Python的22个常用模块
Python拥有丰富的标准库和第三方库，这些模块极大地扩展了Python的功能，使其在各种应用场景中都能发挥重要作用。下面我将列出一些常用的Python模块及其简单代码案例，帮助你更好地理解和使用它们。
1. os - 操作系统接口
功能：提供了一系列与操作系统交互的函数，如文件操作、进程管理等。
代码案例：列出当前目录下的所有文件和文件夹
import os
for item in os.listdir('.'):
print(item)
2. sys - 系统特定功能
功能：提供访问和使用Python解释器的一些函数，常用于处理命令行参数、退出程序等。
代码案例：打印Python解释器的版本信息并退出程序
import sys
print("Python version:", sys.version)
sys.exit()
3. json - JSON数据处理
功能：用于编码和解码JSON数据格式。
代码案例：将Python对象转换为JSON字符串并输出
import json
data = {
"name": "Alice",
"age": 30,
"city": "New York"
}
json_str = json.dumps(data)
print(json_str)
4. requests - HTTP库
功能：发送HTTP请求，广泛用于网络爬虫和API交互。
代码案例：发送GET请求获取网页内容
import requests
response = requests.get('https://api.github.com')
print(response.text)
5. pandas - 数据分析
功能：提供高性能、易用的数据结构和数据分析工具。
代码案例：读取CSV文件并显示前几行数据
import pandas as pd
df = pd.read_csv('example.csv')
print(df.head())
6. numpy - 数值计算
功能：强大的数学库，支持大型多维数组和矩阵运算。
代码案例：创建一个数组并进行简单运算
import numpy as np arr = np.array([1, 2, 3]) print(arr * 2)
7. matplotlib - 数据可视化
功能：绘制静态、动态、交互式的图表。
代码案例：绘制简单的线图
import matplotlib.pyplot as plt
x = [1, 2, 3, 4]
y = [10, 15, 13, 17]
plt.plot(x, y)
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('Simple Plot')
plt.show()
8. datetime - 时间日期处理
功能：处理日期和时间。
代码案例：获取当前时间和格式化输出
from datetime import datetime
now = datetime.now()
print("Current date and time:", now.strftime("%Y-%m-%d %H:%M:%S"))
9. re - 正则表达式
功能：处理正则表达式，用于字符串的匹配、查找、替换等操作。
代码案例：使用正则表达式查找所有邮箱地址
import re
text = "联系我：email@example.com 或 support@example.org"
emails = re.findall(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b', text)
print(emails)
10. threading - 多线程
功能：提供了对线程的支持，允许同时执行多个任务。
代码案例：创建两个线程分别打印序列
import threading
import time
def print_numbers():
for i in range(5):
print(i, end=' ')
time.sleep(0.5)
def print_letters():
for letter in 'abcde':
print(letter, end=' ')
time.sleep(1)
t1 = threading.Thread(target=print_numbers)
t2 = threading.Thread(target=print_letters)
t1.start()
t2.start()
t1.join()
t2.join()
11. hashlib - 安全哈希和消息摘要
功能：提供安全相关的哈希函数，如MD5、SHA等，用于数据校验和加密。
代码案例：计算字符串的MD5哈希值
import hashlib str_to_hash = "Hello, World!" hash_object = hashlib.md5(str_to_hash.encode()) hex_dig = hash_object.hexdigest() print(hex_dig)
12. flask - 微型Web框架
功能：轻量级的Web服务器网关接口（WSGI）Web应用框架。
代码案例：创建一个简单的Web应用，返回"Hello, World!"
from flask import Flask
app = Flask(__name__)
@app.route('/')
def hello_world():
return 'Hello, World!'
