一、導(dǎo)讀

通常，開(kāi)發(fā)大量原始代碼是一個(gè)費(fèi)時(shí)費(fèi)力的工作而且有時(shí)候有很多專業(yè)知識(shí)我們不可能都一 一弄懂，為了避免這種情況，我們會(huì)盡可能多地使用庫(kù)中已有的類來(lái)創(chuàng)建對(duì)象，通常僅需要一行代碼。因此，庫(kù)能夠幫助我們使用適量的代碼執(zhí)行重要的任務(wù)。我想這也是為什么python能夠活躍在我們身邊的原因之一吧，歡迎大家點(diǎn)贊收藏，日后學(xué)習(xí)。

二、前戲

剛才忘了說(shuō)了，大家在用python的時(shí)候我還是推薦大家下一個(gè)集成開(kāi)發(fā)環(huán)境Anaconda這里面能夠更好的管理這些第三方庫(kù)文件，其好處只有你真正用過(guò)才知道老規(guī)矩想用的話自己查， 老師說(shuō)過(guò)： “程序員最長(zhǎng)走的兩條路一是自己去百度；二是找別人幫你百度！??！” 這真的是名言

三、Python標(biāo)準(zhǔn)庫(kù)

有時(shí)候你可能想不到python標(biāo)準(zhǔn)庫(kù)里面有這么多工功能，Python標(biāo)準(zhǔn)庫(kù)提供了豐富的功能，包括文本/二進(jìn)制數(shù)據(jù)處理、數(shù)學(xué)運(yùn)算、函數(shù)式編程、文件/目錄訪問(wèn)、數(shù)據(jù)持久化、數(shù)據(jù)壓縮/歸檔、加密、操作系統(tǒng)服務(wù)、并發(fā)編程、進(jìn)程間通信、網(wǎng)絡(luò)協(xié)議、JSON / XML /其他Internet數(shù)據(jù)格式、多媒體、國(guó)際化、GUI、調(diào)試、分析等。下面列出了一部分Python標(biāo)準(zhǔn)庫(kù)模塊。

• difflib：差異計(jì)算工具
• collections：建立在列表、元組、字典和集合基礎(chǔ)上的加強(qiáng)版數(shù)據(jù)結(jié)構(gòu)。
• csv：處理用逗號(hào)分隔值的文件。
• datetime, time：日期和時(shí)間操作。
• decimal：定點(diǎn)或浮點(diǎn)運(yùn)算，包括貨幣計(jì)算。
• doctest：通過(guò)驗(yàn)證測(cè)試或嵌入在docstring中的預(yù)期結(jié)果進(jìn)行簡(jiǎn)單的單元測(cè)試。
• json：處理用于Web服務(wù)和NoSQL文檔數(shù)據(jù)庫(kù)的JSON（JavaScript Object Notation）數(shù)據(jù)。
• math：常見(jiàn)的數(shù)學(xué)常量和運(yùn)算。
• os：與操作系統(tǒng)進(jìn)行交互。
• queue：一種先進(jìn)先出的數(shù)據(jù)結(jié)構(gòu)。
• random：偽隨機(jī)數(shù)操作。
• re：用于模式匹配的正則表達(dá)式。
• sqlite3：SQLite關(guān)系數(shù)據(jù)庫(kù)訪問(wèn)。
• statistics：數(shù)理統(tǒng)計(jì)函數(shù)，如均值、中值、眾數(shù)和方差等。
• sys：—命令行參數(shù)處理，如標(biāo)準(zhǔn)輸入流、輸出流和錯(cuò)誤流。
• timeit：性能分析。
• string：通用字符串操作
• textwrap：文本填充
• unicodedata：Unicode字符數(shù)據(jù)庫(kù)
• stringprep：互聯(lián)網(wǎng)字符串準(zhǔn)備工具
• readline：GNU按行讀取接口
• rlcompleter：GNU按行讀取的實(shí)現(xiàn)函數(shù)

Python擁有一個(gè)龐大且仍在快速增長(zhǎng)的開(kāi)源社區(qū)，社區(qū)中的開(kāi)發(fā)者來(lái)自許多不同的領(lǐng)域。該社區(qū)中有大量的開(kāi)源庫(kù)是Python受歡迎的最重要的原因之一。

許多任務(wù)只需要幾行Python代碼就可以完成，這會(huì)令人感到很神奇。下面列出了一些流行的數(shù)據(jù)科學(xué)庫(kù)。

四、科學(xué)計(jì)算與統(tǒng)計(jì)

• NumPy（Numerical Python）：Python沒(méi)有內(nèi)置的數(shù)組數(shù)據(jù)結(jié)構(gòu)。它提供的列表類型雖然使用起來(lái)更方便，但是處理速度較慢。NumPy提供了高性能的ndarray數(shù)據(jù)結(jié)構(gòu)來(lái)表示列表和矩陣，同時(shí)還提供了處理這些數(shù)據(jù)結(jié)構(gòu)的操作。
• SciPy（Scientific Python）：SciPy基于NumPy開(kāi)發(fā)，增加了用于科學(xué)處理的程序，例如積分、微分方程、額外的矩陣處理等。scipy.org負(fù)責(zé)管理SciPy和NumPy。
• StatsModels：為統(tǒng)計(jì)模型評(píng)估、統(tǒng)計(jì)測(cè)試和統(tǒng)計(jì)數(shù)據(jù)研究提供支持。
• IPython是Python科學(xué)計(jì)算標(biāo)準(zhǔn)工具集的組成部分,它可以把很多東西聯(lián)系到一起,有點(diǎn)類似一個(gè)增強(qiáng)版的Python shell。目的是為了提高編程，測(cè)試和調(diào)試Python代碼的速度，好像很多國(guó)外的大學(xué)教授，還有Google大牛都很喜歡用IPython，確實(shí)很方便。

