分享常用的10个Python库、框架

import numpy as np#创建一个数组arr= np.array([1,2,3, 4,5])#进行数组操作。

mean=np.mean(arr)print("平均值:"，mean)

2. PANDAS

pandas是数据分析和处理的库，它提供了强大的数据结构，如DataFrame，以及各种数据操作工具。无论是数据清洗、转换还是分析，pandas都可以事半功倍。

import pandas as pd#创建一个DataFrame

data={

'Name':['Alice', 'Bob', 'Charlie'],'Age': [25, 30, 22])df= pd.DataFrame(data)#进行数据分析

average_age = df['Age'].mean()print("平均年龄:"，average_age)

3. MATPLOTLIB

Matplotlib是一个绘图库，可用于创建各种类型的静态、交互式和动态图表。它使你能够可视化数据分析趋势，并将复杂的数据呈现出易于理解的图形。

import matplotlib.pyplot as plt#创建折线图

x=[1,2,3, 4,5]

y=[10,25, 18, 30, 12]

plt.plot (x,y)

plt.xlabel('x轴')

plt.ylabel('Y轴)

plt.title(示例折线图")

plt.show

4. REQUESTS

requests是一个简洁而强大的HTTP库，用于发送各种类型的HTTP请求。如果你需要从网络获取数据、与API交互或进行网络爬虫，requests是一个绝佳选择。

import requests#发送GET请求

response=requests.get('https://jsonplaceholder.typicode.com/posts/1)

data =response.json()print("获取到的数据:"，data)

5.FLASK

Flask是一个微型的Web框架，适用于构建简单而高效的Web应用。它的设计理念是简单易用，同时又具备足够的灵活性，让你能够快速搭建起自己的Web应用。

from flask import Flask

app = Flask(_name_

@app.route(/)defhello():

return 'Hello, World!'

ifmainname

app.run()

6.SQLALCHEMY

SQLAlchemy是一个SQL工具包和对象关系映射(ORM)库，可用于在Python应用中与数据库交互它提供了高级的数据库抽象层，使得数据库操作变得更加简便。

from sqlalchemy import create_engine,Column,Integer,Stringfrom sqlalchemy.orm import sessionmakerfrom sqlalchemy.ext.declarative import declarative_baseBase = declarative_base()class User(Base):

tablename ='users'id=Column(Integer,primary_key=True)name=Column(String)

#创建数据库连接

engine=create_engine('sqlite:///example.db')#创建表格

Base.metadata.create_all(engine)

#创建会话

Session = sessionmaker(bind=engine)session= Session()

#插入数据

new_user = User(name='Alice')

session.add(new_user)

session.commit()

7.SCIKIT-LEARN

Scikit-Learn是一个用于机器学习的库，提供了各种常见的机器学习算法、工具和函数。无论是分类、回归还是聚类，Scikit-Learn都能帮助你构建高质量的机器学习模型。

from sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LinearRegression#准备数据

x=[1],[2],[3],[4],[5]]

y=[2,4,5,4,5]#划分数据集X_train,x_test, y_train,y_test=train_test_split(x,y,test_size=0.2)#创建模型

model= LinearRegression()

#训练模型

model.fit(X_train,y_train)

#进行预测

predictions = model.predict(X_test)

8.TENSORFLOW

TensorFlow是一个流行的开源深度学习框架，可用于构建神经网络和其他机器学习模型。它提供了高效的数值计算和自动微分，使得训练复杂模型变得更加容易。

import tensorflow as tf

#创建一个简单的神经网络

model =tf.keras.Sequential([tf.keras.layers.Dense(10, activation='relu',input_shape=(784,)),tf.keras.layers.Dense(10,activation='softmax')

#骗译模型

model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])#加载数据

mnist=tf.keras.datasets.mnist(x_train,y_train), (x_test,y_test)= mnist.load_data()#训练模型

model.fit(x_train,y_train,epochs=5)

9. PYTORCH

PyTorch是另一个流行的深度学习框架，它以动态计算图的方式设计，使得模型构建和调试变得更加直观。PyTorch也提供了丰富的神经网络层和优化算法。

import torch

import torch.nn as nn

#定义一个简单的神经网络

class Net(nn.Module):

def__init__(self):

super(Net,self)._init_0

self.fcl= nn.Linear(784,10)

self.fc2=nn.Linear(10,10)

def forward(self,x):

x=torch.relu(self.fc1(x))

x=self.fc2(x)

#创建网络实例

returnx

net=Net(

#定义损失函数和优化器

criterion =nn.CrossEntropyLoss()

optimizer =torch.optim.SGD(net.parameters(),1r=0.01)

#加载数据

train_loader = torch.utils.data.Dataloader(dataset,batch_size=64,shuffle=True)

#训练网络

forepoch in range(5):

for inputs, labels in train_loader:

optimizer.zero_grad()

outputs=net(inputs)

loss =criterion(outputs,labels)

loss.backward()

optimizer.step()

10.PYTEST

pytest是一个简单而强大的测试框架，用于编写和运行单元测试、集成测试和功能测试。编写良好的测试可以确保你的代码在各种情况下都能正常工作。

import pytestdef add(a,b):

return a+bdef test_add():

assert add(2,3)==5assert add(0,0)==0

assert add(-1,1)==0

if_name__=='_main__':pytest.main()

上面的十个是平时常见的python库

想要获取python的全部学习资料点个关注，免费送