if __name__ == '__main__':
app.run()
13. sqlalchemy - SQL工具包和ORM系统
功能：提供SQLAlchemy ORM，用于与SQL数据库交互，支持多种数据库后端。
代码案例：连接SQLite数据库并查询数据
from sqlalchemy import create_engine, MetaData, Table, select
from sqlalchemy.orm import sessionmaker
engine = create_engine('sqlite:///example.db', echo=True)
Session = sessionmaker(bind=engine)
session = Session()
metadata = MetaData()
users = Table('users', metadata, autoload_with=engine)
stmt = select(users)
result = session.execute(stmt)
for row in result:
print(row)
14. tensorflow - 机器学习库
功能：Google开发的开源机器学习框架，广泛应用于深度学习模型的构建、训练和推理。
代码案例：使用TensorFlow创建一个简单的线性模型
import tensorflow as tf
import numpy as np
# 创建数据集
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3
# 定义变量
Weights = tf.Variable(tf.random.uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))
# 定义模型
y = Weights*x_data + biases
# 定义损失函数
loss = tf.reduce_mean(tf.square(y-y_data))
# 定义优化器
optimizer = tf.optimizers.SGD(0.5)
# 训练模型
for step in range(201):
optimizer.minimize(loss, var_list=[Weights, biases])
if step % 20 == 0:
print(step, Weights.numpy(), biases.numpy())
15. scikit-learn - 机器学习库
功能：提供了简单高效的数据挖掘和数据分析工具，包括分类、回归、聚类等多种算法。
代码案例：使用scikit-learn进行简单线性回归
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn import datasets
# 加载波士顿房价数据集
boston = datasets.load_boston()
X = boston.data
y = boston.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建并训练模型
model = LinearRegression()
model.fit(X_train, y_train)
# 预测并打印分数
score = model.score(X_test, y_test)
print("模型得分: %.2f%%" % (score*100))
16. pillow - 图像处理
功能：Pillow是PIL（Python Imaging Library）的一个派生，提供了丰富的图像处理功能。
代码案例：打开一个图片，将其尺寸缩小一半，并保存新图片
from PIL import Image
# 打开图片
with Image.open('example.jpg') as img:
# 缩小图片
img_resized = img.resize((img.width // 2, img.height // 2))
# 保存新图片
img_resized.save('example_resized.jpg')
17. scrapy - 网络爬虫框架
功能：用于抓取网页内容并提取结构化数据的框架，适用于数据挖掘、监测等场景。
代码案例：Scrapy简单爬虫示例（仅展示基本结构，完整运行需根据目标网站调整）
import scrapy
class MySpider(scrapy.Spider):
name = 'myspider'
start_urls = ['http://www.example.com/']
def parse(self, response):
page_title = response.css('title::text').get()
yield {'title': page_title}
请注意，实际使用时，应遵守网站的robots.txt规则和相关法律法规，尊重网站版权和隐私政策。
18. PyQt / PySide - GUI开发
功能：这两者都是用于创建图形用户界面（GUI）的库，基于Qt框架。PyQt是社区支持的版本，而PySide由Qt公司官方维护。
代码案例：使用PyQt5创建一个简单的窗口
from PyQt5.QtWidgets import QApplication, QWidget
# 创建应用程序对象
app = QApplication([])
# 创建窗口
window = QWidget()
window.setWindowTitle('My First PyQt App')
# 显示窗口
window.show()
# 进入主事件循环
app.exec_()
19. asyncio - 异步I/O、并发编程
功能：Python中的异步编程库，用于编写单线程并发代码，利用协程、事件循环等机制处理并发任务。
代码案例：异步下载网页
import asyncio
import aiohttp
async def fetch(session, url):
async with session.get(url) as response:
return await response.text()
async def main():
async with aiohttp.ClientSession() as session:
html = await fetch(session, 'https://www.example.com')
print(html[:100])
# 运行异步函数
loop = asyncio.get_event_loop()
loop.run_until_complete(main())
20. beautifulsoup4 - HTML和XML解析
功能：一个用于解析HTML和XML文档的库，常用于网络爬虫中提取数据。
代码案例：解析HTML页面，提取标题
from bs4 import BeautifulSoup
import requests
url = 'https://www.example.com'
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')
title = soup.find('title').text
print(title)
21. seaborn - 统计图形库
功能：基于matplotlib，提供了高级接口用于绘制统计图形，使得数据可视化更加美观和直观。
代码案例：绘制散点图矩阵
import seaborn as sns
import pandas as pd
# 载入内置数据集
iris = sns.load_dataset("iris")
# 绘制散点图矩阵
sns.pairplot(iris, hue="species")
plt.show()
22. joblib - 并行计算和持久化
功能：用于大规模数据处理、机器学习任务中的轻量级并行处理和重复计算结果的缓存。
代码案例：并行计算两个列表的乘积
from joblib import Parallel, delayed
def multiply(x, y):
return x * y
numbers1 = [1, 2, 3, 4]
numbers2 = [5, 6, 7, 8]
results = Parallel(n_jobs=2)(delayed(multiply)(x, y) for x, y in zip(numbers1, numbers2))
print(results)
这些模块和库展示了Python在机器学习、数据科学、图像处理、网络爬虫等多个领域的广泛应用。通过不断学习和实践，你可以更加灵活地运用这些工具来解决实际问题。