五、數(shù)據(jù)處理與分析

pandas：一個(gè)非常流行的數(shù)據(jù)處理庫(kù)。pandas充分利用了NumPy的ndarray類型，它的兩個(gè)關(guān)鍵數(shù)據(jù)結(jié)構(gòu)是Series（一維）和DataFrame（二維）。

modin[14] pandas加速庫(kù)，接口語(yǔ)法與pandas高度一致

dask[15] pandas加速庫(kù)，接口語(yǔ)法與pandas高度一致

plydata[16] pandas管道語(yǔ)法庫(kù)

六、可視化

Pyecharts Echarts 是個(gè)由百度開(kāi)源的數(shù)據(jù)可視化，憑借著良好的交互性，精巧的圖表設(shè)計(jì)，得到了眾多開(kāi)發(fā)者的認(rèn)可。而 Python 是門富有表達(dá)力的語(yǔ)言，很適合用于數(shù)據(jù)處理。當(dāng)數(shù)據(jù)分析遇上數(shù)據(jù)可視化時(shí)pyecharts 誕生了

Matplotlib：可高度定制的可視化和繪圖庫(kù)。Matplotlib可以繪制正規(guī)圖、散點(diǎn)圖、柱狀圖、等高線圖、餅圖、矢量場(chǎng)圖、網(wǎng)格圖、極坐標(biāo)圖、3D圖以及添加文字說(shuō)明等。

Seaborn：基于Matplotlib構(gòu)建的更高級(jí)別的可視化庫(kù)。與Matplotlib相比，Seaborn改進(jìn)了外觀，增加了可視化的方法，并且可以使用更少的代碼創(chuàng)建可視化。

七、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)

• scikit-learn：一個(gè)頂級(jí)的機(jī)器學(xué)習(xí)庫(kù)。機(jī)器學(xué)習(xí)是AI的一個(gè)子集，深度學(xué)習(xí)則是機(jī)器學(xué)習(xí)的一個(gè)子集，專注于神經(jīng)網(wǎng)絡(luò)。
• Keras：最易于使用的深度學(xué)習(xí)庫(kù)之一。Keras運(yùn)行在TensorFlow（谷歌）、CNTK（微軟的深度學(xué)習(xí)認(rèn)知工具包）或Theano（蒙特利爾大學(xué)）之上。
• TensorFlow：由谷歌開(kāi)發(fā)，是使用最廣泛的深度學(xué)習(xí)庫(kù)。TensorFlow與GPU（圖形處理單元）或谷歌的定制TPU（Tensor處理單元）配合使用可以獲得最佳的性能。TensorFlow在人工智能和大數(shù)據(jù)分析中有非常重要的地位，因?yàn)槿斯ぶ悄芎痛髷?shù)據(jù)對(duì)數(shù)據(jù)處理的需求非常巨大。
• OpenAI Gym：用于開(kāi)發(fā)、測(cè)試和比較強(qiáng)化學(xué)習(xí)算法的庫(kù)和開(kāi)發(fā)環(huán)境。
• pytorch  Pytorch是torch的python版本，是由Facebook開(kāi)源的神經(jīng)網(wǎng)絡(luò)框架，專門針對(duì) GPU 加速的深度神經(jīng)網(wǎng)絡(luò)（DNN）編程。Torch 是一個(gè)經(jīng)典的對(duì)多維矩陣數(shù)據(jù)進(jìn)行操作的張量（tensor ）庫(kù)，在機(jī)器學(xué)習(xí)和其他數(shù)學(xué)密集型應(yīng)用有廣泛應(yīng)用。與Tensorflow的靜態(tài)計(jì)算圖不同，pytorch的計(jì)算圖是動(dòng)態(tài)的，可以根據(jù)計(jì)算需要實(shí)時(shí)改變計(jì)算圖。但由于Torch語(yǔ)言采用 Lua，導(dǎo)致在國(guó)內(nèi)一直很小眾，并逐漸被支持 Python 的 Tensorflow 搶走用戶。作為經(jīng)典機(jī)器學(xué)習(xí)庫(kù) Torch 的端口，PyTorch 為 Python 語(yǔ)言使用者提供了舒適的寫(xiě)代碼選擇。

八、自然語(yǔ)言處理

• NLTK（Natural Language Toolkit）：用于完成自然語(yǔ)言處理（NLP）任務(wù)。
• TextBlob：一個(gè)面向?qū)ο蟮腘LP文本處理庫(kù)，基于NLTK和模式NLP庫(kù)構(gòu)建，簡(jiǎn)化了許多NLP任務(wù)。
• Gensim：功能與NLTK類似。通常用于為文檔合集構(gòu)建索引，然后確定另一個(gè)文檔與索引中每個(gè)文檔的相似程度。

到此這篇關(guān)于Python的這些庫(kù),你知道多少?的文章就介紹到這了,更多相關(guān)Python庫(kù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！