Python最常用的库

本文章主要为大家总结,9个Python最常用的包及使用案例

1 NumPy

描述: NumPy 是 Python 的一个扩展库,支持高维数组与矩阵运算,并为数组运算提供了大量的数学函数库。它是科学计算中的基础包之一,用于处理大型多维数组和矩阵的运算与基础统计分析。

示例: 创建一个 2x2 的 NumPy 数组,并计算其行列式。

python 复制代码
import numpy as np

a = np.array([[1, 2], [3, 4]])
det_a = np.linalg.det(a)
print(det_a)

2 Pandas

描述: Pandas 是基于 NumPy 的一个数据分析库,提供了高效的 DataFrame 数据结构,以及大量便捷的数据操作工具,非常适合于数据清洗、分析与展示。

示例: 创建一个简单的 DataFrame 并输出。

python 复制代码
import pandas as pd

data = {'Name': ['Tom', 'Jerry'], 'Age': [20, 18]}
df = pd.DataFrame(data)
print(df)

3 Matplotlib

描述: Matplotlib 是 Python 的一个绘图库,它支持多种输出格式,并能够生成多种硬拷贝格式和交互式环境下的图表。使用 Matplotlib 可以生成条形图、直方图、散点图等多种图表。

示例: 绘制一个简单的线图。

python 复制代码
import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [10, 20, 25, 30]
plt.plot(x, y)
plt.show()

4 SciPy

描述: SciPy 是建立在 NumPy 基础之上的一款方便、易于使用、专为科学和工程设计的 Python 工具包。它用于解决线性代数、积分、插值、特殊函数、快速傅立叶变换、信号处理和图像处理等问题。

示例: 使用 SciPy 进行数组的最小二乘拟合。

python 复制代码
from scipy.optimize import leastsq

def model(p, x):
    return p[0] * x + p[1]

def residuals(p, x, y):
    return y - model(p, x)

x = np.array([0, 1, 2, 3])
y = np.array([-1, 0.2, 0.9, 2.1])
p0 = [1, 0]  # 初始参数猜测

plsq = leastsq(residuals, p0, args=(x, y))
print(plsq[0])

5 Scikit-learn

描述: Scikit-learn 是基于 NumPy, SciPy 和 Matplotlib 的 Python 机器学习库。它包含了许多用于数据挖掘和数据分析的工具,包括回归、分类、聚类、降维等。

示例: 使用 scikit-learn 训练一个简单的线性回归模型。

python 复制代码
from sklearn.linear_model import LinearRegression
import numpy as np

x = np.array([[1], [2], [3]])
y = np.array([1, 2, 3])
model = LinearRegression()
model.fit(x, y)
print(model.coef_)

6 TensorFlow

描述: TensorFlow 是一个由 Google 开发的开源机器学习库,用于研究和生产中的数值计算。它的灵活架构允许用户以单个 API 在多种平台上部署计算,包括桌面、服务器和移动设备。

示例: 创建一个简单的 TensorFlow 常量并进行加法运算。

python 复制代码
import tensorflow as tf

a = tf.constant(1)
b = tf.constant(2)
c = tf.add(a, b)
print(c.numpy())

7 PyTorch

描述: PyTorch 是一个开源机器学习库,广泛应用于计算机视觉和自然语言处理等领域。它是基于 Torch 库,提供了大量的工具和库支持深度学习的研究和开发。

示例: 创建一个简单的张量并进行加法运算。

python 复制代码
import torch

a = torch.tensor(1)
b = torch.tensor(2)
c = torch.add(a, b)
print(c.item())

8 Flask

描述: Flask 是一个使用 Python 编写的轻量级 Web 应用框架。它被设计为快速和简单,易于学习,使得它成为构建 Web 应用的一个不错的选择。

示例: 一个简单的 Flask 应用,返回 "Hello, World!"。

python 复制代码
from flask import Flask
app = Flask(__name__)

@app.route('/')
def hello_world():
    return 'Hello, World!'

if __name__ == '__main__':
    app.run()

9 Django

描述: Django 提供了更多的内置功能,适合开发大型网站和应用。

示例: 创建一个 Django 视图,返回 "Hello, World!"(注意,Django 需要更复杂的设置)。

python 复制代码
# views.py
from django.http import HttpResponse

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

这些示例旨在提供每个工具的基础使用方法,并非完整的应用示例。每个示例都需要适当的环境和依赖库。

相关推荐
网安INF6 分钟前
深度学习中的逻辑回归:从原理到Python实现
人工智能·python·深度学习·算法·逻辑回归
LL.。8 分钟前
同步回调和异步回调
开发语言·前端·javascript
青苔猿猿9 分钟前
(5)aconda之.condarc文件配置
python·镜像源·.condarc文件
ningdisheng12 分钟前
Python用图片生成banner.txt文件
python
0wioiw020 分钟前
Python基础(吃洋葱小游戏)
开发语言·python·pygame
蓝婷儿24 分钟前
Python 数据分析与可视化 Day 14 - 建模复盘 + 多模型评估对比(逻辑回归 vs 决策树)
python·数据分析·逻辑回归
栗子~~27 分钟前
Python实战- Milvus 向量库 使用相关方法demo
开发语言·python·milvus
狐凄29 分钟前
Python实例题:基于 Flask 的在线聊天系统
开发语言·python
狐凄30 分钟前
Python实例题:基于 Flask 的任务管理系统
开发语言·python
JavaEdge在掘金40 分钟前
cursor 1.2发布!Agent规划、更好上下文支持 & 更快的 Tab 补全!
python