【Python入门系列】第六篇:Python常用内置库总结

本文涉及的产品
云解析 DNS,旗舰版 1个月
公共DNS(含HTTPDNS解析),每月1000万次HTTP解析
全局流量管理 GTM,标准版 1个月
简介: Python是一种功能强大的编程语言,拥有众多内置库,这些库提供了各种各样的功能和工具,方便开发人员进行各种任务。本文将介绍Python中所有常用的内置库,并提供相应的代码示例。

前言

Python是一种功能强大的编程语言,拥有众多内置库,这些库提供了各种各样的功能和工具,方便开发人员进行各种任务。本文将介绍Python中所有常用的内置库,并提供相应的代码示例。

一、基础库

1. math库

math库提供了数学运算相关的函数和常量。下面是一个使用math库计算平方根的示例代码:

import math
number = 16
square_root = math.sqrt(number)
print(square_root)

2. random库

random库用于生成随机数。下面是一个使用random库生成随机整数的示例代码:

import random
random_number = random.randint(1, 10)
print(random_number)

3. datetime库

datetime库用于处理日期和时间。下面是一个使用datetime库获取当前日期和时间的示例代码:

import datetime
current_datetime = datetime.datetime.now()
print(current_datetime)

4. os库

os库提供了与操作系统交互的功能,例如文件和目录操作。下面是一个使用os库创建目录的示例代码:

import os
directory = "new_directory"
os.mkdir(directory)

5. re库

re库用于进行正则表达式匹配和操作。下面是一个使用re库检查字符串是否匹配特定模式的示例代码:

import re
pattern = r"\d{3}-\d{4}"
phone_number = "123-4567"
if re.match(pattern, phone_number):
    print("Valid phone number")
else:
print("Invalid phone number")

6. sys库

sys库提供了与Python解释器和系统交互的功能。下面是一个使用sys库获取命令行参数的示例代码:

import sys
arguments = sys.argv
print(arguments)

7. json库

json库用于处理JSON数据的编码和解码。下面是一个使用json库将Python对象转换为JSON字符串的示例代码:

import json
data = {'name': 'John', 'age': 30}
json_string = json.dumps(data)
print(json_string)

8. csv库

csv库用于读取和写入CSV文件。下面是一个使用csv库读取CSV文件的示例代码:

import csv
with open('data.csv', 'r') as file:
    csv_reader = csv.reader(file)
    for row in csv_reader:
        print(row)

9. urllib库

urllib库用于进行URL操作,例如发送HTTP请求。下面是一个使用urllib库发送GET请求的示例代码:

import urllib.request
response = urllib.request.urlopen('http://www.example.com')
html = response.read()
print(html)

10. hashlib库

hashlib库提供了多种哈希算法,用于数据加密和校验。下面是一个使用hashlib库计算SHA256哈希值的示例代码:

import hashlib
data = 'Hello, World!'
hash_object = hashlib.sha256(data.encode())
hash_value = hash_object.hexdigest()
print(hash_value)

11. collections库

collections库提供了额外的数据结构,如有序字典、命名元组等。下面是一个使用collections库的示例代码:

from collections import OrderedDict
data = OrderedDict()
data['apple'] = 4
data['banana'] = 2
data['orange'] = 6
for key, value in data.items():
    print(key, value)

12. itertools库

itertools库提供了用于迭代和组合的工具函数。下面是一个使用itertools库生成排列组合的示例代码:

import itertools
data = [1, 2, 3]
permutations = itertools.permutations(data)
combinations = itertools.combinations(data, 2)
for perm in permutations:
    print(perm)
for comb in combinations:
    print(comb)

13. functools库

functools库提供了一些高阶函数,如partial和reduce等。下面是一个使用functools库的示例代码:

import functools
def multiply(a, b):
    return a * b
double = functools.partial(multiply, b=2)
result = double(3)
print(result)

14. time库

time库提供了与时间相关的功能,如获取当前时间、计时等。下面是一个使用time库的示例代码:

import time
start_time = time.time()
time.sleep(2)
end_time = time.time()
elapsed_time = end_time - start_time
print("Elapsed time:", elapsed_time)

二、高级库(常用的第三方库及其功能)

1. NumPy库(科学计算)

NumPy库是Python科学计算的核心库,提供了多维数组对象和各种数学函数,用于进行快速的数值计算。它还提供了用于操作数组的工具和函数。下面是一个使用NumPy库的示例代码:

import numpy as np
array = np.array([1, 2, 3, 4, 5])
print(array)

2. Pandas库 (数据分析)

Pandas库提供了用于数据分析和处理的高级数据结构和函数。它可以轻松处理和操作大型数据集,并提供了数据清洗、转换、合并等功能。下面是一个使用Pandas库的示例代码:

import pandas as pd
data = {'Name': ['John', 'Alice', 'Bob'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
print(df)

