Anaconda 是一个完备的、开源的数据科学软件包，拥有超过 600 万社区用户。 像很多人一样，我一直努力加入到快速发展的数据科学领域。我上过 Udemy 的 R 及 Python 语言编程课，那时我分别下载并安装了应用程序。当我试图解决各种依赖关系，安装类似 Numpy 和 Matplotlib 这样的数据科学扩展包时，我了解了 Anaconda Python 发行版。 Anaconda 是

使用这些库把 Python 变成一个科学数据分析和建模工具。 Python 的许多特性，比如开发效率、代码可读性、速度等使之成为了数据科学爱好者的首选编程语言。对于想要升级应用程序功能的数据科学家和机器学习专家来说，Python 通常是最好的选择（比如，Andrey Bulezyuk 使用 Python 语言创造了一个优秀的机器学习应用程序）。 由于 Python 的广泛使用，因此它拥有大量的库，

不需要昂贵的工具即可领略数据科学的力量，从这些开源工具起步即可。 无论你是一个具有数学或计算机科学背景的资深数据科学爱好者，还是一个其它领域的专家，数据科学提供的可能性都在你力所能及的范围内，而且你不需要昂贵的，高度专业化的企业级软件。本文中讨论的开源工具就是你入门时所需的全部内容。 Python，其机器学习和数据科学库（pandas、 Keras、 TensorFlow、 scikit-lear

使用 Python 开展数据科学为你提供了无限的潜力，使你能够以有意义和启发性的方式解析、解释和组织数据。 数据科学是计算领域一个令人兴奋的新领域，它围绕分析、可视化和关联以解释我们的计算机收集的有关世界的无限信息而建立。当然，称其为“新”领域有点不诚实，因为该学科是统计学、数据分析和普通而古老的科学观察派生而来的。 但是数据科学是这些学科的形式化分支，拥有自己的流程和工具，并且可以广泛应用于以前

Python 已经成为数据科学首选编程语言。 其主要原因之一是有着庞大的扩展库、包与框架生态系统，其中有很多都面向数据科学领域。 Python 的数据科学生态系统能够让用户轻松获取数据、操作、清理、分析和可视化数据，然后可以用它来训练机器学习模型。 如果在没有数据科学库的情况下执行任何这些过程，需要从头开始编写功能代码，这将是非常耗时并且效率低下的事儿。 在数据领域，Python 有数千个可用的库