Python 20 个常用库详解及代码示例

二、数据可视化

3. Matplotlib：基础绘图库

核心功能：提供类似 MATLAB 的绘图接口，支持折线图、柱状图、散点图等几乎所有基础图表。

适用场景：数据趋势展示、实验结果可视化。

import matplotlib.pyplot as plt
import numpy as np
# 生成数据
x = np.linspace(0, 10, 100) # 0 到 10 之间的 100 个点
y = np.sin(x) # 正弦曲线
# 绘制折线图
plt.figure(figsize=(8, 4)) # 设置画布大小
plt.plot(x, y, label="sin(x)", color="blue", linestyle="--")
plt.xlabel("x 轴")
plt.ylabel("y 轴")
plt.title("正弦曲线")
plt.legend() # 显示图例
plt.grid(True) # 显示网格
plt.show() # 展示图像

4. Seaborn：统计可视化库

核心功能：基于 Matplotlib 封装，提供更美观的统计图表，支持热图、箱线图、小提琴图等。

适用场景：统计分析可视化（如变量相关性、数据分布）。

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 生成数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 使用 Seaborn 绘制
plt.figure(figsize=(8, 4))
sns.lineplot(x=x, y=y, label="sin(x)")
plt.xlabel("x 轴")
plt.ylabel("y 轴")
plt.title("正弦曲线")
plt.legend()
plt.grid(True)
plt.show()

三、Web 开发

5. Flask：轻量级 Web 框架

核心功能：极简的 Web 框架，无固定结构，适合小型应用和 API 开发。

适用场景：快速搭建后端 API、个人博客、小型网站。

from flask import Flask, jsonify
# 创建 Flask 应用
app = Flask(__name__)
# 定义路由（访问 http://localhost:5000/时触发）
@app.route("/")
def hello():
    return "Hello, Flask!"
# 定义 API 接口（返回 JSON 数据）
@app.route("/api/user")
def get_user():
    user = {"name": "张三", "age": 25, "city": "北京"}
    return jsonify(user) # 自动转换为 JSON 格式
# 启动服务（仅在直接运行脚本时执行）
if __name__ == "__main__":
    app.run(debug=True) # debug=True 表示开发模式（自动重启）

6. Django：全功能 Web 框架

核心功能：'电池内置'的重量级框架，包含 ORM、Admin 后台、用户认证等完整功能。

适用场景：大型网站（如电商平台、内容管理系统）。

# 安装后创建项目和应用（命令行操作）
# django-admin startproject mysite
# cd mysite
# python manage.py startapp blog
# blog/views.py（定义视图）
from django.http import HttpResponse
def index(request):
    return HttpResponse("Hello, Django!")
# blog/urls.py（定义路由）
from django.urls import path
from . import views
urlpatterns = [
    path("", views.index, name="index"),
]
# mysite/urls.py（主路由）
from django.contrib import admin
from django.urls import include, path
urlpatterns = [
    path("admin/", admin.site.urls), # Django 自带的 Admin 后台
    path("blog/", include("blog.urls")),
]

四、网络请求与解析

7. Requests：HTTP 请求库

核心功能：简洁的 HTTP 请求接口，支持 GET/POST、Cookie、会话管理等。

适用场景：爬虫、API 调用、网络数据获取。

import requests
# 发送 GET 请求（获取网页内容）
url = "https://api.github.com"
response = requests.get(url)
print("状态码：", response.status_code) # 200 表示成功
print("响应内容：\n", response.json()) # 解析 JSON 响应
# 发送 POST 请求（提交数据）
data = {"username": "test", "password": "123"}
response = requests.post("https://httpbin.org/post", data=data)
print("POST 响应：\n", response.text)

8. BeautifulSoup：HTML 解析库

核心功能：解析 HTML/XML 文档，提取标签内容、属性等信息。

适用场景：网页数据提取（爬虫）、HTML 内容处理。

from bs4 import BeautifulSoup
import requests
# 获取网页内容
url = "https://book.douban.com/top250"
response = requests.get(url)
html = response.text
# 解析 HTML
soup = BeautifulSoup(html, "html.parser")
# 使用 html.parser 解析器
# 提取书籍名称（假设书籍名在 class 为"title"的 span 标签中）
book_titles = []
for title_tag in soup.find_all("span", class_="title"):
    title = title_tag.get_text(strip=True) # 去除空格
    if title: # 过滤空值
        book_titles.append(title)
print("豆瓣 Top250 书籍前 5 本：", book_titles[:5])

