Python有哪些经典的常用库？（第一期）_python常用库
目录
1、NumPy (数值计算基础库)
核心特点：
应用场景：
2、Pandas (数据分析处理库)
应用场景：
代码示例：
3、Scikit-learn (机器学习库)
核心特点：
应用场景：
代码示例：
4、TensorFlow (深度学习框架)
核心特点：
应用场景：
代码示例：
5、PyTorch (深度学习框架)
核心特点：
应用场景：
代码示例：
6、Django (Web框架)
核心特点：
应用场景：
代码示例：
7、Flask (轻量级Web框架)
核心特点：
应用场景：
代码示例：
8、FastAPI (现代Web框架)
核心特点：
应用场景：
代码示例：
9、Requests (HTTP库)
核心特点：
应用场景：
代码示例：
10、Scrapy (爬虫框架)
核心特点：
应用场景：
代码示例：
以下近80个常用库。含网络操作，数据分析，数据库，机器学习股票操作等。介绍分名字，网址，特点，适用场景，示例代码。可以先收藏后慢慢看，也可以转发给需要的人。有问题留言。
正式的文章开始了。
1、NumPy (数值计算基础库)
核心特点：
- 提供多维数组对象ndarray
- 支持广播功能的向量化运算
- 强大的线性代数运算支持
- 高效的内存管理和数据处理能力
应用场景：
- 科学计算：矩阵运算、傅里叶变换
- 图像处理：像素矩阵操作
- 数据分析：大规模数据处理
- 机器学习：特征工程、数据预处理
代码示例：
import numpy as np# 创建数组arr = np.array([1, 2, 3])# 矩阵运算matrix = np.dot(arr, arr.T)# 统计运算mean = np.mean(arr)2、Pandas (数据分析处理库)
核心特点：
- DataFrame和Series数据结构
- 强大的数据清洗和转换功能
- 高效的数据聚合和分组操作
- 完善的时间序列功能
应用场景：
- 金融数据分析：股票数据处理
- 商业智能：销售数据分析
- 数据清洗：缺失值处理、异常值检测
- 数据可视化：与matplotlib配合使用
代码示例：
import pandas as pd# 读取CSVdf = pd.read_csv(\'data.csv\')# 数据筛选filtered = df[df[\'price\'] > 100]# 分组统计grouped = df.groupby(\'category\').mean()3、Scikit-learn (机器学习库)
核心特点：
- 集成主流机器学习算法
- 统一的API接口设计
- 完善的数据预处理工具
- 模型评估和选择工具
应用场景：
- 预测分析：销售预测、用户行为预测
- 分类问题：垃圾邮件识别、图像分类
- 聚类分析：客户群体划分
- 特征工程：数据降维、特征选择
代码示例：
from sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LogisticRegression# 数据集分割X_train, X_test, y_train, y_test = train_test_split(X, y)# 模型训练model = LogisticRegression().fit(X_train, y_train)4、TensorFlow (深度学习框架)
核心特点：
- 灵活的神经网络构建
- 自动微分系统
- 分布式训练支持
- 完善的可视化工具TensorBoard
应用场景：
- 计算机视觉：物体检测、人脸识别
- 自然语言处理：机器翻译、文本分类
- 推荐系统：个性化推荐
- 语音识别：语音转文字
代码示例：
import tensorflow as tf# 构建神经网络model = tf.keras.Sequential([ tf.keras.layers.Dense(128, activation=\'relu\'), tf.keras.layers.Dense(10, activation=\'softmax\')])5、PyTorch (深度学习框架)
核心特点：
- 动态计算图
- Python优先的设计理念
- 优秀的调试能力
- 丰富的预训练模型
应用场景：
- 研究原型开发：快速实验新想法
- 计算机视觉：图像分割、风格转换
- 自然语言处理：情感分析、文本生成
- 强化学习：游戏AI、机器人控制
代码示例：
import torch# 创建模型class Net(torch.nn.Module): def __init__(self): super().__init__() self.fc = torch.nn.Linear(784, 10)6、Django (Web框架)
核心特点：
- MTV架构设计
- 内置管理后台
- ORM数据库抽象
- 完善的安全机制
应用场景：
- 企业网站：内容管理系统
- 电子商务：购物网站
- 社交平台：社区网站
- API服务：RESTful接口
代码示例：
from django.db import models# 模型定义class Product(models.Model): name = models.CharField(max_length=100) price = models.DecimalField(max_digits=10, decimal_places=2)7、Flask (轻量级Web框架)
https://github.com/pallets/flask
核心特点：
- 微框架设计
- 灵活的扩展系统
- 简单直观的路由
- 内置开发服务器
应用场景：
- 小型应用：个人博客
- API服务：微服务接口
- 原型开发：快速验证想法
- 数据可视化：展示平台
代码示例：
from flask import Flaskapp = Flask(__name__)@app.route(\'/\')def hello(): return \'Hello World!\'8、FastAPI (现代Web框架)
https://github.com/tiangolo/fastapi
核心特点：
- 异步支持
- 自动API文档
- 类型提示支持
- 高性能设计
应用场景：
- 高性能API：实时数据接口
- 微服务：服务端点
- WebSocket应用：实时通信
- 数据流处理：流式API
代码示例：
from fastapi import FastAPIapp = FastAPI()@app.get(\"/items/{item_id}\")async def read_item(item_id: int): return {\"item_id\": item_id}9、Requests (HTTP库)
https://github.com/psf/requests
核心特点：
- 人性化的API设计
- 自动JSON解析
- Session和Cookie支持
- 强大的认证机制
应用场景：
- API调用：第三方服务集成
- 网络爬虫：数据采集
- 自动化测试：接口测试
- 系统集成：服务间通信
代码示例：
import requests# GET请求response = requests.get(\'https://api.example.com/data\')# POST请求response = requests.post(\'https://api.example.com/create\', json={\'key\': \'value\'})10、Scrapy (爬虫框架)
https://github.com/scrapy/scrapy
核心特点：
- 异步网络处理
- 可扩展的爬虫框架
- 内置项目管理
- 数据提取工具
应用场景：
- 数据采集：电商价格监控
- 信息聚合：新闻采集
- 内容抓取：图片下载
- 市场分析：竞品监控
代码示例：
import scrapyclass MySpider(scrapy.Spider): name = \'example\' start_urls = [\'http://example.com\'] def parse(self, response): for title in response.css(\'.title\'): yield {\'title\': title.extract()}
