概述
之前做数据处理用的比较多的是Matlab,因为环境配置简单，不像c++,java在配置上存在一下一些问题
- 编译器会生成工程文件，这些工程能文件通常较大，在上传例如
github时需要剔除较大的工程文件例如.proj等是c++、java创建工程时生成的一些文件，而分享只需分享.cpp,.h,.java等实际功能代码文件，其他人需要将这些重新在编译器中进行导入，配置，运行含main函数的.cpp - 在引用其他
.cpp中的函数时需要写头文件.h，在头文件里写函数原型，在主.cpp中include .h,或者在主cpp中开头写所有需要引用函数的函数原型 - 一个工程里只能存在一个main函数，当运行其他功能时需要将冲突的功能注释掉
- 经常要配置连接一些打包的函数例如
.dll,.lib,很多开源包也是以打包的形式发布，无法看到源代码。
因此c++、java等基础语言适合做大型实用性工程 ，优化等方面技术，但对于代码分享复现存在一定门槛
而matlab在基本数据处理方面有一下一些优点
- .m文件可以独立运行不需要复杂配置，引用其他.m中的函数只需确保放在统一文件夹下，或者添加文件夹路径
- IDE不需要复杂的配置，.m文件即开即用
- 后台变量数据查看较为方便，不以缓存的形式消亡
而python在matlab基础上又具备了数据处理方面的一些优势
- matlab具备的优点python都具备
- 数据处理方面的科学包比较丰富且比较系统
- 有例如anaconda的包管理工具
以下整理一些python关于数据处理相关的开源库
参考资料
官方文档
https://scipy.org/
官方文档里面分里几个层次的指南
- developer guide 开发者指南
- reference guide 用户参考指南（介绍得更为详细）
- user guide 用户指南（偏重用户使用）
好的学习笔记（Lecture Note）
好的中文手册，
- Numpy https://www.numpy.org.cn/
- Pandas https://www.pypandas.cn/
pandas API速查 https://www.jianshu.com/p/a77b0bc736f2 翻译自 (https://www.dataquest.io/blog/pandas-cheat-sheet/ ) - Matplotlib http://reverland.org/python/2012/09/07/matplotlib-tutorial/
- keras https://keras.io/zh/
- Scikit-Learn http://sklearn.apachecn.org/#/*