3. Matplotlib库(数据可视化)

Matplotlib库是一个用于绘制数据可视化图表的库。它提供了各种绘图函数和工具,可以创建线图、散点图、柱状图等各种类型的图表。下面是一个使用Matplotlib库绘制折线图的示例代码:

import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
plt.plot(x, y)
plt.show()

4. Requests库(网络请求)

Requests库是一个简洁而强大的HTTP请求库,用于发送HTTP请求和处理响应。它使得与Web服务进行交互变得更加容易。下面是一个使用Requests库发送GET请求的示例代码:

import requests
response = requests.get('http://www.example.com')
print(response.text)

5. Scrapy库(网络爬虫)

Scrapy是一个用于爬取网站数据的高级Python框架。它提供了强大的抓取和提取功能,可以自动化地从网站上获取数据。Scrapy还具有可扩展性和灵活性,使其成为开发网络爬虫的首选库。
import scrapy

class MySpider(scrapy.Spider):
    name = 'example.com'
    start_urls = ['http://www.example.com']

    def parse(self, response):
        # 解析网页内容
        pass

6. Django库(Web开发)

Django是一个功能强大且易于使用的Web开发框架。它提供了快速开发高质量Web应用程序所需的各种工具和功能。Django采用了MVC(模型-视图-控制器)架构模式,具有强大的数据库集成和用户认证系统。

from django.http import HttpResponse

def hello(request):
    return HttpResponse("Hello, World!")

7. TensorFlow库(机器学习)

TensorFlow是一个开源的机器学习框架,由Google开发。它提供了丰富的工具和库,用于构建和训练机器学习模型。TensorFlow支持各种深度学习算法和神经网络模型,广泛应用于图像识别、自然语言处理等领域。

import tensorflow as tf

x = tf.constant([1, 2, 3, 4, 5])
y = tf.reduce_sum(x)
print(y)

8. PyTorch库(机器学习)

PyTorch是另一个流行的机器学习框架,由Facebook开发。它提供了灵活的张量计算和动态图机制,使得构建和训练神经网络变得更加简单。PyTorch广泛应用于深度学习研究和开发。

import torch

x = torch.tensor([1, 2, 3, 4, 5])
y = torch.sum(x)
print(y)

9. SQLAlchemy库(数据库操作)

SQLAlchemy是一个Python SQL工具包和对象关系映射(ORM)工具。它提供了一种高级的数据库操作方式,可以轻松地进行数据库查询、插入、更新和删除操作。SQLAlchemy支持多种数据库后端,并提供了强大的查询语言和事务管理功能。

from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.orm import sessionmaker
from sqlalchemy.ext.declarative import declarative_base

engine = create_engine('sqlite:///example.db')
Session = sessionmaker(bind=engine)
session = Session()

Base = declarative_base()

class User(Base):
    __tablename__ = 'users'
    id = Column(Integer, primary_key=True)
    name = Column(String)
    age = Column(Integer)

user = User(name='John', age=25)
session.add(user)
session.commit()

10. Flask库(Web开发)

Flask是一个轻量级的Web开发框架。它提供了简单易用的工具和功能,用于构建Web应用程序。Flask具有灵活性和可扩展性,适用于开发小型到中型的Web应用。

from flask import Flask
 app = Flask(__name__)
@app.route('/')
def hello():
    return 'Hello, World!'
if __name__ == '__main__':
app.run()

11. Scikit-learn库(机器学习)

Scikit-learn是一个用于机器学习和数据挖掘的库。它提供了各种机器学习算法和工具,可以进行分类、回归、聚类等任务,并且具有丰富的特征工程和模型评估功能。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)
accuracy = knn.score(X_test, y_test)
print(accuracy)

12. BeautifulSoup库(网页解析)

BeautifulSoup是一个用于解析HTML和XML文档的库。它提供了简单而灵活的API,可以从网页中提取数据,进行网页解析和数据提取操作。

from bs4 import BeautifulSoup
import requests
response = requests.get('https://www.example.com')
soup = BeautifulSoup(response.text, 'html.parser')
title = soup.title.string
print(title)

13. Django库(Web开发):

Django是一个用于构建Web应用程序的高级Python Web框架。它提供了强大的工具和功能,用于快速开发安全、可扩展的Web应用。

from django.http import HttpResponse
def hello(request):
    return HttpResponse("Hello, World!")

