=============================================
用 Python 已經十幾年了。雖然也覺得應該學其他語言，但在研究、概念驗證（PoC）、簡單解析或簡單模擬上一直使用 Python。
Pandas 廣泛用於試算表處理，但看到社群上有人說最近比較少用 Pandas，我就想調查一下是否常用的函式庫在改變。
目前並沒有遇到太大問題，但若不早做因應，之後可能會麻煩，所以我一邊使用大型語言模型（LLM）一邊查資料。
現在只要問 LLM 用法很快就能拿到，所以新函式庫的上手成本也變低了。
這篇只是整理而已，沒有做速度比較。
結論是，除非資料量增加，過去使用的
- NumPy
- Pandas
- Matplotlib
- scikit-learn
- PyTorch
等仍然足夠，不會太困擾。
不過視資料規模與用途，值得考慮新興函式庫（像 Polars 或 DuckDB）。
多數人會在數百萬到數千萬列的規模開始考慮 Polars 或 DuckDB 等方案。
以上就是結論。
試算表函式庫的變化（Pandas 週邊）
近年除了 Pandas，還出現了 Polars、DuckDB 等高速資料處理函式庫。
因為與其他視覺化函式庫有相依關係，在 Python 的資料分析領域 Pandas 長期被視為標準的試算表函式庫。
在小到中等規模的資料分析中，Pandas 仍然是標準工具。
而且很多視覺化與機器學習函式庫都以 Pandas 的 DataFrame 為前提，在生態系上也仍然很強大。
另一方面，對於大規模資料或需要高速處理的情況，Polars 和 DuckDB 的使用也在增加。多數人在數百萬到數千萬列時會開始評估這些選項。
也有不少基準測試文章指出 Polars 的效能較快。
- Polars
- 用 Rust 實作
- 高速
- API 與 Pandas 相近
- DuckDB
- 以 SQL 進行分析
- 可直接分析 CSV/Parquet
- 適合本機分析
矩陣計算函式庫的變化（NumPy 週邊）
Python 的數值計算基礎仍然是 NumPy。
許多科學與工程計算函式庫都是以 NumPy 為前提。
在多數研究與資料分析場景下，僅靠 NumPy 就已足夠。
不過在追求加速或進行 GPU 計算時，越來越多人會搭配 Numba 或 JAX 等工具。
也常看到類似「讓 NumPy 的運算快多少倍」的比較文章。
- JAX
- 自動微分
- 支援 GPU/TPU
- Numba
- 即時（JIT）編譯
- CuPy
- GPU 上的 NumPy 相容實作
學術與機器學習函式庫的變化（scikit‑learn、SciPy、PyTorch 週邊）
傳統機器學習領域中，scikit‑learn 長期作為標準函式庫被廣泛使用。
近年因深度學習普及，像 PyTorch 這類深度學習框架的使用也增加。
對於傳統機器學習演算法，scikit‑learn 依然好用；而在深度學習或研究用途上，PyTorch 被廣泛採用。
視覺化函式庫的變化（Matplotlib 週邊）
Matplotlib 長期是 Python 的視覺化函式庫。
在基本視覺化需求上，Matplotlib 與 Seaborn 大多數情況已足夠。
若要做互動式視覺化或儀表板（dashboard），Plotly 等工具的使用也在增加。
- Seaborn
- 基於 Matplotlib 的統計視覺化函式庫
- Plotly
- 支援互動式視覺化
- Altair
- 宣告式視覺化（API 的寫法不同）
結語
我不常處理大量資料，若遇到效能瓶頸會直接用 C++，因此過去沒太認真考慮；但 Python 在這方面也有越來越多的因應方案。
關於 Pandas 周邊，其實若多接觸 Arrow 生態系可能能寫得更詳盡，但這次只稍微觸及。
另外，機器學習方面也還有像 LightGBM 之類依方法不同的函式庫沒特別提到。
依用途與資料規模選擇工具會比較好，但在小到中等規模的分析上，傳統的 Python 資料分析棧仍然足以應付。
也歡迎推薦你覺得好的函式庫。
附錄
- 個人取得專利並撰寫相關文章
原文出處：https://qiita.com/YASUHARA-Wataru/items/5a8a16a2b7e91c3536a8
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
