python框架Numpy、Pandas、Flask、Django、TensorFlow（ai写的

五大 Python 核心框架库 超详细完整版

逐个讲解：NumPy、Pandas、Flask、Django、TensorFlow

包含：是什么、核心作用、核心结构、零基础可运行代码、常用语法、适用场景，全程大白话 + 可直接复制代码。

---

一、NumPy（数值计算基础库）

1. 是什么

NumPy = Python 高速数学计算工具箱 全称 Numerical Python，所有数据分析、AI、深度学习的底层地基 。Python 原生列表运算慢，NumPy 底层是 C 语言，速度快几百倍 ，专门处理多维数组、矩阵运算。

2. 核心作用

1. 高性能多维数组计算
2. 矩阵运算、线性代数、随机数
3. 为 Pandas、PyTorch、TensorFlow 提供底层支持

3. 核心数据结构

ndarray：N 维数组

• 1 维：向量 [1,2,3]
• 2 维：矩阵 [[1,2],[3,4]]
• 3 维及以上：深度学习图片、张量

4. 安装

bash

运行

pip install numpy

5. 必学常用代码

导入

python

运行

import numpy as np

创建数组

python

运行

# 从列表创建
arr = np.array([1,2,3,4])

# 全0、全1
np.zeros(3)        # [0. 0. 0.]
np.ones((2,3))     # 2行3列全1

# 等差数列
np.arange(1,10,2)  # [1 3 5 7 9]

# 随机数
np.random.rand(2,3)   # 0~1随机
np.random.randn(2,3) # 正态分布

数组属性

python

运行

arr.shape   # 形状 几行几列
arr.dtype   # 数据类型
arr.size    # 元素总个数
arr.ndim    # 维度

维度变换

python

运行

arr.reshape(2,2)  # 改成2行2列
arr.T             # 转置

数学运算

python

运行

a = np.array([1,2])
b = np.array([3,4])

print(a + b)  # 对应元素相加
print(a * b)  # 对应元素相乘
print(a @ b)  # 矩阵点积

统计函数

python

运行

arr.mean()  # 均值
arr.sum()   # 求和
arr.max()   # 最大值
arr.min()   # 最小值
arr.argmax()# 最大值索引

6. 适用场景

数学计算、矩阵运算、图像处理、AI 底层运算、Pandas 依赖基础。

---

二、Pandas（表格数据分析库）

1. 是什么

Pandas = Python 版超级 Excel 基于 NumPy 开发，专门用来处理表格数据，比 Excel 功能更强、能处理海量数据。

2. 核心作用

1. 读写 Excel、CSV、TXT
2. 数据筛选、排序、去重、缺失值处理
3. 分组统计、数据清洗、数据分析

3. 两大核心结构

1. Series：一维表格（一列数据）
2. DataFrame ：二维表格（完整 Excel 表，最常用）

4. 安装

bash

运行

pip install pandas

5. 必学常用代码

导入

python

运行

import pandas as pd

创建表格

python

运行

# 字典转DataFrame
data = {
    "name":["张三","李四"],
    "age":[18,20]
}
df = pd.DataFrame(data)
print(df)

读写文件

python

运行

# 读CSV/Excel
df = pd.read_csv("data.csv")
df = pd.read_excel("data.xlsx")

# 保存
df.to_csv("save.csv", index=False)
df.to_excel("save.xlsx", index=False)

查看数据

python

运行

df.head()     # 前5行
df.tail()     # 后5行
df.info()     # 数据信息
df.describe() # 统计描述
df.columns    # 所有列名

筛选数据

python

运行

# 按列取
df["name"]

# 条件筛选
df[df["age"] > 18]

缺失值处理

python

运行

df.isnull()        # 判断缺失值
df.dropna()        # 删除缺失值行
df.fillna(0)       # 缺失值填0

分组聚合

python

运行

df.groupby("name")["age"].mean()

