快捷導(dǎo)航

Python的這些庫,你知道多少?

更新時間：2021年06月09日 14:16:00 作者：肥學(xué)大師

最近整理了一些好用的庫但是只是初級介紹,如果大家用得到的話還請自己到官網(wǎng)上查一下,因為東西太多我一一介紹的話可能不太現(xiàn)實,需要的朋友可以參考下

一、導(dǎo)讀

通常，開發(fā)大量原始代碼是一個費時費力的工作而且有時候有很多專業(yè)知識我們不可能都一一弄懂，為了避免這種情況，我們會盡可能多地使用庫中已有的類來創(chuàng)建對象，通常僅需要一行代碼。因此，庫能夠幫助我們使用適量的代碼執(zhí)行重要的任務(wù)。我想這也是為什么python能夠活躍在我們身邊的原因之一吧，歡迎大家點贊收藏，日后學(xué)習(xí)。

二、前戲

剛才忘了說了，大家在用python的時候我還是推薦大家下一個集成開發(fā)環(huán)境Anaconda這里面能夠更好的管理這些第三方庫文件，其好處只有你真正用過才知道老規(guī)矩想用的話自己查，老師說過： “程序員最長走的兩條路一是自己去百度；二是找別人幫你百度?。?！” 這真的是名言

三、Python標準庫

在這里插入圖片描述

有時候你可能想不到python標準庫里面有這么多工功能，Python標準庫提供了豐富的功能，包括文本/二進制數(shù)據(jù)處理、數(shù)學(xué)運算、函數(shù)式編程、文件/目錄訪問、數(shù)據(jù)持久化、數(shù)據(jù)壓縮/歸檔、加密、操作系統(tǒng)服務(wù)、并發(fā)編程、進程間通信、網(wǎng)絡(luò)協(xié)議、JSON / XML /其他Internet數(shù)據(jù)格式、多媒體、國際化、GUI、調(diào)試、分析等。下面列出了一部分Python標準庫模塊。

difflib：差異計算工具
collections：建立在列表、元組、字典和集合基礎(chǔ)上的加強版數(shù)據(jù)結(jié)構(gòu)。
csv：處理用逗號分隔值的文件。
datetime, time：日期和時間操作。
decimal：定點或浮點運算，包括貨幣計算。
doctest：通過驗證測試或嵌入在docstring中的預(yù)期結(jié)果進行簡單的單元測試。
json：處理用于Web服務(wù)和NoSQL文檔數(shù)據(jù)庫的JSON（JavaScript Object Notation）數(shù)據(jù)。
math：常見的數(shù)學(xué)常量和運算。
os：與操作系統(tǒng)進行交互。
queue：一種先進先出的數(shù)據(jù)結(jié)構(gòu)。
random：偽隨機數(shù)操作。
re：用于模式匹配的正則表達式。
sqlite3：SQLite關(guān)系數(shù)據(jù)庫訪問。
statistics：數(shù)理統(tǒng)計函數(shù)，如均值、中值、眾數(shù)和方差等。
sys：—命令行參數(shù)處理，如標準輸入流、輸出流和錯誤流。
timeit：性能分析。
string：通用字符串操作
textwrap：文本填充
unicodedata：Unicode字符數(shù)據(jù)庫
stringprep：互聯(lián)網(wǎng)字符串準備工具
readline：GNU按行讀取接口
rlcompleter：GNU按行讀取的實現(xiàn)函數(shù)

Python擁有一個龐大且仍在快速增長的開源社區(qū)，社區(qū)中的開發(fā)者來自許多不同的領(lǐng)域。該社區(qū)中有大量的開源庫是Python受歡迎的最重要的原因之一。

