常用的Python软件包

以下列出自己常用的一些Python软件包，不定期更新。

0. Python内置语法

a = [1, 2] # list列表
print(a)
print(type(a)) # 对象类型
print(id(a))  # 对象唯一标识符
print(len(a)) # 列表长度
a.append(3) # list列表增加元素
print(a)
print(sum(a))  # 求和
print(max(a)) # 最大值
print(min(a)) # 最小值
print(abs(-3.14)) # 绝对值
b1 = [2, -1, 3]
b2 = sorted(b1) # 排序，不改变原数列
print(b1)
print(b2)
b3 = list(reversed(b1)) # 反向并转为list列表
print(b1)
print(b3)
c = range(5)  # 数列，从0开始
print(c)
for i0 in c:
    print(i0)
d1 = [1, 2, 3, 3, 2, 1, 1]
d2 = set(d1) # 转成集合，去除重复元素
print(d1)
print(d2)
print(list(d2))

print()
dict_data = {"name": "张三", "age": 30, "city": "北京"} # dict字典
print(dict_data)
print(type(dict_data))
print(dict_data.items())
for key, value in dict_data.items():
    print(f'打印字典内容 {key} {value}')

print() # 打印空一行
print(all([True, True, False])) # 所有元素为真，结果为真
print(all([1, 2, True]))
print(any([True, True, False])) # 有一个是真，结果为真
print(any([0, None, ""]))

print()
e = 'abc'
print(e)
print(hash(e)) # 哈希值（如果是多次运行，对于相同的对象，返回的哈希值是不同的）
print(hash(e)) # 哈希值（同一个运行中多次调用 hash()，对于相同的对象，返回的哈希值是相同的）

print()
for i0 in range(3):
    exec(f'''
a{i0} = {i0}
print(a{i0})
''')  # 执行动态创建的代码
f = eval('1+2') # 执行表达式并返回值
print(f)

f = open('a.txt', 'w') # 打开文件
f.write('test') # 写入文件
f.close() # 关闭文件

运行结果：

[1, 2]
<class 'list'>
2632576056640
2
[1, 2, 3]
6
3
1
3.14
[2, -1, 3]
[-1, 2, 3]
[2, -1, 3]
[3, -1, 2]
range(0, 5)
0
1
2
3
4
[1, 2, 3, 3, 2, 1, 1]
{1, 2, 3}
[1, 2, 3]

{'name': '张三', 'age': 30, 'city': '北京'}
<class 'dict'>
dict_items([('name', '张三'), ('age', 30), ('city', '北京')])
打印字典内容 name 张三
打印字典内容 age 30
打印字典内容 city 北京

False
True
True
False

abc
4046847972697042381
4046847972697042381

0
1
2
3

1. numpy

numpy官网：https://numpy.org/。参考博文：Python和Numpy库的常用语句。

例子：

import numpy as np
print(np.zeros((2, 3)), '\n') # 零矩阵
print(np.identity(3), '\n') # 单位矩阵
print(np.diag([1, 3, 5]), '\n')  # 对角矩阵
matrix1 = np.array([[3, 5+1j], [2, 7]]) # numpy矩阵
print(matrix1, '\n')
print(matrix1.shape, '\n') # 矩阵的维度
print(matrix1.transpose(), '\n') # 矩阵转置
print(matrix1.conj(), '\n') # 矩阵所有元素共轭
print(np.conj(matrix1), '\n') # 矩阵所有元素共轭（同上）
print(np.arange(1, 5, 1), '\n') # 数列（左闭右开）
print(np.linspace(-2, 2, 5), '\n') # 数列（左闭右闭）
print(np.random.uniform(-2, 2), '\n') # 随机数
print(np.random.randint(0, 2), '\n')  # 随机整数（左闭右开）
print(np.sort([1, 7, 0, 3]), '\n') # 排列
print(np.argsort([1, 7, 0, 3]), '\n') # 排列索引
print(np.linalg.det(matrix1), '\n')   # 行列式
matrix2 = np.linalg.inv(matrix1)  # 求逆
print(matrix2, '\n')
print(np.matmul(matrix1, matrix2), '\n') # 矩阵乘积
print(np.dot(matrix1, matrix2), '\n') # 矩阵乘积（同上）
eigenvalue, eigenvector = np.linalg.eig(matrix1)  # 求本征值，本征向量
print(eigenvalue, '\n')
print(eigenvector, '\n')
matrix3 = np.append(matrix1, matrix2, axis=0) # 增加数组元素或者矩阵的行
print(matrix3)

运行结果：

[[0. 0. 0.]
 [0. 0. 0.]]

