Python 生态系统中常用的库

克里斯蒂亚诺更新

已于 2024-04-17 16:11:21 修改

阅读量312

点赞数 10

分类专栏： python 文章标签： python

于 2024-04-17 15:12:24 首次发布

本文链接：https://blog.csdn.net/weixin_36152801/article/details/137874377

版权

python 专栏收录该内容

19 篇文章 0 订阅

订阅专栏

Python 生态系统中有许多常用的库，涵盖了各种领域，以下是一些常见的 Python 库：

NumPy：用于科学计算的基础库，提供多维数组对象和各种数学函数。

import numpy as np

# 创建一个一维数组
arr1d = np.array([1, 2, 3, 4, 5])
print("一维数组:")
print(arr1d)

# 创建一个二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("\n二维数组:")
print(arr2d)

# 访问数组元素
print("\n访问数组元素:")
print("第一个元素:", arr1d[0])
print("第一个行第二个列的元素:", arr2d[0, 1])

# 数组切片
print("\n数组切片:")
print("前三个元素:", arr1d[:3])
print("第一行:", arr2d[0, :])
print("第一列:", arr2d[:, 0])

# 数组形状操作
print("\n数组形状操作:")
print("一维数组形状:", arr1d.shape)
print("二维数组形状:", arr2d.shape)

# 数组计算
print("\n数组计算:")
arr_sum = np.sum(arr1d)
arr_mean = np.mean(arr2d)
print("一维数组的和:", arr_sum)
print("二维数组的均值:", arr_mean)

Pandas：用于数据处理和分析的库，提供高级数据结构（DataFrame、Series）和数据操作功能。

Matplotlib：用于绘制图表和可视化数据的库，提供各种绘图函数和方法。

import matplotlib.pyplot as plt

# 准备数据
x = [1, 2, 3, 4, 5]
y = [10, 20, 25, 30, 35]

# 创建折线图
plt.plot(x, y)

# 添加标题和标签
plt.title('Simple Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# 显示图形
plt.show()

Scikit-learn：用于机器学习的库，提供各种机器学习算法和工具。

import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

# 生成一些随机数据
np.random.seed(0)
X = 2 * np.random.rand(100, 1)  # 生成 100 个在 [0, 2] 之间的随机数
y = 4 + 3 * X + np.random.randn(100, 1)  # y = 4 + 3x + 噪声

# 使用线性回归模型拟合数据
model = LinearRegression()
model.fit(X, y)

# 绘制数据和拟合直线
plt.scatter(X, y, color='blue')
plt.plot(X, model.predict(X), color='red', linewidth=3)
plt.title('Linear Regression')
plt.xlabel('X')
plt.ylabel('y')
plt.show()

TensorFlow 和 PyTorch：用于深度学习的库，提供高效的神经网络计算和模型构建功能。

# 以下是一个使用 TensorFlow 库进行简单线性回归的示例代码：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 生成一些随机数据
np.random.seed(0)
X = 2 * np.random.rand(100, 1)  # 生成 100 个在 [0, 2] 之间的随机数
y = 4 + 3 * X + np.random.randn(100, 1)  # y = 4 + 3x + 噪声

# 构建 TensorFlow 模型
X_b = np.c_[np.ones((100, 1)), X]  # 在 X 数据中添加偏置项 x0 = 1
theta = tf.Variable(tf.random.normal((2, 1)), name="theta")
X_tf = tf.constant(X_b, dtype=tf.float32, name="X")
y_tf = tf.constant(y, dtype=tf.float32, name="y")
y_pred = tf.matmul(X_tf, theta, name="predictions")
error = y_pred - y_tf
mse = tf.reduce_mean(tf.square(error), name="mse")
gradients = 2 / 100 * tf.matmul(tf.transpose(X_tf), error)
training_op = tf.compat.v1.assign(theta, theta - 0.1 * gradients)

# 训练模型
init = tf.compat.v1.global_variables_initializer()
with tf.compat.v1.Session() as sess:
    sess.run(init)
    for epoch in range(1000):
        if epoch % 100 == 0:
            print("Epoch", epoch, "MSE =", mse.eval())
        sess.run(training_op)
    best_theta = theta.eval()

# 绘制数据和拟合直线
plt.scatter(X, y, color='blue')
plt.plot(X, X_b.dot(best_theta), color='red', linewidth=3)
plt.title('Linear Regression with TensorFlow')
plt.xlabel('X')
plt.ylabel('y')
plt.show()