6. 适用场景

数据分析、报表统计、清洗数据、机器学习预处理、办公自动化。

---

三、Flask（轻量级 Web 框架）

1. 是什么

Flask = 迷你轻量级网站框架 微型 Web 框架，极简、灵活、体积小，只带核心功能，其他功能自己按需安装。

2. 核心作用

1. 快速写后端接口 API
2. 做小型网站、个人博客、后台服务
3. AI 模型部署成在线接口

3. 特点

• 轻量小巧、上手极快
• 不自带数据库、后台管理，需要自己装插件
• 适合小项目、接口开发、毕设后端

4. 安装

bash

运行

pip install flask

5. 最简可运行代码

python

运行

# app.py
from flask import Flask

app = Flask(__name__)

# 路由：访问根路径
@app.route("/")
def index():
    return "Hello Flask 你好"

# 接口返回JSON
@app.route("/api")
def api():
    return {"name":"张三", "age":18}

if __name__ == "__main__":
    app.run(debug=True)

运行后访问：http://127.0.0.1:5000

6. 常用场景

写后端接口、AI 模型部署、小网站、小程序后端、毕设项目。

---

四、Django（全能重型 Web 框架）

1. 是什么

Django = 全能完整版网站框架 自带全套装备：后台管理、数据库、用户登录、表单、路由、权限，开箱即用。

2. 核心作用

开发大型正规网站：电商、论坛、管理系统、企业官网。

3. 特点

• 重型、功能全、内置后台管理
• 自带 ORM 数据库、用户认证、安全防护
• 不用自己拼插件，大项目首选

4. 安装

bash

运行

pip install django

5. 基础命令

bash

运行

# 创建项目
django-admin startproject myproject

# 创建应用
cd myproject
python manage.py startapp myapp

# 启动服务
python manage.py runserver

# 创建数据库迁移
python manage.py makemigrations
python manage.py migrate

# 创建管理员账号
python manage.py createsuperuser

6. 适用场景

大型网站、电商平台、学校管理系统、企业后台、正规商业项目。

7. Flask vs Django 核心区别

表格

框架	定位	轻重	适合
Flask	轻量微型	小	接口、小项目、AI 部署
Django	全能重型	大	大型网站、管理系统

---

五、TensorFlow（谷歌深度学习框架）

1. 是什么

TensorFlow = 谷歌出品工业级深度学习框架 和 PyTorch 并列两大主流 AI 框架，适合工业部署、大型模型、生产环境 。内置 Keras 高阶 API，搭模型超级简单。

2. 核心作用

1. 搭建、训练神经网络
2. 图像识别、NLP、深度学习模型
3. 工业级模型部署、上线生产

3. 核心概念

• 张量 Tensor：和 PyTorch 的 Tensor 一样，多维数组
• Keras：TensorFlow 高阶接口，快速搭模型
• 静态图模式，适合部署上线

4. 安装

bash

运行

pip install tensorflow

5. 极简入门代码（搭建 + 训练模型）

python

运行

import tensorflow as tf
from tensorflow.keras import layers, models

# 搭建简单神经网络
model = models.Sequential([
    layers.Dense(128, activation="relu", input_shape=(10,)),
    layers.Dense(2)
])

# 编译模型
model.compile(optimizer="adam",
              loss="sparse_categorical_crossentropy",
              metrics=["accuracy"])

# 模拟数据
import numpy as np
x = np.random.rand(100,10)
y = np.random.randint(0,2,100)

# 训练
model.fit(x, y, epochs=5)

6. TensorFlow vs PyTorch

表格

框架	厂商	特点	适合
PyTorch	Meta	动态图、好调试、科研首选	学习、科研、实验
TensorFlow	谷歌	静态图、部署强、工业稳定	项目上线、工业生产

7. 适用场景

深度学习训练、图像分类、语音识别、大模型、工业 AI 部署。

---

六、五大框架总总结（一句话记牢）

1. NumPy：底层数值计算，所有 AI 库的基础
2. Pandas：处理 Excel 表格、数据分析神器
3. Flask：轻量，写接口、小网站、AI 部署
4. Django：重型，做大型官网、管理系统
5. TensorFlow：谷歌深度学习，工业级训练和部署