简述 Python 的 Numpy、SciPy、Pandas、Matplotlib 的区别
From：https://www.jianshu.com/p/32cb09d84487
- Numpy：基础的数学计算模块，以矩阵为主，纯数学。
- SciPy：基于Numpy，提供方法(函数库)直接计算结果，封装了一些高阶抽象和物理模型。比方说做个傅立叶变换，这是纯数学的，用Numpy；做个滤波器，这属于信号处理模型了，在Scipy里找。
- Pandas：提供了一套名为DataFrame的数据结构，适合统计分析中的表结构,在上层做数据分析,
更简洁的说:
- NumPy：N维 数组 容器
- SciPy：科学计算 函数库
- Pandas：表格 容器
非数学研究，建议直接入手 pandas，包含基础的 Numpy 方法
Numpy：
来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多，本身是由C语言开发。这个是很基础的扩展，其余的扩展都是以此为基础。数据结构为ndarray，一般有三种方式来创建。
numpy 主要用来做一些科学运算，主要是矩阵的运算。NumPy为Python带来了真正的多维数组功能，并且提供了丰富的函数库处理这些数组。它将常用的数学函数都进行数组化，使得这些数学函数能够直接对数组进行操作，将本来需要在Python级别进行的循环，放到C语言的运算中，明显地提高了程序的运算速度。
Pandas:
基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。最具有统计意味的工具包，某些方面优于R软件。数据结构有一维的Series，二维的DataFrame(类似于Excel或者SQL中的表，如果深入学习，会发现Pandas和SQL相似的地方很多，例如merge函数)，三维的Panel（Pan（el) + da(ta) + s，知道名字的由来了吧）。
学习Pandas你要掌握的是：
- 1.汇总和计算描述统计，处理缺失数据 ，层次化索引
- 2.清理、转换、合并、重塑、GroupBy技术
- 3.日期和时间数据类型及工具（日期处理方便地飞起）
Matplotlib:
Python中最著名的绘图系统，很多其他的绘图例如seaborn（针对pandas绘图而来）也是由其封装而成。
绘制的图形可以大致按照ggplot的颜色显示，但是还是感觉很鸡肋。但是matplotlib的复杂给其带来了很强的定制性。其具有面向对象的方式及Pyplot的经典高层封装。
需要掌握的是：
- 1.散点图，折线图，条形图，直方图，饼状图，箱形图的绘制。
- 2.绘图的三大系统：pyplot，pylab(不推荐)，面向对象
- 3.坐标轴的调整，添加文字注释，区域填充，及特殊图形patches的使用
- 4.金融的同学注意的是：可以直接调用Yahoo财经数据绘图
Scipy：
方便、易于使用、专为科学和工程设计的Python工具包.它包括统计,优化,整合,线性代数模块,傅里叶变换,信号和图像处理,常微分方程求解器等等。基本可以代替Matlab，但是使用的话和数据处理的关系不大，数学系，或者工程系相对用的多一些。
近期发现有个statsmodel可以补充scipy.stats，时间序列支持完美
scipy 主要是一些科学工具集，信号处理工具集（如线性代数使用LAPACK库，快速傅立叶变换使用FFTPACK库）及数值计算的一些工具（常微分方程求解使用ODEPACK库，非线性方程组求解以及最小值求解等）。
scikit-learn
scikit-learn：里面有很多机器学习相关的算法（如聚类算法，SVM等）。
用Python来编写机器学习方面的代码是相当简单的，因为Python下有很多关于机器学习的库。其中三个库 numpy，scipy，matplotlib，scikit-learn是常用组合，分别是科学计算包，科学工具集，画图工具包,机器学习工具集。
Python安装完Numpy，SciPy和MatplotLib后，可以成为非常犀利的科研利器。网上关于这三个库的安装都写得非常不错，但是大部分人遇到的问题并不是如何安装，而是安装好后因为配置不当，在使用时总会出现import xxx error之类的错误。我也是自己摸索了很久才发现如何去正确配置的
详解Python中的Numpy、SciPy、MatPlotLib安装与配置：https://www.jb51.net/article/128468.htm
Numpy和Scipy是机器学习项目中最受欢迎的函数库
参考：http://www.sohu.com/a/291941853_506163