#这段代码首先生成了一些随机数据，然后使用 TensorFlow 构建了一个简单的线性回归模型，并使用梯度下降算法训练了模型。最后，使用 Matplotlib 绘制了数据散点图和拟合直线。运行代码后，你将看到一个包含数据散点和拟合直线的图形窗口。

Scipy：用于科学计算和技术计算的库，提供各种数学、科学和工程计算功能。
Requests：用于 HTTP 请求的库，提供简单而强大的 API，用于发送和接收 HTTP 请求和响应。
Beautiful Soup 和 Scrapy：用于 Web 爬虫和数据抓取的库，提供解析 HTML 和 XML 文档的功能。

以下是一个使用 Beautiful Soup 库解析 HTML 的简单示例：

假设我们有一个名为 example.html 的 HTML 文件，内容如下：

<!DOCTYPE html>
<html>
<head>
    <title>Example HTML</title>
</head>
<body>
    <h1>Hello, World!</h1>
    <p>This is a paragraph.</p>
    <ul>
        <li>Item 1</li>
        <li>Item 2</li>
        <li>Item 3</li>
    </ul>
</body>
</html>

现在，我们使用 Beautiful Soup 库来解析这个 HTML 文件，并提取其中的文本内容：

from bs4 import BeautifulSoup

# 读取 HTML 文件内容
with open("example.html", "r") as f:
    html_content = f.read()

# 使用 Beautiful Soup 解析 HTML
soup = BeautifulSoup(html_content, "html.parser")

# 提取标题和段落文本内容
title = soup.title.text
paragraph = soup.find("p").text

# 提取无序列表中的项目
items = [li.text for li in soup.find_all("li")]

# 打印结果
print("Title:", title)
print("Paragraph:", paragraph)
print("List Items:", items)

Flask 和 Django：用于 Web 开发的框架，提供构建 Web 应用程序的基础设施和工具。

以下是一个简单的 Flask 应用程序示例，用于创建一个简单的 Web 服务，并返回 "Hello, World!" 消息：
from flask import Flask

# 创建 Flask 应用程序实例
app = Flask(__name__)

# 定义路由和视图函数
@app.route('/')
def hello_world():
    return 'Hello, World!'

# 运行应用程序
if __name__ == '__main__':
    app.run(debug=True)
在这个示例中，我们首先导入了 Flask 类，然后创建了一个 Flask 应用程序实例 app。接着，我们定义了一个路由 /，并指定了一个视图函数 hello_world()，当用户访问该路由时，将会执行该视图函数，并返回 "Hello, World!" 消息。

最后，我们使用 app.run() 方法运行应用程序。debug=True 参数表示在调试模式下运行应用程序，这样当代码发生变化时，应用程序会自动重新加载，方便开发调试。

要运行这个 Flask 应用程序，只需将以上代码保存为一个 Python 文件（如 app.py），然后在命令行中运行 python app.py，Flask 就会启动一个本地的 Web 服务器，并监听默认端口（5000），你可以在浏览器中访问 http://127.0.0.1:5000/ 来查看 "Hello, World!" 消息。

SQLAlchemy：用于数据库操作的库，提供高级的 ORM（对象关系映射）功能，用于简化数据库操作。
Pytest：用于单元测试的库，提供简单而强大的测试框架和工具。
Pillow：用于图像处理的库，提供图像处理和图像格式转换的功能。
OpenCV：用于计算机视觉的库，提供图像处理、计算机视觉和机器学习等功能。
NLTK 和 spaCy：用于自然语言处理的库，提供文本处理、语言分析和机器学习等功能。
Plotly 和 Seaborn：用于高级数据可视化的库，提供交互式图表和统计图表的绘制功能。

以上列举了一些常见的 Python 库，涵盖了数据处理、科学计算、机器学习、Web 开发、图像处理、自然语言处理等多个领域。根据具体需求，可以选择合适的库来提高开发效率和实现功能。

克里斯蒂亚诺更新

关注

10
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
Python 生态系统中常用的库

以下是一个简单的 Flask 应用程序示例，用于创建一个简单的 Web 服务，并返回 "Hello, World!：用于 HTTP 请求的库，提供简单而强大的 API，用于发送和接收 HTTP 请求和响应。：用于数据库操作的库，提供高级的 ORM（对象关系映射）功能，用于简化数据库操作。：用于 Web 爬虫和数据抓取的库，提供解析 HTML 和 XML 文档的功能。：用于高级数据可视化的库，提供交互式图表和统计图表的绘制功能。：用于深度学习的库，提供高效的神经网络计算和模型构建功能。
复制链接

扫一扫