面試題：日常工作中常用的Python第三方庫有哪些？

問題解析：這在很多數(shù)據(jù)崗位面試中很可能會遇到的一道題，筆者在去年的面試中就曾遇到過。表面來看，回答本題并不難，甚至常常如實(shí)回答就能說出許多Python中數(shù)據(jù)相關(guān)的第三方庫，但實(shí)際上面試官可能更想透過求職者的回答了解其對數(shù)據(jù)處理各流程的理解和掌握情況，良好的回答不僅能原原本本的體現(xiàn)求職者的技術(shù)深度，更能表現(xiàn)出良好的邏輯思維以及對數(shù)據(jù)處理流程的理解。

參考答案：按照數(shù)據(jù)處理的一般流程，各階段常用的Python第三方庫如下：

1）數(shù)據(jù)采集。Python做數(shù)據(jù)采集的方式有很多，比如Python爬蟲常用于從Web頁面獲取一些結(jié)構(gòu)化的數(shù)據(jù)。而在Python爬蟲過程中，常用的第三方數(shù)據(jù)庫如下

• urllib：Python內(nèi)置的網(wǎng)絡(luò)請求庫，包含了請求網(wǎng)頁的常用方法，相較于其替代品requests而言，API接口更為基礎(chǔ)多樣；
  

• requests，基于urllib開發(fā)，slogen就是“讓HTTP服務(wù)人類”，求功能也恰如其宣傳口號一般，使用起來相較原生urllib更為簡潔易用，也是眾多Python爬蟲愛好者廣泛使用的庫；

• beautifulsoup：爬蟲解析庫之一，處理requests請求獲得的網(wǎng)頁源碼文件，從中提取目標(biāo)字段。名字直譯為美麗湯，用其解析網(wǎng)頁源碼就像從湯中撈取干貨一般，用起來還是比較簡單易懂的；

• lxml：從名字可見其應(yīng)該與xml語言有關(guān)，實(shí)際也正是如此，也是爬蟲解析庫之一，由于通過xml語言標(biāo)識符來查找定位相應(yīng)字段，所以解析效率比beautifulsoup更為高效，但使用難度也略有提升，需要掌握一定的xml語法；

• re：Python中的正則表達(dá)式庫，對于requests獲取的網(wǎng)頁源碼而言，實(shí)際就是字符串，所以也可用正則表達(dá)式庫來解析提取，效率不俗；

• pyquery：實(shí)際上是干了網(wǎng)頁獲取+網(wǎng)頁解析兩階段的事，當(dāng)然網(wǎng)頁獲取實(shí)際上也是調(diào)用的urllib或requests。

2）數(shù)據(jù)讀寫。數(shù)據(jù)讀寫主要是涉及數(shù)據(jù)庫及文件交互的部分庫。常用的數(shù)據(jù)庫也無非就是那么幾種，包括：

• pymysql：python處理MySQL數(shù)據(jù)庫的驅(qū)動(dòng)引擎；

• cx-oracle：python處理Oracle數(shù)據(jù)庫的驅(qū)動(dòng)引擎；

• psycopg2：python處理PostgreSQL數(shù)據(jù)庫的驅(qū)動(dòng)引擎；

• sqlite3：python處理SQLite數(shù)據(jù)庫的驅(qū)動(dòng)引擎；

• sqlalchemy：python建立多種數(shù)據(jù)庫的連接，底層實(shí)際上仍然是調(diào)用各數(shù)據(jù)庫驅(qū)動(dòng)，相當(dāng)于集成化的驅(qū)動(dòng)引擎；

• pymongodb：NoSQL數(shù)據(jù)庫MongoDB的Python驅(qū)動(dòng)引擎；

• xlrd和xlwt：分別用于excel的read和write；

• csv：處理csv數(shù)據(jù)庫的python包。

3）數(shù)據(jù)分析與處理。從這里開始進(jìn)入到Python數(shù)據(jù)處理的主要環(huán)節(jié)，也是真正考察python數(shù)據(jù)分析技能的重點(diǎn)。常用的數(shù)據(jù)處理庫包括：

• Numpy：python數(shù)據(jù)分析三劍客之一，也是另外兩個(gè)包的基礎(chǔ)，核心數(shù)據(jù)結(jié)構(gòu)是ndarray，即n維數(shù)組，由于底層是用C語言實(shí)現(xiàn)，所以具有非常高的執(zhí)行效率，并內(nèi)置了大量的數(shù)組運(yùn)算，與matplotlib的組合號稱是替代Matlab的核心產(chǎn)品；

• Pandas：在數(shù)據(jù)分析界曾流傳這樣一句話：分析不識潘大師(PANDAS)，縱是老手也枉然！可見其在Python數(shù)據(jù)分析行業(yè)的江湖地位，且實(shí)際情況也正是如此。Pandas繼承了Numpy，從網(wǎng)頁爬蟲到數(shù)據(jù)讀寫，從類SQL操作到數(shù)據(jù)預(yù)處理，從聚合統(tǒng)計(jì)到數(shù)據(jù)透視表，從時(shí)序數(shù)據(jù)到字符串的正則表達(dá)式，直至數(shù)據(jù)可視化輸出圖表，pandas都提供了一站式解決方案，堪稱是數(shù)據(jù)分析界的瑞士軍刀。其向量化操作也保證了執(zhí)行效率，對于千萬級以下數(shù)據(jù)量處理起來毫無壓力；