五、科学计算与机器学习

9. Scikit-learn：机器学习入门库

核心功能：提供分类、回归、聚类等经典机器学习算法，以及数据预处理工具。

适用场景：机器学习入门、传统算法应用（如鸢尾花分类、房价预测）。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# 加载数据集（鸢尾花分类）
iris = load_iris()
X = iris.data # 特征（花萼长度、宽度等）
y = iris.target # 标签（3 种鸢尾花）
# 划分训练集和测试集（8:2）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 训练随机森林模型
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)
# 预测并评估
y_pred = model.predict(X_test)
print("模型准确率：", accuracy_score(y_test, y_pred)) # 通常>0.9

10. TensorFlow：深度学习框架

核心功能：谷歌开发的深度学习框架，支持神经网络构建、训练和部署。

适用场景：图像识别、自然语言处理（NLP）、深度学习研究。

import tensorflow as tf
from tensorflow.keras import layers
# 构建简单的神经网络（手写数字识别）
model = tf.keras.Sequential([
    layers.Flatten(input_shape=(28, 28)), # 输入层：将 28x28 图像展平为 784 维向量
    layers.Dense(128, activation="relu"), # 隐藏层：128 个神经元，ReLU 激活
    layers.Dense(10, activation="softmax") # 输出层：10 个类别（0-9），softmax 归一化
])
# 编译模型
model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])
# 加载 MNIST 数据集（手写数字）
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0 # 归一化到 0-1
# 训练模型
model.fit(x_train, y_train, epochs=5)
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print("测试准确率：", test_acc)

六、自动化与工具类

11. Selenium：自动化测试工具

核心功能：模拟浏览器操作（点击、输入、跳转等），支持 Chrome、Firefox 等浏览器。

适用场景：Web 自动化测试、动态网页爬虫（JavaScript 渲染的内容）。

from selenium import webdriver
from selenium.webdriver.common.by import By
from time import sleep
# 初始化 Chrome 浏览器（需下载对应版本的 chromedriver）
driver = webdriver.Chrome()
# 打开百度
driver.get("https://www.baidu.com")
sleep(2) # 等待页面加载
# 搜索"Python"
search_box = driver.find_element(By.ID, "kw") # 找到搜索框（ID 为 kw）
search_box.send_keys("Python") # 输入内容
search_box.submit() # 提交搜索
sleep(3) # 等待结果加载
# 截图保存
driver.save_screenshot("百度搜索 Python.png")
# 关闭浏览器
driver.quit()

12. Pathlib：文件路径处理

核心功能：面向对象的文件路径操作，比传统的 os.path 更直观。

适用场景：文件/目录创建、路径拼接、文件属性获取。

from pathlib import Path
# 定义路径（当前目录下的"data"文件夹）
data_dir = Path("data")
# 创建目录（如果不存在）
data_dir.mkdir(exist_ok=True) # exist_ok=True 表示目录存在时不报错
# 创建文件并写入内容
file_path = data_dir / "test.txt" # 路径拼接（跨平台兼容）
file_path.write_text("Hello, Pathlib!")
# 读取文件内容
print("文件内容：", file_path.read_text())
# 查看文件属性
print("文件大小（字节）：", file_path.stat().st_size)
print("是否为文件：", file_path.is_file())

13. DateTime：日期时间处理

核心功能：处理日期、时间的创建、转换和计算（Python 内置库）。

适用场景：日志时间记录、时间差计算、日期格式转换。

from datetime import datetime, timedelta
# 获取当前时间
now = datetime.now()
print("当前时间：", now.strftime("%Y-%m-%d %H:%M:%S")) # 格式化输出
# 计算 3 天后的日期
future = now + timedelta(days=3)
print("3 天后：", future.strftime("%Y-%m-%d"))
# 解析字符串为 datetime 对象
date_str = "2023-10-01"
date_obj = datetime.strptime(date_str, "%Y-%m-%d")
print("解析后的日期：", date_obj.year, "年", date_obj.month, "月")

七、其他实用库

14. Pillow（PIL）：图像处理

核心功能：图像打开、裁剪、旋转、滤镜等基本处理。

适用场景：图片批量处理、验证码识别预处理。

from PIL import Image, ImageFilter
# 打开图片
img = Image.open("test.jpg")
# 基本操作
print("图片尺寸：", img.size) # (宽度，高度)
img_rotated = img.rotate(90) # 旋转 90 度
img_blurred = img.filter(ImageFilter.BLUR) # 模糊处理
# 保存处理后的图片
img_rotated.save("test_rotated.jpg")
img_blurred.save("test_blurred.jpg")

