请从数据科学工作流的角度，说明 Python 被广泛采用的原因，并列举在数据处理、科学计算、机器学习和可视化等环节中常用的 Python 库。

回答思路

1. 【回答框架 1】Python 在数据科学中重要的原因主要有：语法简洁易学，降低非专业程序员的入门门槛；拥有 NumPy、Pandas 等底层高效实现，支持大规模数值计算；社区庞大，库之间集成良好，可覆盖数据采集、清洗、建模、评估、部署全流程；同时具备跨平台性和与 Jupyter 等交互式环境的无缝配合，便于探索式分析。
2. 【回答框架 2】常用的数据科学库按功能划分：1）数据处理：Pandas（DataFrame 结构）和 NumPy（多维数组、线性代数）；2）科学计算：SciPy（优化、统计、信号处理）；3）绘图可视化：Matplotlib（基础绘图）和 Seaborn（统计图表）；4）机器学习：Scikit-learn（经典算法、特征工程、模型评估）；5）深度学习：TensorFlow 和 PyTorch（神经网络构建与训练）。
3. 【回答框架 3】这些库相互依赖，例如 Pandas 基于 NumPy 实现，Scikit-learn 常接受 Pandas DataFrame 作为输入，而 Matplotlib/Seaborn 用于展示特征与结果。掌握这些库的典型用法，并能说明各自适用场景，是数据科学岗位的基本要求。
4. 【回答框架 4】实际工作中，还需结合具体项目说明选型依据，例如数据内存规模、模型复杂度、部署环境等，但核心在于熟悉生态分工和基本 API。
5. 【关键点 1】Python 的简洁语法、高效数值计算库（NumPy/Pandas）和完善生态使其成为数据科学主流语言。
6. 【关键点 2】常用库包括 Pandas、NumPy、SciPy、Matplotlib、Seaborn、Scikit-learn、TensorFlow、PyTorch。
7. 【关键点 3】各库分层配合：底层数组计算、中层数据处理、上层建模与可视化。
8. 【关键点 4】深度学习框架与经典机器学习库可根据任务需求互补使用。
9. 【易错点 1】不要局限于罗列库名，要结合数据科学流程说明用途，体现实际应用能力。
10. 【易错点 2】避免将 NumPy 与 Pandas 混为一谈，前者是底层数组操作，后者是表格化数据处理。
11. 【易错点 3】切勿宣称某个库适用于所有场景，应根据任务特点（如数据规模、实时性）选择合适的工具。