1. Scikit-learn（sklearn）
用途：一个功能强大的机器学习库，提供了各种监督学习和无监督学习算法的实现。

主要功能：

分类、回归、聚类、降维等算法（如 SVM、随机森林、K-Means、PCA）。

数据预处理（标准化、归一化、编码分类变量）。

模型选择与评估（交叉验证、网格搜索、性能指标计算）。

特点：简单易用，适合快速实现机器学习流程。

2. LightGBM
用途：一个高效的梯度提升框架（Gradient Boosting），主要用于机器学习中的分类和回归任务。

主要功能：

基于决策树的高性能梯度提升算法（比 XGBoost 在某些情况下更快、内存占用更低）。

支持并行学习、类别特征自动处理、大规模数据训练。

特点：速度快、内存消耗低，适合处理大数据集。

3. Matplotlib
用途：Python 中最流行的数据可视化库，用于创建各种静态、动态或交互式图表。

主要功能：

绘制折线图、散点图、柱状图、直方图、饼图等。

支持自定义图表样式（颜色、标签、标题、图例等）。

可与 Jupyter Notebook 无缝集成，适合数据探索和结果展示。

特点：灵活且功能强大，是 Python 数据可视化的基础工具。

典型使用场景
数据科学/机器学习流程：

用 matplotlib 可视化数据分布。

用 sklearn 进行数据预处理和模型训练。

用 LightGBM 训练高性能的梯度提升模型（尤其适合结构化数据）