哪些 Python 库让你相见恨晚？

最新推荐文章于 2024-10-28 15:38:22 发布

安全工程师教程

最新推荐文章于 2024-10-28 15:38:22 发布

阅读量128

点赞数

分类专栏： Python 文章标签： python 数据分析 numpy Python库 Python教程

本文链接：https://blog.csdn.net/weixin_46428928/article/details/128678975

版权

Python 专栏收录该内容

112 篇文章 3 订阅

订阅专栏

前言

Python有许多优秀的库，下面是几个让我相见恨晚的库：

NumPy：NumPy是Python的一个数学计算库，主要用于处理数组和矩阵运算。NumPy提供了高效的数学函数和数据结构，可以大大简化科学计算、机器学习等领域的代码。

NumPy是Python的一个数学计算库，主要用于处理数组和矩阵运算。NumPy的核心是一个多维数组对象numpy.ndarray，可以使用NumPy的函数和运算符对数组进行各种操作。

NumPy提供了许多高效的数学函数，如数组的点积、矩阵乘法、随机数生成、线性代数运算等。NumPy还支持常用的统计函数，如均值、方差、相关系数等。

NumPy的数组可以很方便地与其他库集成，如与Matplotlib一起用来进行数据可视化，或与Scikit-learn一起用来进行机器学习。

NumPy的安装很简单，可以使用命令“pip install numpy”在终端安装。安装成功后，你就可以在Python中使用import numpy来引入NumPy库了。

下面是一些简单的使用示例：

import numpy as np

# 创建一个1维数组
a = np.array([1, 2, 3])
print(a)  # 输出 [1 2 3]
print(a.shape)  # 输出 (3,)

# 创建一个2维数组
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)  # 输出 [[1 2 3] [4 5 6]]
print(b.shape)  # 输出 (2, 3)

# 创建一个全0数组
c = np.zeros((2, 3))
print(c)  # 输出 [[0. 0. 0.] [0. 0. 0.]]

# 创建一个全1数组
d = np.ones((2, 3))
print(d)  # 输出 [[1. 1. 1.] [1. 1. 1.]]

# 创建一个等差数组
e = np.arange(1, 10, 2)
print(e)  # 输出 [1 3 5 7 9]

# 创建一个均匀分布数组
f = np.linspace(0, 1, 10)
print(f)  # 输出 [0. 0.11111111 0.22222222 0.33333333 0.44444444 0.55555556 0.66666666 0.77777778 0.88888889 1. ]

# 创建一个随机数组
g = np.random.rand(2, 3)
print(g)  # 输出 [[0.84845371 0.67065408 0.57993819] [0.69786009 0.12500937 0.87428388]]

# 对数组进行矩阵乘法
h = np.dot(b, c)
print(h)  # 输出 [[0. 0. 0.] [0. 0. 0.]]

# 对数组进行基本统计
i = np.mean(b)
print(i)  # 输出 3.5
j = np.var(b)
print(j)  # 输出 3.5
k = np.cov(b)
print(k)  # 输出 [[1. 1.] [1. 1

Pandas：Pandas是Python的一个数据分析库，主要用于处理表格型数据。Pandas提供了高效的数据结构和数据处理函数，可以大大简化数据清洗、数据可视化等工作。

Pandas是Python的一个数据分析库，主要用于处理表格型数据。Pandas的核心数据结构是一种叫做DataFrame的二维表格，可以使用Pandas的函数和方法对表格进行各种操作。

Pandas提供了许多高效的数据处理函数，如数据清洗、数据转换、数据透视、数据合并等。Pandas还支持各种数据格式的读写，如CSV、Excel、JSON、SQL等。

Pandas的数据可以很方便地与其他库集成，如与NumPy一起用来进行数据分析，或与Matplotlib一起用来进行数据可视化。

Pandas的安装很简单，可以使用命令“pip install pandas”在终端安装。安装成功后，你就可以在Python中使用import pandas来引入Pandas库了。

下面是一些简单的Pandas使用示例：

import pandas as pd

# 创建一个DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
print(df)  # 输出   A  B
          # 0  1  4
          # 1  2  5
          # 2  3  6

# 读取CSV文件
df = pd.read_csv('file.csv')

# 读取Excel文件
df = pd.read_excel('file.xlsx')

# 读取SQL表
import sqlite3
conn = sqlite3.connect('database.db')
df = pd.read_sql_query('SELECT * FROM table', conn)

# 写入CSV文件
df.to_csv('file.csv', index=False)

# 写入Excel
df.to_excel('file.xlsx', index=False)

#写入SQL表
df.to_sql('table', conn, if_exists='replace')