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

[[1 0 0]
 [0 3 0]
 [0 0 5]]

[[3.+0.j 5.+1.j]
 [2.+0.j 7.+0.j]]

(2, 2)

[[3.+0.j 2.+0.j]
 [5.+1.j 7.+0.j]]

[[3.-0.j 5.-1.j]
 [2.-0.j 7.-0.j]]

[[3.-0.j 5.-1.j]
 [2.-0.j 7.-0.j]]

[1 2 3 4]

[-2. -1.  0.  1.  2.]

-0.9591084896701201

1

[0 1 3 7]

[2 0 3 1]

(11.000000000000002-2j)

[[ 0.616+0.112j -0.424-0.168j]
 [-0.176-0.032j  0.264+0.048j]]

[[ 1.00000000e+00+0.00000000e+00j  4.85722573e-17+0.00000000e+00j]
 [-1.66533454e-16+2.08166817e-17j  1.00000000e+00-6.93889390e-18j]]

[[ 1.00000000e+00+0.00000000e+00j  4.85722573e-17+0.00000000e+00j]
 [-1.66533454e-16+2.08166817e-17j  1.00000000e+00-6.93889390e-18j]]

[1.2488578-0.26658547j 8.7511422+0.26658547j]

[[ 0.9446263 +0.j          0.65546019+0.09978411j]
 [-0.3277961 +0.01519449j  0.74860876+0.j        ]]

[[ 3.   +0.j     5.   +1.j   ]
 [ 2.   +0.j     7.   +0.j   ]
 [ 0.616+0.112j -0.424-0.168j]
 [-0.176-0.032j  0.264+0.048j]]

2. math

math官网：https://docs.python.org/3/library/math.html。math中的一些函数在numpy中可以直接调用。

例子：

import math
print(math.pi)
print(math.e)
print(math.exp(1))
print(math.cos(math.pi))
print(math.sqrt(2), '\n')

import numpy as np
print(np.pi)
print(np.e)
print(np.exp(1))
print(np.cos(np.pi))
print(np.sqrt(2))

运行结果：

3.141592653589793
2.718281828459045
2.718281828459045
-1.0
1.4142135623730951 

3.141592653589793
2.718281828459045
2.718281828459045
-1.0
1.4142135623730951

3. cmath

cmath官网：https://docs.python.org/3/library/cmath.html。因为numpy和math中指数等无法处理复数的情况，所以要用cmath。

例子：

import cmath
print(cmath.exp(1j*cmath.pi))

运行结果：

(-1+1.2246467991473532e-16j)

4. matplotlib

matplotlib官网：https://matplotlib.org/。参考博文：Python中Matplotlib库的常用语句、使用Matplotlib画图。

例子：

import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111)
ax.plot(range(10), range(10))
ax.set_title('Example', fontsize=20, fontfamily='Times New Roman')
ax.set_xlabel('x', fontsize=20, fontfamily='Times New Roman') 
ax.set_ylabel('y', fontsize=20, fontfamily='Times New Roman')
plt.show()

运行结果：

5. copy

copy官网：https://docs.python.org/3/library/copy.html。如果直接用等于号，两个变量会指向相同的id，改变一个值，另外一个值可能会发生改变，容易出错，所以要用上这个 copy。

例子：

import copy
import numpy as np

array_1 = [1, 2, 3]
array_2 = array_1
array_1[0] = 100
print('array_1=', array_1)
print('array_2=', array_2, '\n')

array_1 = np.array([1, 2, 3])
array_2 = array_1
array_1[0] = 100
print('array_1=', array_1)
print('array_2=', array_2, '\n')

array_1 = [1, 2, 3]
array_2 = copy.deepcopy(array_1)
array_1[0] = 100
print('array_1=', array_1)
print('array_2=', array_2, '\n')

array_1 = np.array([1, 2, 3])
array_2 = copy.deepcopy(array_1)
array_1[0] = 100
print('array_1=', array_1)
print('array_2=', array_2)

运行结果：

array_1= [100, 2, 3]
array_2= [100, 2, 3] 

array_1= [100   2   3]
array_2= [100   2   3]

array_1= [100, 2, 3]
array_2= [1, 2, 3]

array_1= [100   2   3]
array_2= [1 2 3]

6. functools

functools官网：https://docs.python.org/3/library/functools.html。“偏函数”的使用。

例子：

import functools

def func(x, y, z):
    return x-y+z

partial_func = functools.partial(func, x=5, z=0)
print(partial_func(y=2))

