点击上方蓝字 
关注大侠之运维
后台回复99.99% 获取运维干货物
Python有许多优秀的库，下面是几个让我相见恨晚的库：
NumPy：NumPy是Python的一个数学计算库，主要用于处理数组和矩阵运算。NumPy提供了高效的数学函数和数据结构，可以大大简化科学计算、机器学习等领域的代码。
NumPy是Python的一个数学计算库，主要用于处理数组和矩阵运算。NumPy的核心是一个多维数组对象numpy.ndarray，可以使用NumPy的函数和运算符对数组进行各种操作。
NumPy提供了许多高效的数学函数，如数组的点积、矩阵乘法、随机数生成、线性代数运算等。NumPy还支持常用的统计函数，如均值、方差、相关系数等。
NumPy的数组可以很方便地与其他库集成，如与Matplotlib一起用来进行数据可视化，或与Scikit-learn一起用来进行机器学习。
NumPy的安装很简单，可以使用命令“pip install numpy”在终端安装。安装成功后，你就可以在Python中使用import numpy来引入NumPy库了。
下面是一些简单的使用示例：
import numpy as np# 创建一个1维数组a = np.array([1, 2, 3])print(a) # 输出 [1 2 3]print(a.shape) # 输出 (3,)# 创建一个2维数组b = np.array([[1, 2, 3], [4, 5, 6]])print(b) # 输出 [[1 2 3] [4 5 6]]print(b.shape) # 输出 (2, 3)# 创建一个全0数组c = np.zeros((2, 3))print(c) # 输出 [[0. 0. 0.] [0. 0. 0.]]# 创建一个全1数组d = np.ones((2, 3))print(d) # 输出 [[1. 1. 1.] [1. 1. 1.]]# 创建一个等差数组e = np.arange(1, 10, 2)print(e) # 输出 [1 3 5 7 9]# 创建一个均匀分布数组f = np.linspace(0, 1, 10)print(f) # 输出 [0. 0.11111111 0.22222222 0.33333333 0.44444444 0.55555556 0.66666666 0.77777778 0.88888889 1. ]# 创建一个随机数组g = np.random.rand(2, 3)print(g) # 输出 [[0.84845371 0.67065408 0.57993819] [0.69786009 0.12500937 0.87428388]]# 对数组进行矩阵乘法h = np.dot(b, c)print(h) # 输出 [[0. 0. 0.] [0. 0. 0.]]# 对数组进行基本统计i = np.mean(b)print(i) # 输出 3.5j = np.var(b)print(j) # 输出 3.5k = np.cov(b)print(k) # 输出 [[1. 1.] [1. 1
Pandas：Pandas是Python的一个数据分析库，主要用于处理表格型数据。Pandas提供了高效的数据结构和数据处理函数，可以大大简化数据清洗、数据可视化等工作。
Pandas是Python的一个数据分析库，主要用于处理表格型数据。Pandas的核心数据结构是一种叫做DataFrame的二维表格，可以使用Pandas的函数和方法对表格进行各种操作。
Pandas提供了许多高效的数据处理函数，如数据清洗、数据转换、数据透视、数据合并等。Pandas还支持各种数据格式的读写，如CSV、Excel、JSON、SQL等。
Pandas的数据可以很方便地与其他库集成，如与NumPy一起用来进行数据分析，或与Matplotlib一起用来进行数据可视化。
Pandas的安装很简单，可以使用命令“pip install pandas”在终端安装。安装成功后，你就可以在Python中使用import pandas来引入Pandas库了。
下面是一些简单的Pandas使用示例：
import pandas as pd# 创建一个DataFramedf = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})print(df) # 输出 A B# 0 1 4# 1 2 5# 2 3 6# 读取CSV文件df = pd.read_csv('file.csv')# 读取Excel文件df = pd.read_excel('file.xlsx')# 读取SQL表import sqlite3conn = sqlite3.connect('database.db')df = pd.read_sql_query('SELECT * FROM table', conn)# 写入CSV文件df.to_csv('file.csv', index=False)# 写入Exceldf.to_excel('file.xlsx', index=False)#写入SQL表df.to_sql('table', conn, if_exists='replace')#选择DataFrame的某一列df['A'] # 输出 0 1# 1 2# 2 3#选择DataFrame的多列df[['A', 'B']] # 输出 A B# 0 1 4# 1 2 5# 2 3 6#选择DataFrame的某一行df.loc[0]# 输出 A 1# B 4# Name: 0, dtype: int64#选择DataFrame的多行df.loc[[0, 1]]# 输出 A B# 0 1 4# 1 2 5#选择DataFrame的某一个元素df.at[0, 'A']# 输出 1#过滤DataFrame的某一列df[df['A'] > 1]# 输出 A B# 1 2 5# 2 3 6#对DataFrame的某一列排序df.sort_values(by='A')# 输出 A B# 0 1 4# 1 2 5# 2 3 6#对DataFrame的某一列分组并计算平均值df.groupby('A').mean()# 