#选择DataFrame的某一列
df['A'] # 输出 0 1
# 1 2
# 2 3

#选择DataFrame的多列
df[['A', 'B']] # 输出 A B
# 0 1 4
# 1 2 5
# 2 3 6

#选择DataFrame的某一行
df.loc[0] 
# 输出 A 1
# B 4
# Name: 0, dtype: int64

#选择DataFrame的多行
df.loc[[0, 1]] 
# 输出 A B
# 0 1 4
# 1 2 5

#选择DataFrame的某一个元素
df.at[0, 'A']
# 输出 1

#过滤DataFrame的某一列
df[df['A'] > 1] 
# 输出 A B
# 1 2 5
# 2 3 6

#对DataFrame的某一列排序
df.sort_values(by='A') 
# 输出 A B
# 0 1 4
# 1 2 5
# 2 3 6

#对DataFrame的某一列分组并计算平均值
df.groupby('A').mean() 
# 输出 B
# A
# 1 4
# 2 5
# 3 6

#对DataFrame进行透视
df.pivot_table(index='A', values='B', aggfunc=np.mean)
# 输出 B
# A
# 1 4
# 2 5
# 3 6
# 合并两个DataFrame
df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
df2 = pd.DataFrame({'A': [4, 5, 6], 'B': [7, 8, 9]})
df = pd.concat([df1, df2])  # 输出   A  B
                            # 0  1  4
                            # 1  2  5
                            # 2  3  6
                            # 3  4  7
                            # 4  5  8
                            # 5  6  9

# 合并两个DataFrame的交集
df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
df2 = pd.DataFrame({'A': [2, 3, 4], 'B': [5, 6, 7]})
df = pd.merge(df1, df2, on='A') 

# 输出   A  B_x  B_y
# 0  2  5    5
# 1  3  6    6


# 合并两个DataFrame的并集
df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
df2 = pd.DataFrame({'A': [2, 3, 4], 'B': [5, 6, 7]})
df = df1.append(df2, ignore_index=True)  
# 输出   A  B
# 0  1  4
# 1  2  5
# 2  3  6
# 3  2  5
# 4  3  6
 # 5  4  7

Matplotlib：Matplotlib是Python的一个可视化库，主要用于绘制各种图表。Matplotlib提供了丰富的图表类型和自定义功能，可以方便地将数据可视化出来。

Matplotlib是Python的一个绘图库，可以用来生成各种图表。Matplotlib的核心功能是使用若干个数组生成各种类型的图表。

Matplotlib支持多种图表类型，如线图、散点图、柱状图、饼图、箱线图、直方图等。Matplotlib支持各种图表的多种样式，可以自定义图表的各种外观属性。

Matplotlib的安装很简单，可以使用命令“pip install matplotlib”在终端安装。安装成功后，你就可以在Python中使用import matplotlib来引入Matplotlib库了。

下面是一些简单的Matplotlib使用示例：

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 绘制线图
plt.plot(x, y)
plt.show()

PyTorch：PyTorch是Python的一个深度学习框架，主要用于构建和训练神经网络。PyTorch提供了丰富的神经网络层和优化器，可以方便地搭建和训练深度学习模型

PyTorch是一个用于深度学习的开源机器学习框架。它是基于Python的，提供了许多用于深度学习的工具和库，可以让你轻松地构建、训练和部署深度学习模型。

PyTorch提供了一个简单的接口，可以方便地定义和训练深度学习模型。它还有许多用于调试和优化模型的工具，如可视化、计算梯度、计算模型参数大小等。

PyTorch有许多强大的功能，如支持动态计算图、模型并行、分布式训练等。这些功能使得PyTorch成为了研究和生产环境中的首选框架之一。

PyTorch的安装很简单，可以使用命令“pip install torch”在终端安装。安装成功后，你就可以在Python中使用import torch来引入PyTorch库了。

下面是一些简单的PyTorch使用示例：

import torch

# 创建张量
x = torch.tensor([[1, 2], [3, 4]])
print(x)  # 输出 tensor([[1, 2],
                 #        [3, 4]])

# 进行矩阵乘法
y = x @ torch.tensor([[5, 6], [7, 8]])
print(y)  # 输出 tensor([[19, 22],
                 #        [43, 50]])

# 进行Softmax运算
z = torch.softmax(y, dim=1)
print(z)  # 输出 tensor([[0.2689, 0.7311],

Scikit-learn：Scikit-learn是Python的一个机器学习库，主要用于实现常用的机器学习算法。Scikit-learn提供了各种分类、回归、聚类等算法，可以方便地进行机器学习任务。