15. Re：正则表达式

核心功能：字符串模式匹配与处理（Python 内置库）。

适用场景：邮箱/手机号验证、字符串提取、文本清洗。

import re
# 验证邮箱格式
email = "[email protected]"
pattern = r"^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$"
if re.match(pattern, email):
    print(f"{email} 是有效的邮箱")
else:
    print(f"{email} 是无效的邮箱")
# 提取字符串中的所有数字
text = "订单号：20231001，金额：99.9 元，数量：3"
numbers = re.findall(r"\d+\.?\d*", text) # 匹配整数或小数
print("提取的数字：", numbers) # 输出 ['20231001', '99.9', '3']

16. Logging：日志记录

核心功能：灵活的日志系统，支持分级（DEBUG/INFO/WARNING/ERROR）、文件输出等。

适用场景：程序调试、运行状态跟踪、错误排查。

import logging
# 配置日志（格式、级别、输出文件）
logging.basicConfig(
    level=logging.INFO, # 只记录 INFO 及以上级别
    format="%(asctime)s - %(levelname)s - %(message)s",
    filename="app.log" # 日志保存到文件
)
# 记录不同级别的日志
logging.debug("这是调试信息（不会被记录，因为级别是 INFO）")
logging.info("程序启动成功")
logging.warning("注意：内存使用率超过 80%")
logging.error("数据库连接失败")

17. Argparse：命令行参数解析

核心功能：解析命令行参数，自动生成帮助信息。

适用场景：命令行工具开发、脚本参数配置。

import argparse
# 创建解析器
parser = argparse.ArgumentParser(description="一个简单的命令行工具")
# 添加参数
parser.add_argument("name", help="用户名") # 必选参数
parser.add_argument("-a", "--age", type=int, help="年龄（可选）") # 可选参数
# 解析参数
args = parser.parse_args()
# 使用参数
print(f"Hello, {args.name}!")
if args.age:
    print(f"你今年{args.age}岁")
# 运行方式：python script.py 张三 -a 25
# 输出：Hello, 张三！你今年 25 岁

18. PyPDF2：PDF 处理

核心功能：PDF 文件合并、拆分、提取文本等操作。

适用场景：PDF 批量处理、文档内容提取。

from PyPDF2 import PdfReader, PdfWriter
# 提取 PDF 文本
text = ""
reader = PdfReader("example.pdf")
for page in reader.pages:
    text += page.extract_text()
print("PDF 文本内容：\n", text[:200]) # 打印前 200 字符
# 合并两个 PDF
writer = PdfWriter()
for pdf in ["file1.pdf", "file2.pdf"]:
    reader = PdfReader(pdf)
    for page in reader.pages:
        writer.add_page(page)
with open("merged.pdf", "wb") as f:
    writer.write(f)

19. Pytest：单元测试框架

核心功能：简单易用的测试框架，支持断言、测试用例参数化、夹具（fixture）等。

适用场景：代码单元测试、自动化测试。

# 安装：pip install pytest
# 测试文件命名：test_*.py 或 *_test.py
# test_math.py
def add(a, b):
    return a + b

def test_add():
    assert add(2, 3) == 5 # 断言成功
    assert add(-1, 1) == 0 # 断言成功

def test_add_str():
    assert add("Hello", " World") == "Hello World" # 测试字符串拼接
# 运行测试：pytest test_math.py -v
# 输出测试结果（通过/失败）

20. Threading：多线程编程

核心功能：实现多线程并发，提高程序执行效率（Python 内置库）。

适用场景：IO 密集型任务（如网络请求、文件读写）。

import threading
import time

def task(name, delay):
    """线程任务：每隔 delay 秒打印一次"""
    for i in range(3):
        time.sleep(delay)
        print(f"任务{name}：第{i+1}次执行（线程 ID：{threading.current_thread().ident}）")

# 创建线程
t1 = threading.Thread(target=task, args=("A", 1)) # 任务 A，间隔 1 秒
t2 = threading.Thread(target=task, args=("B", 2)) # 任务 B，间隔 2 秒
# 启动线程
t1.start()
t2.start()
# 等待线程结束
t1.join()
t2.join()
print("所有任务执行完毕")

总结：按场景选择合适的库

这些库是 Python 生态的基石，掌握它们能极大提升开发效率。实际项目中，往往需要多个库配合使用（例如用 Requests 爬取数据，Pandas 清洗，Matplotlib 可视化）。建议根据具体需求深入学习 1-2 个领域的库，再逐步扩展到其他领域。