1. NumPy
一般我们会将科学领域的库作为清单打头，NumPy 是该领域的主要软件库之一。它旨在处理大型的多维数组和矩阵，并提供了很多高级的数学函数和方法，因此可以用它来执行各种操作。
在过去一年，开发团队对该库进行了大量改进。除了错误修复和解决兼容性问题之外，关键的变更还包括样式改进，即 NumPy 对象的打印格式。此外，一些函数现在可以处理任意编码的文件，只要这些编码受 Python 支持。

2. SciPy（提交：19150，贡献者：608）
另一个科学计算核心库 SciPy，基于 NumPy 而构建，并扩展了 NumPy 的功能。SciPy 的主要数据结构是多维数组，使用 Numpy 实现。该库提供了一些用于解决线性代数、概率论、积分计算等任务的工具。
SciPy 通过与不同的操作系统进行持续集成的方式带来了重大改进，比如新的函数和方法，更重要的是——最新的优化器。此外，开发团队对很多新的 BLAS 和 LAPACK 函数进行了包装。

4. StatsModels
Statsmodels 是一个 Python 模块，为统计数据分析提供了很多可能性，例如统计模型估计、运行统计测试等。你可以借助它来实现很多机器学习方法，并探索不同的绘图可能性。
该库在不断演化，带来了更多的可能性。今年带来了时间序列改进和新的计数模型 GeneralizedPoisson、零膨胀模型和 NegativeBinomialP，以及新的多变量方法因子分析、MANOVA 和 ANOVA 的重复测量。

可视化
5. Matplotlib
Matplotlib 是一个用于创建二维图表和图形的低级库。你可以用它来构建各种图表，从直方图和散点图到非笛卡尔坐标图。此外，很多流行的绘图库都为 Matplotlib 预留了位置，可与 Matplotlib 结合在一起使用。
该库在绘图样式方面做出了很多变更，如颜色、尺寸、字体、图例等。例如，坐标轴图例的自动对齐和对色盲患者更友好的色环

6. Seaborn
Seaborn 实际上是基于 matplotlib 库构建的高级 API。它为处理图表提供了更恰当的默认选项。此外，它还提供了一组丰富的可视化图库，包括时间序列、联合图和小提琴图等复杂的类型。
Seaborn 的更新主要是问题修复。不过，FacetGrid（或 PairGrid）与增强的交互式 matplotlib 后端之间的兼容性有所改进，为可视化添加了参数和选项。

7. Plotly
Plotly 是一个可以帮助你轻松构建复杂图形的流行库。该库适用于交互式 Web 应用程序，它提供了很多很棒的可视化效果，包括轮廓图形、三元图和 3D 图表。
这个库在持续地增强和改进，带来新的图形和特性，支持“多链接视图”、动画和串扰集成。

8. Bokeh
Bokeh 库使用 JavaScript 小部件在浏览器中创建交互式和可伸缩的可视化图形。该库提供了多种图形、样式、链接图形式的交互能力、添加小部件、定义回调以及更多有用的功能。Bokeh 改进的交互式功能值得称赞，例如可旋转的分类刻度标签，以及小型的缩放工具和自定义工具提示字段增强。

9. Pydot
Pydot 是一个用于生成面向复杂图形和非面向复杂图形的库。它作为面向 Graphviz 的一个接口，使用 Python 编写。我们可以借助它来显示图形的结构，这在构建神经网络和基于决策树的算法时经常会用到。

机器学习
10. Scikit-learn
这个基于 NumPy 和 SciPy 的 Python 模块是处理数据的最佳库之一。它为很多标准的机器学习和数据挖掘任务提供算法，例如聚类、回归、分类、降维和模型选择。
该库有很多增强功能。交叉验证已经获得更新，现在可以使用多个指标。一些训练方法（如邻近取样和逻辑回归等）得到一些小改进。它的主要更新之一是完成了通用术语和 API 元素词汇表。

12. Eli5
通常情况下，机器学习模型的预测结果并不完全是清晰的，这个时候可以借助 Eli5 来解决这个问题。它是一个用于可视化和调试机器学习模型的库，可以逐步跟踪算法的执行过程。它支持 scikit-learn、XGBoost、LightGBM、lightning 和 sklearn-crfsuite 库，并可以为每个库执行不同的任务。

14. PyTorch
PyTorch 是一个大型框架，可用它基于 GPU 加速执行张量计算、创建动态计算图以及自动计算梯度。此外，PyTorch 还提供了丰富的 API，用于解决与神经网络相关的应用。
该库基于 Torch 而构建，使用 C 语言实现，并包含了使用 Lua 编写的包装器。它的 Python API 于 2017 年推出，从那时起，该框架越来越受欢迎，并吸引了越来越多的数据科学家。

15. Keras
Keras 是一个用于处理神经网络的高级库，运行在 TensorFlow 或 Theano 之上，现在发布的新版本可以使用 CNTK 或 MxNet 作为后端。它简化了很多特定任务，并大大减少了样板代码的数量，但它可能不适用于某些复杂的事情。

16. dist-keras/elephas/spark-deep-learning
深度学习问题变得越来越重要，因为越来越多的场景要求更多的时间和成本。而像 Apache Spark 这样的分布式计算系统可以更轻松地处理大量数据，这反过来又为深度学习带来更多的可能性。dist-keras、elephas 和 spark-deep-learning 变得越来越流行，并正在迅速发展演化。很难说它们当中哪个更好，因为它们都是为解决一些相同的任务而设计的。这些库和 Keras 可以直接用在 Apache Spark 中，用以训练神经网络。spark-deep-learning 还提供了工具用于为 Python 神经网络创建管道。