Scikit-learn的使用非常方便，可以使用一致的接口来调用各种机器学习算法。它还提供了许多用于数据预处理、模型评估和参数调优的工具，可以让你轻松地进行机器学习任务。

Scikit-learn是一个非常流行的机器学习库，在研究和生产环境中都有广泛的应用。它的安装很简单，可以使用命令“pip install scikit-learn”在终端安装。安装成功后，你就可以在Python中使用import sklearn来引入Scikit-learn库了。

下面是一些简单的Scikit-learn使用示例：

import sklearn
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# 加载数据
boston = load_boston()
X = boston['data']
y = boston['target']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 计算模型的精度
acc = model.score(X_test, y_test)
print(acc)  # 输出 0.7697699488741149

# 预测新的数据
X_new = [[0.00632, 18.00, 2.310, 0, 0.5380, 6.5750, 65.20, 4.0900, 1, 296.0, 15.30, 396.90, 4.98]]
y_pred = model.predict(X_new)
print(y_pred)  # 输出 [28.54]



import sklearn
from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB

# 加载数据
categories = ['alt.atheism', 'soc.religion.christian']
newsgroups_train = fetch_20newsgroups(subset='train', categories=categories)
newsgroups_test = fetch_20newsgroups(subset='test', categories=categories)

# 对文本进行特征提取
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(newsgroups_train.data)
X_test = vectorizer.transform(newsgroups_test.data)
y_train = newsgroups_train.target
y_test = newsgroups_test.target

# 训练朴素贝叶斯分类器
model = MultinomialNB()
model.fit(X_train, y_train)

# 计算模型的精度
acc = model.score(X_test, y_test)
print(acc)  # 输出 0.834886817577197

# 预测新的数据
X_new = ["God is love"]
X_new = vectorizer.transform(X_new)
y_pred = model.predict(X_new)
print(y_pred)  # 输出 [1]

TensorFlow：TensorFlow是Python的一个深度学习框架，主要用于构建和训练神经网络。TensorFlow提供了丰富的神经网络层和优化器，可以方便地搭建和训练深度学习模型。

TensorFlow是Google开发的用于深度学习的开源机器学习框架。它是基于Python的，提供了许多用于深度学习的工具和库，可以让你轻松地构建、训练和部署深度学习模型。

TensorFlow有两个版本：TensorFlow和TensorFlow 2。TensorFlow是一个低级的框架，可以让你构建任意的机器学习模型，但需要自己编写大量代码。TensorFlow 2是一个高级的框架，提供了许多便于使用的工具和API，可以让你快速构建和训练深度学习模型。

TensorFlow的安装很简单，可以使用命令“pip install tensorflow”或“pip install tensorflow==2”在终端安装。安装成功后，你就可以在Python中使用import tensorflow来引入TensorFlow库了。

下面是一些简单的TensorFlow使用示例：

import tensorflow as tf

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1])
])

# 编译模型
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.001), loss='mean_squared_error')

# 训练模型
history = model.fit(x=[1, 2, 3, 4], y=[2, 4, 6, 8], epochs=10)

# 预测新的数据
x_new = [[5]]
y_pred = model.predict(x_new)
print(y_pred)  # 输出 [[10.000029]]

Keras：Keras是Python的一个深度学习库，主要用于构建和训练神经网络。Keras提供了高度抽象的神经网络层和优化器，可以让你快速构建和训练

Keras是一个开源的神经网络库，是TensorFlow的一个高级封装，可以让你轻松地构建、训练和使用神经网络模型。Keras有两个版本：Keras和tf.keras。

Keras是独立于TensorFlow的，可以和其他后端如Theano、CNTK等集成使用。tf.keras是TensorFlow的一部分，只能和TensorFlow集成使用。

Keras的使用非常方便，可以通过简单的几行代码就能构建和训练神经网络模型。它提供了许多常用的神经网络层、损失函数和优化器，可以让你快速构建深度学习模型。

import tensorflow as tf

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1])
])

# 编译模型
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.001), loss='mean_squared_error')

# 训练模型
history = model.fit(x=[1, 2, 3, 4], y=[2, 4, 6, 8], epochs=10)

# 预测新的数据
x_new = [[5]]
y_pred = model.predict(x_new)
print(y_pred)  # 输出 [[10.000029]]

# 保存模型
model.save('model.h5')

# 加载模型
model = tf.keras.models.load_model('model.h5')
y_pred = model.predict(x_new)
print(y_pred)  # 输出 [[10.000029]]

读者福利：如果你对Python感兴趣，小编便准备了这套python学习资料

对于0基础小白入门：