您现在的位置是：首页 > 技术教程正文

【Python入门系列】第六篇：Python常用内置库总结

admin 阅读： 2024-03-23

后台-插件-广告管理-内容页头部广告（手机）

文章目录

前言
一、基础库
- 1. math库
- 2. random库
- 3. datetime库
- 4. os库
- 5. re库
- 6. sys库
- 7. json库
- 8. csv库
- 9. urllib库
- 10. hashlib库
- 11. collections库
- 12. itertools库
- 13. functools库
- 14. time库
二、高级库（常用的第三方库及其功能）
- 1. NumPy库（科学计算）
- 2. Pandas库（数据分析）
- 3. Matplotlib库（数据可视化）
- 4. Requests库（网络请求）
- 5. Scrapy库（网络爬虫）
- 6. Django库（Web开发）
- 7. TensorFlow库（机器学习）
- 8. PyTorch库（机器学习）
- 9. SQLAlchemy库（数据库操作）
- 10. Flask库（Web开发）
- 11. Scikit-learn库（机器学习）
- 12. BeautifulSoup库（网页解析）
- 13. Django库（Web开发）：
总结

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。