总结

目录
相关文章
|
9天前
|
数据采集 存储 XML
Python爬虫定义入门知识
Python爬虫是用于自动化抓取互联网数据的程序。其基本概念包括爬虫、请求、响应和解析。常用库有Requests、BeautifulSoup、Scrapy和Selenium。工作流程包括发送请求、接收响应、解析数据和存储数据。注意事项包括遵守Robots协议、避免过度请求、处理异常和确保数据合法性。Python爬虫强大而灵活,但使用时需遵守法律法规。
|
10天前
|
Python
深入理解Python装饰器:从入门到实践####
本文旨在通过简明扼要的方式,为读者揭开Python装饰器的神秘面纱,从基本概念、工作原理到实际应用场景进行全面解析。不同于常规的摘要仅概述内容概要,本文将直接以一段精炼代码示例开篇,展示装饰器如何优雅地增强函数功能,激发读者探索兴趣,随后深入探讨其背后的机制与高级用法。 ####
40 11
|
6天前
|
机器学习/深度学习 人工智能 TensorFlow
人工智能浪潮下的自我修养:从Python编程入门到深度学习实践
【10月更文挑战第39天】本文旨在为初学者提供一条清晰的道路,从Python基础语法的掌握到深度学习领域的探索。我们将通过简明扼要的语言和实际代码示例,引导读者逐步构建起对人工智能技术的理解和应用能力。文章不仅涵盖Python编程的基础,还将深入探讨深度学习的核心概念、工具和实战技巧,帮助读者在AI的浪潮中找到自己的位置。
|
6天前
|
机器学习/深度学习 数据挖掘 Python
Python编程入门——从零开始构建你的第一个程序
【10月更文挑战第39天】本文将带你走进Python的世界,通过简单易懂的语言和实际的代码示例,让你快速掌握Python的基础语法。无论你是编程新手还是想学习新语言的老手,这篇文章都能为你提供有价值的信息。我们将从变量、数据类型、控制结构等基本概念入手,逐步过渡到函数、模块等高级特性,最后通过一个综合示例来巩固所学知识。让我们一起开启Python编程之旅吧!
|
6天前
|
存储 Python
Python编程入门:打造你的第一个程序
【10月更文挑战第39天】在数字时代的浪潮中,掌握编程技能如同掌握了一门新时代的语言。本文将引导你步入Python编程的奇妙世界,从零基础出发,一步步构建你的第一个程序。我们将探索编程的基本概念,通过简单示例理解变量、数据类型和控制结构,最终实现一个简单的猜数字游戏。这不仅是一段代码的旅程,更是逻辑思维和问题解决能力的锻炼之旅。准备好了吗?让我们开始吧!
|
12天前
|
Java 测试技术 持续交付
【入门思路】基于Python+Unittest+Appium+Excel+BeautifulReport的App/移动端UI自动化测试框架搭建思路
本文重点讲解如何搭建App自动化测试框架的思路,而非完整源码。主要内容包括实现目的、框架设计、环境依赖和框架的主要组成部分。适用于初学者,旨在帮助其快速掌握App自动化测试的基本技能。文中详细介绍了从需求分析到技术栈选择,再到具体模块的封装与实现,包括登录、截图、日志、测试报告和邮件服务等。同时提供了运行效果的展示,便于理解和实践。
48 4
【入门思路】基于Python+Unittest+Appium+Excel+BeautifulReport的App/移动端UI自动化测试框架搭建思路
|
6天前
|
设计模式 缓存 开发框架
Python中的装饰器:从入门到实践####
本文深入探讨了Python中装饰器的工作原理与应用,通过具体案例展示了如何利用装饰器增强函数功能、提高代码复用性和可读性。读者将学习到装饰器的基本概念、实现方法及其在实际项目开发中的实用技巧。 ####
18 3
|
9天前
|
机器学习/深度学习 数据采集 数据可视化
Python在数据科学中的应用:从入门到实践
本文旨在为读者提供一个Python在数据科学领域应用的全面概览。我们将从Python的基础语法开始,逐步深入到数据处理、分析和可视化的高级技术。文章不仅涵盖了Python中常用的数据科学库,如NumPy、Pandas和Matplotlib,还探讨了机器学习库Scikit-learn的使用。通过实际案例分析,本文将展示如何利用Python进行数据清洗、特征工程、模型训练和结果评估。此外,我们还将探讨Python在大数据处理中的应用,以及如何通过集成学习和深度学习技术来提升数据分析的准确性和效率。
|
8天前
|
机器学习/深度学习 数据挖掘 开发者
Python编程入门:理解基础语法与编写第一个程序
【10月更文挑战第37天】本文旨在为初学者提供Python编程的初步了解,通过简明的语言和直观的例子,引导读者掌握Python的基础语法,并完成一个简单的程序。我们将从变量、数据类型到控制结构,逐步展开讲解,确保即使是编程新手也能轻松跟上。文章末尾附有完整代码示例,供读者参考和实践。
|
8天前
|
人工智能 数据挖掘 程序员
Python编程入门:从零到英雄
【10月更文挑战第37天】本文将引导你走进Python编程的世界,无论你是初学者还是有一定基础的开发者,都能从中受益。我们将从最基础的语法开始讲解,逐步深入到更复杂的主题,如数据结构、面向对象编程和网络编程等。通过本文的学习,你将能够编写出自己的Python程序,实现各种功能。让我们一起踏上Python编程之旅吧!