【Python入门系列】第六篇：Python常用内置库总结

文章目录

前言一、基础库1. math库2. random库3. datetime库4. os库5. re库6. sys库7. json库8. csv库9. urllib库10. hashlib库11. collections库12. itertools库13. functools库14. time库

二、高级库（常用的第三方库及其功能）1. NumPy库（科学计算）2. Pandas库 （数据分析）3. Matplotlib库（数据可视化）4. Requests库（网络请求）5. Scrapy库（网络爬虫）6. Django库（Web开发）7. TensorFlow库（机器学习）8. PyTorch库（机器学习）9. SQLAlchemy库（数据库操作）10. Flask库（Web开发）11. Scikit-learn库（机器学习）12. BeautifulSoup库（网页解析）13. Django库（Web开发）：

总结

前言

Python是一种功能强大的编程语言，拥有众多内置库，这些库提供了各种各样的功能和工具，方便开发人员进行各种任务。本文将介绍Python中所有常用的内置库，并提供相应的代码示例。

一、基础库

1. math库

math库提供了数学运算相关的函数和常量。下面是一个使用math库计算平方根的示例代码：

import math

number = 16

square_root = math.sqrt(number)

print(square_root)

2. random库

random库用于生成随机数。下面是一个使用random库生成随机整数的示例代码：

import random

random_number = random.randint(1, 10)

print(random_number)

3. datetime库

datetime库用于处理日期和时间。下面是一个使用datetime库获取当前日期和时间的示例代码：

import datetime

current_datetime = datetime.datetime.now()

print(current_datetime)

4. os库

os库提供了与操作系统交互的功能，例如文件和目录操作。下面是一个使用os库创建目录的示例代码：

import os

directory = "new_directory"

os.mkdir(directory)

5. re库

re库用于进行正则表达式匹配和操作。下面是一个使用re库检查字符串是否匹配特定模式的示例代码：

import re

pattern = r"\d{3}-\d{4}"

phone_number = "123-4567"

if re.match(pattern, phone_number):

print("Valid phone number")

else:

print("Invalid phone number")

6. sys库

sys库提供了与Python解释器和系统交互的功能。下面是一个使用sys库获取命令行参数的示例代码：

import sys

arguments = sys.argv

print(arguments)

7. json库

json库用于处理JSON数据的编码和解码。下面是一个使用json库将Python对象转换为JSON字符串的示例代码：

import json

data = {'name': 'John', 'age': 30}

json_string = json.dumps(data)

print(json_string)

8. csv库

csv库用于读取和写入CSV文件。下面是一个使用csv库读取CSV文件的示例代码：

import csv

with open('data.csv', 'r') as file:

csv_reader = csv.reader(file)

for row in csv_reader:

print(row)

9. urllib库

urllib库用于进行URL操作，例如发送HTTP请求。下面是一个使用urllib库发送GET请求的示例代码：

import urllib.request

response = urllib.request.urlopen('http://www.example.com')

html = response.read()

print(html)

10. hashlib库

hashlib库提供了多种哈希算法，用于数据加密和校验。下面是一个使用hashlib库计算SHA256哈希值的示例代码：

import hashlib

data = 'Hello, World!'

hash_object = hashlib.sha256(data.encode())

hash_value = hash_object.hexdigest()

print(hash_value)

11. collections库

collections库提供了额外的数据结构，如有序字典、命名元组等。下面是一个使用collections库的示例代码：

from collections import OrderedDict

data = OrderedDict()

data['apple'] = 4

data['banana'] = 2

data['orange'] = 6

for key, value in data.items():

print(key, value)

12. itertools库

itertools库提供了用于迭代和组合的工具函数。下面是一个使用itertools库生成排列组合的示例代码：

import itertools

data = [1, 2, 3]

permutations = itertools.permutations(data)

combinations = itertools.combinations(data, 2)

for perm in permutations:

print(perm)

for comb in combinations:

print(comb)

13. functools库

functools库提供了一些高阶函数，如partial和reduce等。下面是一个使用functools库的示例代码：

import functools

def multiply(a, b):

return a * b

double = functools.partial(multiply, b=2)

result = double(3)

print(result)

14. time库

time库提供了与时间相关的功能，如获取当前时间、计时等。下面是一个使用time库的示例代码：

import time

start_time = time.time()

time.sleep(2)

end_time = time.time()

elapsed_time = end_time - start_time

print("Elapsed time:", elapsed_time)

二、高级库（常用的第三方库及其功能）

1. NumPy库（科学计算）

NumPy库是Python科学计算的核心库，提供了多维数组对象和各种数学函数，用于进行快速的数值计算。它还提供了用于操作数组的工具和函数。下面是一个使用NumPy库的示例代码：

import numpy as np

array = np.array([1, 2, 3, 4, 5])

print(array)