在這里插入圖片描述

許多任務(wù)只需要幾行Python代碼就可以完成，這會令人感到很神奇。下面列出了一些流行的數(shù)據(jù)科學(xué)庫。

在這里插入圖片描述

四、科學(xué)計算與統(tǒng)計

NumPy（Numerical Python）：Python沒有內(nèi)置的數(shù)組數(shù)據(jù)結(jié)構(gòu)。它提供的列表類型雖然使用起來更方便，但是處理速度較慢。NumPy提供了高性能的ndarray數(shù)據(jù)結(jié)構(gòu)來表示列表和矩陣，同時還提供了處理這些數(shù)據(jù)結(jié)構(gòu)的操作。
SciPy（Scientific Python）：SciPy基于NumPy開發(fā)，增加了用于科學(xué)處理的程序，例如積分、微分方程、額外的矩陣處理等。scipy.org負責(zé)管理SciPy和NumPy。
StatsModels：為統(tǒng)計模型評估、統(tǒng)計測試和統(tǒng)計數(shù)據(jù)研究提供支持。
IPython是Python科學(xué)計算標準工具集的組成部分,它可以把很多東西聯(lián)系到一起,有點類似一個增強版的Python shell。目的是為了提高編程，測試和調(diào)試Python代碼的速度，好像很多國外的大學(xué)教授，還有Google大牛都很喜歡用IPython，確實很方便。

五、數(shù)據(jù)處理與分析

在這里插入圖片描述

pandas：一個非常流行的數(shù)據(jù)處理庫。pandas充分利用了NumPy的ndarray類型，它的兩個關(guān)鍵數(shù)據(jù)結(jié)構(gòu)是Series（一維）和DataFrame（二維）。

modin[14] pandas加速庫，接口語法與pandas高度一致

dask[15] pandas加速庫，接口語法與pandas高度一致

plydata[16] pandas管道語法庫

六、可視化

Pyecharts Echarts 是個由百度開源的數(shù)據(jù)可視化，憑借著良好的交互性，精巧的圖表設(shè)計，得到了眾多開發(fā)者的認可。而 Python 是門富有表達力的語言，很適合用于數(shù)據(jù)處理。當(dāng)數(shù)據(jù)分析遇上數(shù)據(jù)可視化時pyecharts 誕生了

Matplotlib：可高度定制的可視化和繪圖庫。Matplotlib可以繪制正規(guī)圖、散點圖、柱狀圖、等高線圖、餅圖、矢量場圖、網(wǎng)格圖、極坐標圖、3D圖以及添加文字說明等。

Seaborn：基于Matplotlib構(gòu)建的更高級別的可視化庫。與Matplotlib相比，Seaborn改進了外觀，增加了可視化的方法，并且可以使用更少的代碼創(chuàng)建可視化。

在這里插入圖片描述

七、機器學(xué)習(xí)、深度學(xué)習(xí)和強化學(xué)習(xí)

在這里插入圖片描述

scikit-learn：一個頂級的機器學(xué)習(xí)庫。機器學(xué)習(xí)是AI的一個子集，深度學(xué)習(xí)則是機器學(xué)習(xí)的一個子集，專注于神經(jīng)網(wǎng)絡(luò)。
Keras：最易于使用的深度學(xué)習(xí)庫之一。Keras運行在TensorFlow（谷歌）、CNTK（微軟的深度學(xué)習(xí)認知工具包）或Theano（蒙特利爾大學(xué)）之上。
TensorFlow：由谷歌開發(fā)，是使用最廣泛的深度學(xué)習(xí)庫。TensorFlow與GPU（圖形處理單元）或谷歌的定制TPU（Tensor處理單元）配合使用可以獲得最佳的性能。TensorFlow在人工智能和大數(shù)據(jù)分析中有非常重要的地位，因為人工智能和大數(shù)據(jù)對數(shù)據(jù)處理的需求非常巨大。
OpenAI Gym：用于開發(fā)、測試和比較強化學(xué)習(xí)算法的庫和開發(fā)環(huán)境。
pytorch Pytorch是torch的python版本，是由Facebook開源的神經(jīng)網(wǎng)絡(luò)框架，專門針對 GPU 加速的深度神經(jīng)網(wǎng)絡(luò)（DNN）編程。Torch 是一個經(jīng)典的對多維矩陣數(shù)據(jù)進行操作的張量（tensor ）庫，在機器學(xué)習(xí)和其他數(shù)學(xué)密集型應(yīng)用有廣泛應(yīng)用。與Tensorflow的靜態(tài)計算圖不同，pytorch的計算圖是動態(tài)的，可以根據(jù)計算需要實時改變計算圖。但由于Torch語言采用 Lua，導(dǎo)致在國內(nèi)一直很小眾，并逐漸被支持 Python 的 Tensorflow 搶走用戶。作為經(jīng)典機器學(xué)習(xí)庫 Torch 的端口，PyTorch 為 Python 語言使用者提供了舒適的寫代碼選擇。