Python 常用库实用清单：从数值计算到深度学习

Bokeh

Bokeh 更偏交互式图表，适合直接放到网页里。相比静态图，它更适合需要悬停、缩放、联动查看的场景。

Plotly

Plotly 也是交互式图表的常用选择，尤其在 notebook 里很好用。它支持一些别的库不太常见的图形，比如等值线图、树形图和三维图表。

pygal

pygal 的特点是可以直接输出 SVG，嵌到网页里很方便。如果你想要轻量、可交互、又不想引入太重的前端逻辑，它能顶一阵。

geoplotlib

geoplotlib 用来做地理数据可视化，常见的等值区域图、热度图、点密度图都能覆盖。做地图类展示时，它比通用绘图库更直接。

missingno

missingno 主要用来快速看缺失值分布。数据清洗阶段，它能帮你更快判断哪几列缺得厉害，值不值得单独处理。

3. Web 开发

Python 做 Web 开发，优势不在'什么都能写'，而在框架选择够多。偏全栈、偏轻量、偏异步，各有合适的工具。

Django

Django 是成熟的高层 Web 框架，模板、ORM、认证这些常见能力都带得比较全。适合快速搭系统，不太适合一开始就追求极简。

Socket

Socket 是底层套接字通信库，用来建立 TCP 或 UDP 连接。它离业务代码比较远，但理解它对排查网络问题很有帮助。

Flask

Flask 基于 Werkzeug 和 Jinja2，轻量，适合做 API 服务和小型 Web 应用。它的边界感比较清楚，想要什么自己加，没那么多默认约束。

典型用法：

from flask import Flask
app = Flask(__name__)
@app.route('/')
def hello():
    return 'Hello World'

Twisted

Twisted 是事件驱动的网络引擎框架，基于 deferred object。它更适合处理网络通信和异步流程，不是那种上来就'写页面'的框架。

Tornado

Tornado 也是异步网络库和 Web 框架，非阻塞 I/O 是它的核心。连接量大、请求多的时候，它的思路会更贴合这种场景。

4. 数据库管理

Python 连接数据库不难，难的是选对驱动。能少踩兼容坑，通常比多一点'纯 Python'更重要。

MySQL-python

MySQL-python，也叫 MySQLdb，是早期很常见的 MySQL 驱动，但它只支持 Python 2.x，今天基本不建议新项目再碰。

mysqlclient

mysqlclient 可以看作 MySQLdb 的延续，兼容性更好，也支持 Python 3.x。Django 项目里经常能看到它。

PyMySQL

PyMySQL 是纯 Python 实现，安装起来最省心，适合不想折腾编译依赖的场景。速度不一定占优，但很多时候够用。

SQLAlchemy

SQLAlchemy 既能写原生 SQL，也能走 ORM。它的价值不只是'少写 SQL'，更在于把数据库访问层组织得更清楚。

5. 自动化运维

运维工具这类库，通常不是为了优雅，而是为了把重复劳动收掉。能稳定跑、好审计，往往比界面好看更重要。

jumpserver

jumpserver 是用 Python 编写的开源堡垒机系统，认证、授权、审计这些基本能力都覆盖到了。

Magedu 分布式监控系统

这是一个 Python 开发的自动化监控系统，可以监控常见系统服务、应用和网络设备。

Magedu 的 CMDB

这是一个 Python 开发的硬件管理系统，包含硬件数据采集、API 和页面管理等功能。

任务调度系统

这类系统主要用于把服务进程自动分发到多台机器上，核心是调度和执行，不是花哨的管理界面。

Python 运维流程系统

这是一个用 Python 编写的调度和监控工作流平台，适合把一些运维动作串成流程。

6. GUI 编程

桌面 GUI 在 Python 里不是最热的方向，但如果你只是要做内部工具、简单客户端，还是挺实用的。

Tkinter

Tkinter 是 Python 自带的标准 GUI 库，优点是不用额外装太多东西，跨平台也还可以。

wxPython

wxPython 是对 wxWidgets 的 Python 封装，偏传统桌面应用风格，跨平台能力不错。

PyQt

PyQt 基于 Qt，功能强，生态也成熟。代价是上手成本高一点，许可证问题在商用场景里要先想清楚。

PySide

PySide 也是 Qt 的 Python 绑定，功能和 PyQt 接近。选它还是 PyQt，很多时候取决于许可证和团队习惯。

7. 机器学习

机器学习库里，真正常用的通常就那么几类：通用建模、增强型模型、时间序列，外加一些可视化式工具。

Scikit-Learn

Scikit-Learn 基于 NumPy 和 SciPy，覆盖了分类、回归、聚类、特征工程等常见任务。它是做传统机器学习最常见的入口。

典型用法：

from sklearn.linear_model import LogisticRegression
clf = LogisticRegression()
# clf.fit(X_train, y_train)

Orange3

Orange3 更像一套组件化的数据挖掘和机器学习软件，支持 Python 脚本开发。适合边试边看结果的场景。

XGBoost

XGBoost 是梯度提升算法里非常常见的实现，训练快，效果也稳，所以在很多结构化数据任务里都能见到它。

NuPIC

NuPIC 主要面向时间序列，核心算法是 HTM。它不是最主流的通用机器学习库，但在特定问题上有自己的位置。

Milk

Milk（Machine Learning Toolkit）注重运行速度和内存占用，定位比较明确，不过在今天的项目里出现频率没那么高了。

8. 深度学习

深度学习框架更新很快，但有些名字即便不再是最新，也依然值得认识，因为代码、模型和历史项目里经常会碰到。

Caffe

Caffe 强调表达式、速度和模块化，在视频和图像处理场景里用得比较多。

Theano

Theano 诞生于 2008 年，是高性能符号计算和深度学习库，算是比较早的一批深度学习框架。

TensorFlow

TensorFlow 是较高层的机器学习库，核心代码用 C++ 编写，并支持自动求导。

典型用法：

import tensorflow as tf
model = tf.keras.Sequential([...])

Keras

Keras 是高度模块化的神经网络库，Python 接口友好，能运行在 TensorFlow 和 Theano 上。写原型时，它通常比直接堆底层接口省力。

结语

这份清单里，有些库适合现在就上手，有些更像'看到项目遗留代码时别犯怵'的工具。真正落到选型上，还是看任务类型、团队熟悉度和维护成本。Python 生态的好处就在这里：同一件事，通常不止一个解法。