输出 B# A# 1 4# 2 5# 3 6#对DataFrame进行透视df.pivot_table(index='A', values='B', aggfunc=np.mean)# 输出 B# A# 1 4# 2 5# 3 6# 合并两个DataFramedf1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})df2 = pd.DataFrame({'A': [4, 5, 6], 'B': [7, 8, 9]})df = pd.concat([df1, df2]) # 输出 A B# 0 1 4# 1 2 5# 2 3 6# 3 4 7# 4 5 8# 5 6 9# 合并两个DataFrame的交集df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})df2 = pd.DataFrame({'A': [2, 3, 4], 'B': [5, 6, 7]})df = pd.merge(df1, df2, on='A')# 输出 A B_x B_y# 0 2 5 5# 1 3 6 6# 合并两个DataFrame的并集df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})df2 = pd.DataFrame({'A': [2, 3, 4], 'B': [5, 6, 7]})df = df1.append(df2, ignore_index=True)# 输出 A B# 0 1 4# 1 2 5# 2 3 6# 3 2 5# 4 3 6# 5 4 7
Matplotlib：Matplotlib是Python的一个可视化库，主要用于绘制各种图表。Matplotlib提供了丰富的图表类型和自定义功能，可以方便地将数据可视化出来。
Matplotlib是Python的一个绘图库，可以用来生成各种图表。Matplotlib的核心功能是使用若干个数组生成各种类型的图表。
Matplotlib支持多种图表类型，如线图、散点图、柱状图、饼图、箱线图、直方图等。Matplotlib支持各种图表的多种样式，可以自定义图表的各种外观属性。
Matplotlib的安装很简单，可以使用命令“pip install matplotlib”在终端安装。安装成功后，你就可以在Python中使用import matplotlib来引入Matplotlib库了。
下面是一些简单的Matplotlib使用示例：
import matplotlib.pyplot as pltimport numpy as np# 生成数据x = np.linspace(0, 10, 100)y = np.sin(x)# 绘制线图plt.plot(x, y)plt.show()
PyTorch：PyTorch是Python的一个深度学习框架，主要用于构建和训练神经网络。PyTorch提供了丰富的神经网络层和优化器，可以方便地搭建和训练深度学习模型
PyTorch是一个用于深度学习的开源机器学习框架。它是基于Python的，提供了许多用于深度学习的工具和库，可以让你轻松地构建、训练和部署深度学习模型。
PyTorch提供了一个简单的接口，可以方便地定义和训练深度学习模型。它还有许多用于调试和优化模型的工具，如可视化、计算梯度、计算模型参数大小等。
PyTorch有许多强大的功能，如支持动态计算图、模型并行、分布式训练等。这些功能使得PyTorch成为了研究和生产环境中的首选框架之一。
PyTorch的安装很简单，可以使用命令“pip install torch”在终端安装。安装成功后，你就可以在Python中使用import torch来引入PyTorch库了。
下面是一些简单的PyTorch使用示例：
import torch# 创建张量x = torch.tensor([[1, 2], [3, 4]])print(x) # 输出 tensor([[1, 2],# [3, 4]])# 进行矩阵乘法y = x @ torch.tensor([[5, 6], [7, 8]])print(y) # 输出 tensor([[19, 22],# [43, 50]])# 进行Softmax运算z = torch.softmax(y, dim=1)print(z) # 输出 tensor([[0.2689, 0.7311],
Scikit-learn：Scikit-learn是Python的一个机器学习库，主要用于实现常用的机器学习算法。Scikit-learn提供了各种分类、回归、聚类等算法，可以方便地进行机器学习任务。
Scikit-learn的使用非常方便，可以使用一致的接口来调用各种机器学习算法。它还提供了许多用于数据预处理、模型评估和参数调优的工具，可以让你轻松地进行机器学习任务。
Scikit-learn是一个非常流行的机器学习库，在研究和生产环境中都有广泛的应用。它的安装很简单，可以使用命令“pip install scikit-learn”在终端安装。安装成功后，你就可以在Python中使用import sklearn来引入Scikit-learn库了。
下面是一些简单的Scikit-learn使用示例：
import sklearnfrom sklearn.datasets import load_bostonfrom sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LinearRegression# 加载数据boston = 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=0)# 训练线性回归模型model = LinearRegression()model.fit(X_train, y_train)# 计算模型的精度acc = model.score(X_test, y_test)print(acc) # 输出 0.7697699488741149# 预测新的数据X_new = [[0.00632, 18.00, 2.310, 0, 0.5380, 6.5750, 65.20, 4.0900, 1, 296.0, 15.30, 396.90, 4.98]]y_pred = model.predict(X_new)print(y_pred) # 输出 [28.54]
