1.

Numpy：為大型多維陣列和矩陣新增 Python 支援，並提供高階的數學函式來運算這些陣列。

SciPy：基於 Numpy，彙集了一系列的數學演算法和便捷的函式。它可以向開發者提供用於資料操作與視覺化的高階命令和類，是構建互動式 Python 會話的強大工具。

Pandas：面向資料操作和分析的 Python 庫，提供用於處理數字圖表和時序資料的資料結構和操作功能。

Matplotlib：Python 中常用的繪相簿，能在跨平臺的互動式環境生成高質量圖形。後來在它的基礎上又衍生了更為高階的繪相簿 Seaborn。

總的來說，如果你想理解和處理手頭的資料，就用 Pandas；如果你想執行一些複雜的計算，就用 Numpy 和 SciPy；如果你想將資料視覺化，就用 Matplotlib。

2.

2.1numpy的操作。

    import numpy
    # 建立數一維陣列組
    # numpy.array([元素1,元素2，......元素n])
    x = numpy.array(['a', '9', '8', '1'])
    # 建立二維陣列格式
    # numpy.array([[元素1,元素2，......元素n],[元素1,元素2，......元素n],[元素1,元素2，......元素n]])
    y = numpy.array([[3,5,7],[9,2,6],[5,3,0]])
    # 排序
    x.sort()
    y.sort()
    # 取最大值
    y1 = y.max()
    # 取最小值
    y2 = y.main()
    # 切片

2.2pandas的操作。

    import pandas as pda
    # 使用pandas生成資料
    # Series代表某一串資料 index指定行索引名稱，Series索引預設從零開始
    # DataFrame代表行列整合出來的資料框,columns 指定列名
    a = pda.Series([8, 9, 2, 1], index=['one', 'two', 'three', 'four'])
    # 以列表的格式建立資料框
    b = pda.DataFrame([[5,6,2,3],[3,5,1,4],[7,9,3,5]], columns=['one', 'two', 'three', 'four'],index=['one', 'two', 'three'])
    # 以字典的格式建立資料框
    c = pda.DataFrame({
        'one':4, # 會自動補全
        'two':[6,2,3],
        'three':list(str(982))
    })
    # b.head(行數)# 預設取前5行頭
    # b.tail(行數)# 預設取後5行尾
    # b.describe() 統計資料的情況  count mean std min 25% max
    e = b.head()
    f = b.describe()
    # 資料的轉置,及行變成列，列變成行
    g = b.T

2.3 matplotlib的使用

    # 折線圖/散點圖用plot
    # 直方圖用hist
    import matplotlib.pylab as pyl
    import numpy as npy
    x = [1,2,4,6,8,9]
    y = [5,6,7,8,9,0]
    pyl.plot(x, y) #plot(x軸資料，y軸資料，展現形式)
    # o散點圖,預設是直線 c cyan青色 r red紅色 m magente品紅色 g green綠色 b blue藍色 y yellow黃色 w white白色
    # -直線  --虛線  -. -.形式  :細小虛線
    # s方形 h六角形  *星星  + 加號  x x形式 d菱形 p五角星
    pyl.plot(x, y, 'D')
    pyl.title('name') #名稱
    pyl.xlabel('xname') #x軸名稱
    pyl.ylabel('yname') #y軸名稱
    pyl.xlim(0,20) #設定x軸的範圍
    pyl.ylim(2,22) #設定y軸的範圍
    pyl.show()
    # 隨機數的生成
    data = npy.random.random_integers(1,20,100) #(最小值，最大值，個數)
    # 生成具有正態分佈的隨機數
    data2 = npy.random.normal(10.0, 1.0, 10000) #(均值，西格瑪，個數)
    # 直方圖hist
    pyl.hist(data)
    pyl.hist(data2)
    # 設定直方圖的上限下限
    sty = npy.arange(2,20,2) #步長也表示直方圖的寬度
    pyl.hist(data, sty, histtype='stepfilled') # 去除輪廓
    # 子圖的繪製和使用
    pyl.subplot(2, 2, 2) # (行，列，當前區域)
    x1 = [2,3,5,8,6,7]
    y1 = [2,3,5,9,6,7]
    pyl.plot(x1, y1)
    pyl.subplot(2, 2, 1) # (行，列，當前區域)
    x1 = [2,3,5,9,6,7]
    y1 = [2,3,5,9,6,7]
    pyl.plot(x1, y1)
    pyl.subplot(2, 1, 2) # (行，列，當前區域)
    x1 = [2,3,5,9,6,7]
    y1 = [2,3,9,5,6,7]
    pyl.plot(x1, y1)
    pyl.show()