• PySpark：Pandas速度雖快，但終究是單點(diǎn)執(zhí)行，當(dāng)數(shù)據(jù)量超過千萬時(shí)考慮分布式處理往往是更為明智之選，而分布式處理框架當(dāng)首選Spark，而Pyspark則是其Python語言實(shí)現(xiàn)版本，尤其是pyspark.sql組件，提供了與Pandas極為類似的處理API，使用起來也非常方便；

• Scipy：科學(xué)計(jì)算包，提供了numpy之外更多的科學(xué)計(jì)算功能，例如各類統(tǒng)計(jì)分布等；

• geopandas：基于Pandas實(shí)現(xiàn)的地理空間數(shù)據(jù)處理，相較于Pandas的DataFrame數(shù)據(jù)結(jié)構(gòu)，僅增加了一列核心的geometry，用于表達(dá)地理空間信息，對于含有經(jīng)緯度等地理空間數(shù)據(jù)，處理起來極為高效和絲滑。
  

4）數(shù)據(jù)可視化。數(shù)據(jù)分析和處理的重要環(huán)節(jié)是數(shù)據(jù)可視化，往往也是決定自己工作質(zhì)量好壞的關(guān)鍵環(huán)節(jié)。可用于輸出可視化圖表的Python庫有很多，例如基于numpy的matplotlib，基于matplotlib的seaborn，基于Echarts的pyecharts等等，當(dāng)然還有很多其他可選的庫，但個(gè)人最常使用的還是這三個(gè)。

• matplotlib：是Python中繪圖的基礎(chǔ)庫，內(nèi)部實(shí)現(xiàn)非常強(qiáng)大，常用的是matplotlib.pyplot，除了pyplot外還有pylab，不僅提供了可視化功能，還直接import進(jìn)了numpy的核心功能。matplotlib繪圖的API更為底層，意味著完成一幅圖表的輸出，需設(shè)置很多參數(shù)，定制化更強(qiáng)，但同時(shí)也較為繁瑣。所以是很多高級可視化庫的底層依賴；

• seaborn：是基于matplotlib的一個(gè)高級實(shí)現(xiàn)，提供了更為簡潔的API和更為集成化的顯示效果，尤其適用于pandas.dataframe數(shù)據(jù)結(jié)構(gòu)；

• pyecharts：Python與百度Echarts組間的結(jié)合體，優(yōu)點(diǎn)是支持動(dòng)態(tài)圖表繪制，可交互，繪制的圖形也相對更為美觀。

  
  

5）數(shù)據(jù)挖掘。在簡單的數(shù)據(jù)分析之后，往往要進(jìn)入到統(tǒng)計(jì)學(xué)習(xí)和數(shù)據(jù)挖掘階段，或者用更專業(yè)的術(shù)語講，叫機(jī)器學(xué)習(xí)。也正是得益于機(jī)器學(xué)習(xí)的盛行，Python語言才有了不斷發(fā)展壯大的今天。用Python做機(jī)器學(xué)習(xí)，主要是以下幾個(gè)常用的庫：

• scikit-learn：經(jīng)典機(jī)器學(xué)習(xí)算法的核心庫，提供了常用的分類、回歸、聚類、降維以及關(guān)聯(lián)分析等經(jīng)典算法，且內(nèi)置了一些經(jīng)典數(shù)據(jù)集、常用特征工程、評分準(zhǔn)則等實(shí)現(xiàn)，更重要的是scikit-learn提供了非常詳盡和到位的配套文檔和注釋，API調(diào)用也堪稱簡潔優(yōu)雅；

• xgboost：算是對scikit-learn中集成學(xué)習(xí)算法的一個(gè)補(bǔ)充，主要是實(shí)現(xiàn)了近年來火爆的xgboost算法實(shí)現(xiàn)；

• lightgbm：與xgboost類似，也是對scikit-learn中集成算法的一個(gè)補(bǔ)充，實(shí)現(xiàn)了另一個(gè)輕量級的繼承算法lightgbm；

• pytorch和TensorFlow，二者均為深度學(xué)習(xí)庫，功能定位也較為相似，前者源于Facebook，后者源于谷歌；前者在學(xué)術(shù)界使用廣泛，后者在工業(yè)界更為流行，二者本是瑜亮之爭不分伯仲，依據(jù)個(gè)人喜好擇其一即可，個(gè)人目前在學(xué)的是pytorch。

以上就是依據(jù)數(shù)據(jù)分析和處理的各個(gè)環(huán)節(jié)中常用的python第三方庫，面試時(shí)可以圍繞上述階段劃分思路予以拓展分析回答，在實(shí)際工作中也足以支持大部分內(nèi)容。

相關(guān)閱讀：

• 寫在1024：一名數(shù)據(jù)分析師的修煉之路
  

• 數(shù)據(jù)科學(xué)系列：sklearn庫主要模塊簡介
  

• 數(shù)據(jù)科學(xué)系列：seaborn入門詳細(xì)教程
  

• 數(shù)據(jù)科學(xué)系列：pandas入門詳細(xì)教程

• 數(shù)據(jù)科學(xué)系列：matplotlib入門詳細(xì)教程

• 數(shù)據(jù)科學(xué)系列：numpy入門詳細(xì)教程