(N-dimensional array object)和 ufunc(universal function object)。ndarray是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。
2、SciPy：Scientific Computing Tools for Python
“SciPy是一个开源的Python算法库和数学工具包，SciPy包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。其功能与软件MATLAB、Scilab和GNU Octave类似。 Numpy和Scipy常常结合着使用，Python大多数机器学习库都依赖于这两个模块。”—-引用自“Python机器学习库”
3、 Matplotlib
matplotlib 是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。Matplotlib可以配合ipython shell使用，提供不亚于Matlab的绘图体验，总之用过了都说好。
关于Python科学计算常用的工具包有哪些，环球青藤小编就和大家分享到这里了，学习是永无止境的，学习一项技能更是受益终身，所以，只要肯努力学，什么时候开始都不晚。如果您还想继续了解关于python编程的学习方法及素材等内容，可以点击本站其他文章学习。
⑼ python初学者工具用什么工具好呢
Python开发软件可根据其用途不同分为两种，一种是Python代码编辑器，一种是Python集成开发工具，两者的配合使用可以极大的提高Python开发人员的编程效率，以下是常用的几款Python代码编辑器和Python集成开发工具。
一、Python代码编辑器
1. Sublime Text
Sublime Text是一款非常流行的代码编辑器，支持Python代码编辑，同时兼容所有平台，并且丰富的插件扩展了语法和编辑功能，迅捷小巧，具有良好的兼容性，很受编程人士的喜爱！
2. Vim
Vim和Vi是一种模型编辑器，它将文本查看从文本编辑中分离，VIM在原始VI之上做了诸多改进，包括可扩展模型和就地代码构建，VIMScripts可用于各种Python开发任务！
3. Atom
Atom被称为“21世纪可破解的文本编辑器”，可以兼容所有平台，拥有时尚的界面、文件系统浏览器和扩展插件市场，使用Electron构建，其运行时安装的扩展插件可支持Python语言！
4. GNU Emacs
GNU Emacs是一款终身免费且兼容任何平台的代码编辑器，使用强大的Lisp编程语言进行定制，并为Python开发提供各种定制脚本，是一款可扩展、可定制、自动记录、实时显示的编辑器，一直萦绕在UNIX周围。
5. Visual Studio Code
Visual Studio Code是一款兼容Linux、Mac OS X和Windows 平台的全功能代码编辑器，可扩展并且可以对几乎所有任务进行配置，对于Python的支持可以在Visual Studio Code中安装插件，只需快速点击按钮即可成功安装，且可自动识别Python安装和库。
二、Python集成开发环境
1. PyCharm
PyCharm是唯一一款专门面向Python的全功能集成开发环境，同样拥有付费版和免费开源版，PyCharm不论是在Windows、 Mac OS X系统中，还是在Linux系统中都支持快速安装和使用。
PyCharm直接支持Python开发环境，打开一个新的文件然后就可以开始编写代码，也可以在PyCharm中直接运行和调试Python程序，它还支持源码管理和项目，并且其拥有众多便利和支持社区，能够快速掌握学习使用！
2. Eclipse + PyDev
PyDev是Eclipse集成开发环境的一个插件，支持Python调试、代码补全和交互式Python控制台等，在Eclipse中安装PyDev非常便捷，只需从Eclipse中选择“Help”点击“Eclipse Marketplace”然后搜索PyDev，点击安装，必要的时候重启Eclipse即可，对于资深Eclipse开发者来说，PyDev可以很轻松上手！
3. Visual Studio
Visual Studio是一款全功能集成开发平台，提供了免费版和付费版，可以支持各种平台的开发，且附带了自己的扩展插件市场。在Visual Studio中可进行Python编程，并且支持Python智能感知、调试和其他工具，值得注意的是Visual Studio不支持Linux平台！
4. Spyder
Spyder是一款为了数据科学工作流做了优化的开源Python集成开发环境，它是附在Anaconda软件包管理器发行版中的，Spyder拥有大部分集成开发环境该具备的功能，如强大语法高亮功能的代码编辑器、Python代码补全以及集成文件浏览器，其还具有其他Python编辑环境中所不具备的变量浏览器功能，十分适合使用Python的数据科学家们。
5. Thonny
Thonny是针对新手的一款集成开发环境，适用于全部主流平台，默认情况下，Thonny会和自带捆绑的Python版本一起安装，十分方便新手使用！
⑽ python数据挖掘工具有哪些
1. Numpy
可以供给数组支撑，进行矢量运算，而且高效地处理函数，线性代数处理等。供给真实的数组，比起python内置列表来说， Numpy速度更快。一起，Scipy、Matplotlib、Pandas等库都是源于 Numpy。由于 Numpy内置函数处理数据速度与C语言同一等级，建议使用时尽量用内置函数。
2.Scipy
根据Numpy,可以供给了真实的矩阵支撑，以及大量根据矩阵的数值计算模块，包含：插值运算，线性代数、图画信号，快速傅里叶变换、优化处理、常微分方程求解等。
3. Pandas
源于NumPy，供给强壮的数据读写功用，支撑相似SQL的增删改查，数据处理函数十分丰富，而且支撑时间序列剖析功用，灵敏地对数据进行剖析与探索，是python数据发掘，必不可少的东西。
Pandas根本数据结构是Series和DataFrame。Series是序列，相似一维数组，DataFrame相当于一张二维表格，相似二维数组，DataFrame的每一列都是一个Series。
4.Matplotlib
数据可视化最常用，也是醉好用的东西之一，python中闻名的绘图库，首要用于2维作图，只需简单几行代码可以生成各式的图表，例如直方图，条形图，散点图等，也可以进行简单的3维绘图。
5.Scikit-Learn
Scikit-Learn源于NumPy、Scipy和Matplotlib，是一 款功用强壮的机器学习python库，可以供给完整的学习东西箱(数据处理，回归，分类，聚类，猜测，模型剖析等)，使用起来简单。缺乏是没有供给神经网络，以及深度学习等模型。
6.Keras
根据Theano的一款深度学习python库，不仅可以用来建立普通神经网络，还能建各种深度学习模型，例如：自编码器、循环神经网络、递归神经网络、卷积神经网络等，重要的是，运转速度几块，对建立各种神经网络模型的过程进行简化，可以答应普通用户，轻松地建立几百个输入节点的深层神经网络，定制程度也十分高。
关于 python数据挖掘工具有哪些，环球青藤小编就和大家分享到这里了，学习是没有尽头的，学习一项技能更是受益终身，因此，只要肯努力学，什么时候开始都不晚。如若你还想继续了解关于python编程的素材及学习方法等内容，可以点击本站其他文章学习。