NumPy ist die grundlegende quelloffene Python-Bibliothek für numerisches Rechnen. Sie stellt mehrdimensionale Arrays sowie schnelle Funktionen für lineare Algebra, Statistik und Zufallszahlen bereit, deren Kern in kompilierter Sprache läuft. Zahlreiche Werkzeuge der Datenanalyse und des maschinellen Lernens, etwa pandas, scikit-learn und viele Visualisierungsbibliotheken, bauen auf NumPy auf. Wer in Python mit Daten arbeitet, nutzt es daher fast immer direkt oder indirekt.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenPandas ist eine quelloffene Python-Bibliothek zur Analyse und Bearbeitung tabellarischer Daten, entwickelt ab 2008 von Wes McKinney. Ihr zentrales Objekt, der DataFrame, ähnelt einer Tabelle mit benannten Spalten. Damit lassen sich Daten aus CSV-, Excel- oder Datenbankquellen einlesen, bereinigen, filtern, gruppieren und zusammenführen. Pandas baut auf NumPy auf und ist ein Standardwerkzeug in Datenanalyse, Berichtswesen und der Vorbereitung von Trainingsdaten.
Scikit-learn ist eine quelloffene Python-Bibliothek für klassisches maschinelles Lernen. Sie bietet einheitliche Werkzeuge für Klassifikation, Regression, Clustering, Dimensionsreduktion, Datenvorverarbeitung und Modellbewertung, etwa Kreuzvalidierung. Aufgebaut auf NumPy und SciPy, ist sie wegen ihrer einfachen, konsistenten Schnittstelle in Ausbildung, Forschung und Praxis weit verbreitet. Für tiefe neuronale Netze greift man dagegen meist zu Frameworks wie PyTorch oder TensorFlow.
Jupyter Notebook ist eine quelloffene, browserbasierte Anwendung aus dem Projekt Jupyter, in der sich ausführbarer Code, Ergebnisse, Diagramme und erläuternder Text in einem Dokument kombinieren lassen. Notebooks werden in Datenanalyse, maschinellem Lernen, Forschung und Lehre genutzt, weil sich Arbeitsschritte nachvollziehbar dokumentieren und teilen lassen. Am verbreitetsten ist Python. Beispiel: Ein Analyst lädt Verkaufsdaten, bereinigt sie und zeigt die Auswertung direkt darunter als Grafik.
TensorFlow ist ein von Google entwickeltes Open-Source-Framework für maschinelles Lernen, das 2015 veröffentlicht wurde. Es dient dazu, neuronale Netze zu bauen, zu trainieren und in Anwendungen, auf Servern oder mobilen Geräten einzusetzen. Mit Keras bietet es eine leicht zugängliche Programmierschnittstelle; typische Einsätze sind Bildklassifikation, Prognosen oder Empfehlungssysteme.