运行结果：

3

7. time

time官网：https://docs.python.org/3/library/time.html。

例子：

import time
start_time = time.time()
time.sleep(5)
end_time = time.time()
print(end_time-start_time)

运行结果：

5.002896547317505

8. os

os官网：https://docs.python.org/3/library/os.html。

例子：

import os
os.getcwd()  # 获取路径
if os.path.exists('new_dir') == False: # 判断路径是否存在
    os.makedirs('new_dir') # 新建文件夹
os.chdir('new_dir')  # 切换到该文件夹
print(os.walk('/'))  # 游走目录

9. pickle

通过 pickle，你可以将几乎任何 Python 对象（如列表、字典、函数、类实例等）转换为字节流文件，并在需要时恢复为原始对象。

例子：

import pickle

data = [1, 2, 3]

# 保存为文件
with open('a.pkl', 'wb') as f:
    pickle.dump(data, f)
with open('a.pkl', 'rb') as f:
    data_load_from_file = pickle.load(f)
print(data_load_from_file)
print()

# 把对象转换成字节流
serialized_data = pickle.dumps(data) # 转换成字节流
print(type(serialized_data))
print(serialized_data)
print()
loaded_data = pickle.loads(serialized_data) # 转换成原类型
print(type(loaded_data))
print(loaded_data)

运行结果：

[1, 2, 3]

<class 'bytes'>
b'\x80\x04\x95\x0b\x00\x00\x00\x00\x00\x00\x00]\x94(K\x01K\x02K\x03e.'

<class 'list'>
[1, 2, 3]

10. numba

Numba 官网：http://numba.pydata.org/。参考博文：Numba加速Python的时间测试。

以下是一个使用例子：

import numpy as np
import time

numpy_array = np.arange(0,1e5,1)
times = 1000

from numba import jit
from numba import prange
@jit(nopython=True, parallel=True)
def numba_example(numpy_array):
    sum = 0
    for i in prange(len(numpy_array)):
        sum += numpy_array[i]
    return sum

start = time.time()
for _ in range(times):
    result = numba_example(numpy_array)
end = time.time()
print(f'运行时间：{end - start}')

运行结果：

运行时间：1.0104129314422607

11. json

JSON（JavaScript Object Notation）可以简单地视为字典（或映射）的字符串表示形式。JSON 是一种轻量级的数据交换格式，通常用于在网络之间传输数据。它采用键值对的形式，类似于字典或映射的结构。以下是相互转换的例子。

import json

# 定义一个字典对象
data = {
    "name": "张三",
    "age": 30,
    "city": "北京"
}

print(type(data))
print(data.items())
for key, value in data.items():
    print(f'{key}: {value}')
print()

# 将字典对象转换为JSON格式
json_data = json.dumps(data)
print(type(json_data))
print("JSON格式数据：", json_data)
print()

# 将JSON格式数据转换回字典对象
dict_data = json.loads(json_data)
print(type(dict_data))
print("字典对象：", dict_data)

运行结果：

<class 'dict'>
dict_items([('name', '张三'), ('age', 30), ('city', '北京')])
name: 张三
age: 30
city: 北京

<class 'str'>
JSON格式数据： {"name": "\u5f20\u4e09", "age": 30, "city": "\u5317\u4eac"}

<class 'dict'>
字典对象： {'name': '张三', 'age': 30, 'city': '北京'}

12. re

正则表达式是一种强大的字符串匹配工具，它允许您以一种灵活的方式搜索和操作字符串。

例子：

import re

# 正则表达式：匹配任意字符（.）；零次或多次（*）；尽可能少地匹配（?）

# re.match 指匹配起始位置的模式，如果起始位置不匹配的话，返回 None
string = 'this_is_a_test_abc_123'
result = re.match(pattern='ab(.*?)23', string=string)
print(result)
print()
result = re.match(pattern='this(.*?)abc', string=string)
print(result.group(0))
print(result.group(1))
print()

# re.search 扫描整个字符串并返回第一个成功的匹配。
string = 'this_is_a_test_abc_123'
result = re.search(pattern='ab(.*?)23', string=string)
print(result.group(0))
print(result.group(1))
print()
result = re.search(pattern='this(.*?)abc', string=string)
print(result.group(0))
print(result.group(1))

