Python中的一些模块总结

1. os模块：这个模块提供一种方便的使用操作系统函数的方法

2. sys模块：这个模块课访问由解释器使用或者维护的变量和与解释器进行交互的函数

os模块与sys模块的区别：os模块负责程序与操作系统的交互，提供访问操作系统底层的接口；sys模块负责程序与python解释器的交互，提供一系列的函数和变量，用于操作python运行时的环境

3.argparse模块：是用于解析命令行参数和选项的标准模块，作用是解析命令行参数。

4.numpy模块：这个模块是的python对多位数组对象的支持：ndarray，具有矢量运算能力，快速、节省时间。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数。

5.scipy模块：此模块是建立在numpy的基础之上，用于数值运算，具有很多适用的操作，如数值积分、优化、统计、信号处理以及图像处理功能。

6.matplotlib模块：这个模块是python的2D绘图库，他以各种硬拷贝格式和跨平台的交互式环境声称出版质量级别的图形。

7.pillow模块：PIL(Python Imaging Library)是python一个强大方便的图像处理库。

8.h5py模块：HDF5是一种文件类型，这个模块是专门用来处理HDF5二进制数据格式，可以存储大量数值数据，并可以轻松地从numpy处理数据。

9.mayavi模块：完全用python编写，不但是一个方便实用的可视化软件，而且可以方便的用python编写扩展，嵌入到用户编写的python程序中，也可以快速绘制三维图。

10.pandas模块：这个模块用于数据导入以及整理，对数据挖掘前期数据的处理工作十分有用，是为了解决数据分析任务而创建的；纳入了大量库和一些标准的数据模型，提供了高效的操作大型数据所需的工具。

11.requests模块：这个模块是一个用于访问网络的，支持HTTP连接保持和连接池，支持使用cookoe保持回话，支持文件上传、自动确定相应内容的编码等。

12.scikit-learn模块：这个模块是用来实现机器学习算法的库，可以实现数据预处理、分类、回归、降维、模型选择扥个常用的机器学习算法。

13.tensorboard模块：是一个可视化工具，能够有效的展示Tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。

14.tensorflow模块：是一个基于数据流编程的符号数学软件库，主要用于深度学习算法的编程实现，拥有多层级的灵活结构，可部署于各类服务器、PC端和网页并支持GPU和TPU(Tensor Processing Unit,由谷歌打造，专为机器学习量身定做，执行每个操作所需的晶体管数量更少，自然效率更高)高性能数值计算，被广泛应用于产品开发和各领域的科学研究。

15.flask模块：这个模块是使用python编写的Web应用框架。

16.struct模块：这个模块主要是讲某些特定的结构类型打包成二进制流的字符串然后再网络传输，而接受终端可以通过某种机制进行解包还原出原始的结构体数据；主要作用就是对python基本类型值与python字符串格式表示的c struct类型间的转换。

17.json模块：这个模块可以将字符串形式的json数据转换为字典，也可以将python中的字典数据转化为字符串形式的json数据。JSON十一中轻量级的数据交换格式，其广泛应用于web服务器和客户端的通讯的数据格式。

18.csv模块：csv是一种很常用也非常简洁方便的对大量数据存储的方式，这个模块主要是对csv文件的内容等进行处理。

19.xlrd模块与xlwt模块：xlrd(xlsx 或 xls  read)，xlwt(xlsx 或 xls  write)对Excel文件进行处理。

20.sqlite3模块：sqlite数据库是一款非常小巧的嵌入式开源数据库软件，也就是说没有独立的维护进程，所有的维护都由程序本身，他使用一个文件存储整个数据库，操作身份简便。

21.StatsModels模块：是一个统用于统计数据分析的方法，例如统计模型估计，执行统计测试等。在它的帮助下，您可以实现许多机器学习方法。

22.Seaborn模块：本质是基于matplotlib库更高级别的API（应用程序编程接口）。它包含有丰富的可视化图库，包括时间序列，联合图和小提琴图（展示数据密度分布）等复杂类型。

23.Plotly模块：是一个流行的库，可以让您轻松的构建复杂的图形，该软件包适用于交互式Web应用程序，起可视化效果包括轮廓图形，三元图和3D图表。

24.Bokeh模块：这个库使用JavaScript小部件在浏览器中创建交互式和可伸缩的可视化。该库提供了多种图形，样式及链接图形式的交互能力，定义回调以及更多有用的功能。可以提供改进的交互式功能，例如分类刻度标签的旋转，以及缩放工具和自定义工具提示字段增强功能。

25.Pydot模块：是Graphviz的一个接口，用纯Python编写，在他的帮助下，可以显示图形的结构，这在构建神经网络和基于决策树的算法时会经常用到。

26.XGBoost/LightGBM/CatBoost库：Boosting时最流行的机器学习算法之一，其在与构建基本模型的集合，即决策树。这三个库的设计用于快速方便的实现该方法。

27.PyTorch模块：是一个大型框架，允许使用GPU加速执行张量的计算，创建动态计算图并自动计算梯度。在此之上，PyTorch提供了丰富的API，用于解决神经网络相关的应用。

28.Keras模块：是一个用于处理神经网络的高级库，运行在Tensorflow、Theano上，现在他可以使用CNTK和MxNet作为后端。他简化了许多特定任务，并大大减少了单调代码的数量。但是，他可能不适合某些复杂的事情。

29.Dist-keras/elephas/spark-deep-learning等模块：用来进行分布式深度学习，这样的分布式计算系统可以更轻松地处理大量数据，在此扩充了深度学习的可能。

30.NLTk模块：NLTk时一组库，是自然语言处理的完整平台，在NLTK的帮助下，您可以通过各种方式处理和分析文本，标记文本，提取信息等，还用于原型设计和构建研究系统。

31.SpaCy模块：是一个自然语言处理的库，包含优秀的demo，API文档和演示程序，该库使用Cython语言编写，他是python的c扩展，支持近30种语言，提供简单的深度学习集成，并保证稳健性和高准确性。SpaCy的另一个重要特性时为整个文档处理而设计，而不会将文档分成短语。

32.Gensim模块：使用一个强大的语义分析，主题建模和向量空间建模的python库，基于numpy和scipy构建，它提供了流行的NLP算法的实现，例如word2vec.

33.Scrapy模块：这是一个用于扫描网站页面和收集结构化数据的爬虫库。此外，Scrapy可以从API中提取数据，由于其可扩展性和可移植性，该库恰好非常方便。