本书中使用的一些Python标准库模块

collections—建立在列表、元组、字典和集合基础上的加强版数据结构。

csv—处理用逗号分隔值的文件。

datetime, time—日期和时间操作。

decimal—定点或浮点运算，包括货币计算。

doctest—通过验证测试或嵌入在docstring中的预期结果进行简单的单元测试。

json—处理用于Web服务和NoSQL文档数据库的JSON（JavaScript Object Notation）数据。

math—常见的数学常量和运算。

os—与操作系统进行交互。

queue— 一种先进先出的数据结构。

random—伪随机数操作。

re—用于模式匹配的正则表达式。

sqlite3—SQLite关系数据库访问。

statistics—数理统计函数，如均值、中值、众数和方差等。

string—字符串操作。

sys—命令行参数处理，如标准输入流、输出流和错误流。

timeit—性能分析。

用于数据科学的流行的Python库

科学计算与统计

NumPy（Numerical Python）—Python没有内置的数组数据结构。它提供的列表类型虽然使用起来更方便，但是处理速度较慢。NumPy提供了高性能的ndarray数据结构来表示列表和矩阵，同时还提供了处理这些数据结构的操作。

SciPy（Scientific Python）—SciPy基于NumPy开发，增加了用于科学处理的程序，例如积分、微分方程、额外的矩阵处理等。scipy.org负责管理SciPy和NumPy。

StatsModels—为统计模型评估、统计测试和统计数据研究提供支持。

数据处理与分析

pandas—一个非常流行的数据处理库。pandas充分利用了NumPy的ndarray类型，它的两个关键数据结构是Series（一维）和DataFrame（二维）。

可视化

Matplotlib—可高度定制的可视化和绘图库。Matplotlib可以绘制正规图、散点图、柱状图、等高线图、饼图、矢量场图、网格图、极坐标图、3D图以及添加文字说明等。

Seaborn—基于Matplotlib构建的更高级别的可视化库。与Matplotlib相比，Seaborn改进了外观，增加了可视化的方法，并且可以使用更少的代码创建可视化。

机器学习、深度学习和强化学习

scikit-learn—一个顶级的机器学习库。机器学习是AI的一个子集，深度学习则是机器学习的一个子集，专注于神经网络。

Keras—最易于使用的深度学习库之一。Keras运行在TensorFlow（谷歌）、CNTK（微软的深度学习认知工具包）或Theano（蒙特利尔大学）之上。

TensorFlow—由谷歌开发，是使用最广泛的深度学习库。TensorFlow与GPU（图形处理单元）或谷歌的定制TPU（Tensor处理单元）配合使用可以获得最佳的性能。TensorFlow在人工智能和大数据分析中有非常重要的地位，因为人工智能和大数据对数据处理的需求非常巨大。本书使用TensorFlow内置的Keras版本。

OpenAI Gym—用于开发、测试和比较强化学习算法的库和开发环境。

自然语言处理

NLTK（Natural Language Toolkit）—用于完成自然语言处理（NLP）任务。

TextBlob—一个面向对象的NLP文本处理库，基于NLTK和模式NLP库构建，简化了许多NLP任务。

Gensim—功能与NLTK类似。通常用于为文档合集构建索引，然后确定另一个文档与索引中每个文档的相似程度。