运行结果：

None

this_is_a_test_abc
_is_a_test_

abc_123
c_1

this_is_a_test_abc
_is_a_test_

13. tqdm

tqdm 是一个 Python 库，它为循环迭代提供了一个简单而有效的进度条显示功能。

例子：

from tqdm import tqdm 
import time
import numpy as np

for i in tqdm(np.arange(1, 10)):     
    time.sleep(0.1)
    print('', i)

运行结果：

  0%|                                                                  | 0/9 [00:00<?, ?it/s] 1
 11%|██████▍                                                   | 1/9 [00:00<00:00,  9.37it/s] 2
 22%|████████████▉                                             | 2/9 [00:00<00:00,  9.25it/s] 3
 33%|███████████████████▎                                      | 3/9 [00:00<00:00,  9.20it/s] 4
 44%|█████████████████████████▊                                | 4/9 [00:00<00:00,  9.16it/s] 5
 56%|████████████████████████████████▏                         | 5/9 [00:00<00:00,  9.18it/s] 6
 67%|██████████████████████████████████████▋                   | 6/9 [00:00<00:00,  9.18it/s] 7
 78%|█████████████████████████████████████████████             | 7/9 [00:00<00:00,  9.19it/s] 8
 89%|███████████████████████████████████████████████████▌      | 8/9 [00:00<00:00,  9.16it/s] 9
100%|██████████████████████████████████████████████████████████| 9/9 [00:00<00:00,  9.17it/s]

14. multiprocessing

官网：https://docs.python.org/3/library/multiprocessing.html。一个并行计算的软件包，参考博文：在Python中使用multiprocessing实现多任务并行。

例子：

from multiprocessing import Process
import time

def f(name):
    for i in range(5):
        time.sleep(1)
        print('Hello', name, i)

if __name__ == '__main__':
    start_time = time.time()
    f('A')
    f('B')
    end_time = time.time()
    print(end_time - start_time, '\n')

    start_time = time.time()
    p1 = Process(target=f, args=('A',))
    p2 = Process(target=f, args=('B',))
    p1.start()
    p2.start()
    p1.join()
    p2.join()
    end_time = time.time()
    print(end_time - start_time)

运行结果：

Hello A 0
Hello A 1
Hello A 2
Hello A 3
Hello A 4
Hello B 0
Hello B 1
Hello B 2
Hello B 3
Hello B 4
10.094563722610474

Hello A 0
Hello B 0
Hello B 1
Hello A 1
Hello B 2
Hello A 2
Hello A 3
Hello B 3
Hello A 4
Hello B 4
5.1369547843933105

15. threading

Threading 多线程并行。

例子：

import threading
import time

def print_numbers(x):
    for i in range(5):
        time.sleep(1)
        print(f"Thread {x}: {i}")

# 串行测试
start_time = time.time()
print_numbers('A')
print_numbers('B')
end_time = time.time()
print(end_time - start_time, '\n')

# 创建两个线程
thread1 = threading.Thread(target=print_numbers, args=('A'))
thread2 = threading.Thread(target=print_numbers, args=('B'))

start_time = time.time()
# 启动线程
thread1.start()
thread2.start()
# 等待两个线程完成
thread1.join()
thread2.join()
end_time = time.time()
print(end_time - start_time)

运行结果：

Thread A: 0
Thread A: 1
Thread A: 2
Thread A: 3
Thread A: 4
Thread B: 0
Thread B: 1
Thread B: 2
Thread B: 3
Thread B: 4
10.111509561538696

Thread A: 0
Thread B: 0
Thread A: 1
Thread B: 1
Thread B: 2
Thread A: 2
Thread B: 3
Thread A: 3
Thread A: 4
Thread B: 4
5.056422710418701

16. 更多

（1）机器学习相关

• pytorch，参考：PyTorch基础（Tensor数据类型）。
• tensorflow，参考：TensorFlow基础。
• ​transformers
• scikit-learn
• nltk
• ​spacy
• opencv
• pillow

（2）Web相关

• flask，参考：Flask的入门例子。
• django，参考：Django的学习例子。
• fastapi

（3）爬虫相关

• bs4，参考：爬虫基础BeautifulSoup。
• akshare，参考：使用AKShare库获取股票数据。
• requests
• selenium
• scrapy

（4）其他

• sympy，参考：Python符号运算库SymPy。
• pygame，参考：用Pygame写球球大作战游戏。
• datetime
• pandas
• plotly

1,941 次浏览

【说明：本站主要是个人的一些笔记和代码分享，内容可能会不定期修改。为了使全网显示的始终是最新版本，这里的文章未经同意请勿转载。引用请注明出处：https://www.guanjihuan.com】