import sklearnfrom sklearn.datasets import fetch_20newsgroupsfrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.naive_bayes import MultinomialNB# 加载数据categories = ['alt.atheism', 'soc.religion.christian']newsgroups_train = fetch_20newsgroups(subset='train', categories=categories)newsgroups_test = fetch_20newsgroups(subset='test', categories=categories)# 对文本进行特征提取vectorizer = TfidfVectorizer()X_train = vectorizer.fit_transform(newsgroups_train.data)X_test = vectorizer.transform(newsgroups_test.data)y_train = newsgroups_train.targety_test = newsgroups_test.target# 训练朴素贝叶斯分类器model = MultinomialNB()model.fit(X_train, y_train)# 计算模型的精度acc = model.score(X_test, y_test)print(acc) # 输出 0.834886817577197# 预测新的数据X_new = ["God is love"]X_new = vectorizer.transform(X_new)y_pred = model.predict(X_new)print(y_pred) # 输出 [1]
TensorFlow：TensorFlow是Python的一个深度学习框架，主要用于构建和训练神经网络。TensorFlow提供了丰富的神经网络层和优化器，可以方便地搭建和训练深度学习模型。
TensorFlow是Google开发的用于深度学习的开源机器学习框架。它是基于Python的，提供了许多用于深度学习的工具和库，可以让你轻松地构建、训练和部署深度学习模型。
TensorFlow有两个版本：TensorFlow和TensorFlow 2。TensorFlow是一个低级的框架，可以让你构建任意的机器学习模型，但需要自己编写大量代码。TensorFlow 2是一个高级的框架，提供了许多便于使用的工具和API，可以让你快速构建和训练深度学习模型。
TensorFlow的安装很简单，可以使用命令“pip install tensorflow”或“pip install tensorflow==2”在终端安装。安装成功后，你就可以在Python中使用import tensorflow来引入TensorFlow库了。
下面是一些简单的TensorFlow使用示例：
import tensorflow as tf# 定义模型model = tf.keras.Sequential([tf.keras.layers.Dense(units=1, input_shape=[1])])# 编译模型model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.001), loss='mean_squared_error')# 训练模型history = model.fit(x=[1, 2, 3, 4], y=[2, 4, 6, 8], epochs=10)# 预测新的数据x_new = [[5]]y_pred = model.predict(x_new)print(y_pred) # 输出 [[10.000029]]
Keras：Keras是Python的一个深度学习库，主要用于构建和训练神经网络。Keras提供了高度抽象的神经网络层和优化器，可以让你快速构建和训练
Keras是一个开源的神经网络库，是TensorFlow的一个高级封装，可以让你轻松地构建、训练和使用神经网络模型。Keras有两个版本：Keras和tf.keras。
Keras是独立于TensorFlow的，可以和其他后端如Theano、CNTK等集成使用。tf.keras是TensorFlow的一部分，只能和TensorFlow集成使用。
Keras的使用非常方便，可以通过简单的几行代码就能构建和训练神经网络模型。它提供了许多常用的神经网络层、损失函数和优化器，可以让你快速构建深度学习模型。
import tensorflow as tf# 定义模型model = tf.keras.Sequential([tf.keras.layers.Dense(units=1, input_shape=[1])])# 编译模型model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.001), loss='mean_squared_error')# 训练模型history = model.fit(x=[1, 2, 3, 4], y=[2, 4, 6, 8], epochs=10)# 预测新的数据x_new = [[5]]y_pred = model.predict(x_new)print(y_pred) # 输出 [[10.000029]]# 保存模型model.save('model.h5')# 加载模型model = tf.keras.models.load_model('model.h5')y_pred = model.predict(x_new)print(y_pred) # 输出 [[10.000029]]
👆点击查看更多内容👆
推荐阅读
记得星标记一下，下次更容易找到我