2. Pandas库 （数据分析）

Pandas库提供了用于数据分析和处理的高级数据结构和函数。它可以轻松处理和操作大型数据集，并提供了数据清洗、转换、合并等功能。下面是一个使用Pandas库的示例代码：

import pandas as pd

data = {'Name': ['John', 'Alice', 'Bob'], 'Age': [25, 30, 35]}

df = pd.DataFrame(data)

print(df)

3. Matplotlib库（数据可视化）

Matplotlib库是一个用于绘制数据可视化图表的库。它提供了各种绘图函数和工具，可以创建线图、散点图、柱状图等各种类型的图表。下面是一个使用Matplotlib库绘制折线图的示例代码：

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]

y = [2, 4, 6, 8, 10]

plt.plot(x, y)

plt.show()

4. Requests库（网络请求）

Requests库是一个简洁而强大的HTTP请求库，用于发送HTTP请求和处理响应。它使得与Web服务进行交互变得更加容易。下面是一个使用Requests库发送GET请求的示例代码：

import requests

response = requests.get('http://www.example.com')

print(response.text)

5. Scrapy库（网络爬虫）

Scrapy是一个用于爬取网站数据的高级Python框架。它提供了强大的抓取和提取功能，可以自动化地从网站上获取数据。Scrapy还具有可扩展性和灵活性，使其成为开发网络爬虫的首选库。 import scrapy

class MySpider(scrapy.Spider):

name = 'example.com'

start_urls = ['http://www.example.com']

def parse(self, response):

# 解析网页内容

pass

6. Django库（Web开发）

Django是一个功能强大且易于使用的Web开发框架。它提供了快速开发高质量Web应用程序所需的各种工具和功能。Django采用了MVC（模型-视图-控制器）架构模式，具有强大的数据库集成和用户认证系统。

from django.http import HttpResponse

def hello(request):

return HttpResponse("Hello, World!")

7. TensorFlow库（机器学习）

TensorFlow是一个开源的机器学习框架，由Google开发。它提供了丰富的工具和库，用于构建和训练机器学习模型。TensorFlow支持各种深度学习算法和神经网络模型，广泛应用于图像识别、自然语言处理等领域。

import tensorflow as tf

x = tf.constant([1, 2, 3, 4, 5])

y = tf.reduce_sum(x)

print(y)

8. PyTorch库（机器学习）

PyTorch是另一个流行的机器学习框架，由Facebook开发。它提供了灵活的张量计算和动态图机制，使得构建和训练神经网络变得更加简单。PyTorch广泛应用于深度学习研究和开发。

import torch

x = torch.tensor([1, 2, 3, 4, 5])

y = torch.sum(x)

print(y)

9. SQLAlchemy库（数据库操作）

SQLAlchemy是一个Python SQL工具包和对象关系映射（ORM）工具。它提供了一种高级的数据库操作方式，可以轻松地进行数据库查询、插入、更新和删除操作。SQLAlchemy支持多种数据库后端，并提供了强大的查询语言和事务管理功能。

from sqlalchemy import create_engine, Column, Integer, String

from sqlalchemy.orm import sessionmaker

from sqlalchemy.ext.declarative import declarative_base

engine = create_engine('sqlite:///example.db')

Session = sessionmaker(bind=engine)

session = Session()

Base = declarative_base()

class User(Base):

__tablename__ = 'users'

id = Column(Integer, primary_key=True)

name = Column(String)

age = Column(Integer)

user = User(name='John', age=25)

session.add(user)

session.commit()

10. Flask库（Web开发）

Flask是一个轻量级的Web开发框架。它提供了简单易用的工具和功能，用于构建Web应用程序。Flask具有灵活性和可扩展性，适用于开发小型到中型的Web应用。

from flask import Flask

app = Flask(__name__)

@app.route('/')

def hello():

return 'Hello, World!'

if __name__ == '__main__':

app.run()

11. Scikit-learn库（机器学习）

Scikit-learn是一个用于机器学习和数据挖掘的库。它提供了各种机器学习算法和工具，可以进行分类、回归、聚类等任务，并且具有丰富的特征工程和模型评估功能。

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

iris = load_iris()

X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

knn = KNeighborsClassifier(n_neighbors=3)

knn.fit(X_train, y_train)

accuracy = knn.score(X_test, y_test)

print(accuracy)

12. BeautifulSoup库（网页解析）

BeautifulSoup是一个用于解析HTML和XML文档的库。它提供了简单而灵活的API，可以从网页中提取数据，进行网页解析和数据提取操作。

from bs4 import BeautifulSoup

import requests

response = requests.get('https://www.example.com')

soup = BeautifulSoup(response.text, 'html.parser')

title = soup.title.string

print(title)

13. Django库（Web开发）：

Django是一个用于构建Web应用程序的高级Python Web框架。它提供了强大的工具和功能，用于快速开发安全、可扩展的Web应用。

from django.http import HttpResponse

def hello(request):

return HttpResponse("Hello, World!")

总结

参考文章

 您阅读本篇文章共花了：