程序员最长走的两条路一是自己去百度；二是找别人帮你百度！！！

1 Python标准库

有时你可能没有想到 Python 标准库中有这么多函数。 Python标准库提供了丰富的功能，包括文本/二进制数据处理、数学运算、函数式编程、文件/目录访问、数据持久化、数据压缩/归档、加密、操作系统服务、并发编程、进程间通信、 网络协议、JSON/XML/其他互联网数据格式、多媒体、国际化、GUI、调试、分析等。下面列出了一些Python标准库模块。

difflib：差异计算工具

collections：建立在列表、元组、字典和集合基础上的加强版数据结构。

csv：处理用逗号分隔值的文件。

datetime, time：日期和时间操作。

decimal：定点或浮点运算，包括货币计算。

doctest：通过验证测试或嵌入在docstring中的预期结果进行简单的单元测试。

json：处理用于Web服务和NoSQL文档数据库的JSON（JavaScript Object Notation）数据。

math：常见的数学常量和运算。

os：与操作系统进行交互。

queue：一种先进先出的数据结构。

random：伪随机数操作。

re：用于模式匹配的正则表达式。

sqlite3：SQLite关系数据库访问。

statistics：数理统计函数，如均值、中值、众数和方差等。

sys：—命令行参数处理，如标准输入流、输出流和错误流。

timeit：性能分析。

string：通用字符串操作

textwrap：文本填充

unicodedata：Unicode字符数据库

stringprep：互联网字符串准备工具

readline：GNU按行读取接口

rlcompleter：GNU按行读取的实现函数

2 数据处理与分析

pandas：一个非常流行的数据处理库。pandas充分利用了NumPy的ndarray类型，它的两个关键数据结构是Series（一维）和DataFrame（二维）。

modin pandas加速库，接口语法与pandas高度一致

dask pandas加速库，接口语法与pandas高度一致

plydatapandas管道语法库

3科学计算与统计

NumPy（Numerical Python）：Python 没有内置的数组数据结构。 虽然它提供的列表类型使用起来更方便，但处理速度较慢。 NumPy 提供了高性能的 ndarray 数据结构来表示列表和矩阵，也提供了处理这些数据结构的操作。

SciPy（Scientific Python）：SciPy 是基于 NumPy 开发的，并添加了用于科学处理的程序，例如积分、微分方程和附加矩阵处理。 scipy.org 管理 SciPy 和 NumPy。

StatsModels：为统计模型评估、统计检验和统计数据研究提供支持。

IPython 是 Python 科学计算标准工具集的一个组成部分。 它可以将很多东西连接在一起，有点类似于 Python shell 的增强版本。 目的是提高编程、测试和调试 Python 代码的速度。 好像很多国外大学教授和谷歌专家都喜欢用IPython，真的很方便。

4 可视化

Pyecharts Echarts 是百度开源的数据可视化。 凭借良好的交互性和精美的图表设计，得到了众多开发者的认可。 而且Python是一种表达性语言，非常适合数据处理。 当数据分析遇上数据可视化，pyecharts应运而生

Matplotlib：高度可定制的可视化和绘图库。 Matplotlib 可以绘制规则图、散点图、直方图、等高线图、饼图、矢量场图、网格图、极坐标图、3D 图，并添加文字说明。

Seaborn：建立在 Matplotlib 上的更高级别的可视化库。 与 Matplotlib 相比，Seaborn 改进了外观，增加了可视化方法，可以用更少的代码创建可视化。

5 机器学习、深度学习和强化学习

scikit-learn：顶级机器学习库。 机器学习是人工智能的一个子集，深度学习是机器学习的一个子集，侧重于神经网络。

Keras：最容易使用的深度学习库之一。 Keras 在 TensorFlow（谷歌）、CNTK（微软的深度学习认知工具包）或 Theano（蒙特利尔大学）上运行。

TensorFlow：由谷歌开发，是使用最广泛的深度学习库。 TensorFlow 可以与 GPU（图形处理单元）或 Google 定制的 TPU（张量处理单元）配合使用，以获得最佳性能。 TensorFlow 在人工智能和大数据分析中有着非常重要的地位，因为人工智能和大数据对数据处理有着巨大的需求。

OpenAI Gym：用于开发、测试和比较强化学习算法的库和开发环境。

pytorch Pytorch 是 Torch 的 Python 版本。 它是 Facebook 开源的一个神经网络框架，专门用于 GPU 加速的深度神经网络 (DNN) 编程。 Torch 是一个经典的张量库，可以对多维矩阵数据进行操作。 它广泛用于机器学习和其他数学密集型应用程序。

与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时更改计算图。 但由于 Torch 语言采用 Lua，在国内一直非常小，逐渐被支持 Python 的 Tensorflow 从用户手中抢走。 作为经典机器学习库 Torch 的移植，PyTorch 为 Python 语言用户编写代码提供了一个舒适的选择。

6自然语言处理

NLTK（Natural Language Toolkit）：用于完成自然语言处理（NLP）任务。

TextBlob：一个面向对象的NLP文本处理库，基于NLTK和模式NLP库构建，简化了许多NLP任务。

Gensim：功能与NLTK类似。通常用于为文档合集构建索引，然后确定另一个文档与索引中每个文档的相似程度。