Python 常用库实战指南代码示例 可视化图表一站式掌握 Python 生态核心库 NumPy Pandas Matplotlib Scikit-learn Requests⚗️ Flask NumPy Pandas Matplotlib Scikit-learn Requests⚗️ FlaskNumPy — 科学计算基础高性能多维数组运算数学计算的基石pip install numpynumpy_demo.pyimport numpy as np # ① 创建数组 a np.array([1, 2, 3, 4, 5]) b np.zeros((3, 3)) # 全零矩阵 c np.arange(0, 10, 2) # [0,2,4,6,8] # ② 数学运算向量化 x np.linspace(0, 2*np.pi, 100) y_sin np.sin(x) # 正弦波 y_cos np.cos(x) # 余弦波 # ③ 矩阵运算 A np.array([[1,2],[3,4]]) B np.array([[5,6],[7,8]]) C np.dot(A, B) # 矩阵乘法 inv_A np.linalg.inv(A) # 求逆矩阵 # ④ 统计函数 data np.random.randn(1000) print(f均值: {data.mean():.4f}) print(f标准差: {data.std():.4f}) print(f形状: {data.shape})▶ 输出结果均值: -0.0023标准差: 0.9987形状: (1000,)NumPy 生成正弦/余弦波形图ndarrayN维数组核心数据结构⚡向量化运算无需循环极速批量计算线性代数矩阵乘法、求逆、特征值随机数均匀/正态/泊松分布广播机制不同形状数组自动对齐互操作Pandas/PyTorch底层依赖Pandas — 数据分析神器DataFrame 结构化数据处理Excel/CSV 好搭档pip install pandaspandas_read.pyimport pandas as pd # 创建 DataFrame data { 姓名: [张三,李四,王五,赵六], 数学: [92, 85, 78, 96], 英语: [88, 72, 90, 83], Python: [95, 88, 82, 91] } df pd.DataFrame(data) # 读取 CSV 文件 # df pd.read_csv(scores.csv) # 查看基本信息 print(df.head()) # 前5行 print(df.describe()) # 统计摘要 print(df.dtypes) # 数据类型▶ df.head() 输出姓名 数学 英语 Python0 张三 92 88 951 李四 85 72 882 王五 78 90 823 赵六 96 83 91Matplotlib — 数据可视化折线图、柱状图、饼图、散点图一库搞定pip install matplotlibmatplotlib_demo.pyimport matplotlib.pyplot as plt import numpy as np fig, axes plt.subplots(2, 2, figsize(10, 8)) # ① 折线图 x np.linspace(0, 2*np.pi, 100) axes[0,0].plot(x, np.sin(x), color#6c63ff) axes[0,0].set_title(折线图 - 正弦波) # ② 散点图 x2 np.random.randn(200) y2 x2 * 0.8 np.random.randn(200) axes[0,1].scatter(x2, y2, alpha0.5) axes[0,1].set_title(散点图 - 相关性) # ③ 柱状图 cats [语文, 数学, 英语, Python] vals [85, 92, 78, 95] axes[1,0].bar(cats, vals) axes[1,0].set_title(柱状图 - 成绩) # ④ 饼图 labels [A班, B班, C班] sizes [40, 35, 25] axes[1,1].pie(sizes, labelslabels, autopct%1.1f%%) plt.tight_layout() plt.savefig(charts.png, dpi150) plt.show()折线图散点图柱状图饼图Scikit-learn — 机器学习分类/回归/聚类统一 API五步完成建模pip install scikit-learn加载数据→预处理→✂️划分集合→️训练模型→评估预测sklearn_demo.pyfrom sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, classification_report # ① 加载数据集鸢尾花150条 iris load_iris() X, y iris.data, iris.target # ② 划分训练集/测试集 X_train, X_test, y_train, y_test \ train_test_split(X, y, test_size0.2, random_state42) # ③ 特征标准化 scaler StandardScaler() X_train scaler.fit_transform(X_train) X_test scaler.transform(X_test) # ④ 训练随机森林模型 model RandomForestClassifier( n_estimators100, random_state42) model.fit(X_train, y_train) # ⑤ 预测与评估 y_pred model.predict(X_test) acc accuracy_score(y_test, y_pred) print(f准确率: {acc:.2%}) # → 96.67%▶ 输出结果准确率: 96.67%precision recall f1-scoresetosa 1.00 1.00 1.00versicolor 0.91 1.00 0.95virginica 1.00 0.90 0.95随机森林特征重要性排名常见 sklearn 模型一览分类LogisticRegressionSVM / RandomForestKNeighbors回归LinearRegressionRidge / LassoGradientBoosting聚类KMeansDBSCANAgglomerativeCl.降维PCAt-SNETruncatedSVDRequests BeautifulSoup — 网络爬虫发送请求获取网页解析 HTML 提取所需数据pip install requests beautifulsoup4 目标网址→ Requests发送请求→ HTML文本→ BeautifulSoup解析提取→ 存储数据crawler_demo.pyimport requests from bs4 import BeautifulSoup import pandas as pd # ① 发送 HTTP 请求 headers { User-Agent: Mozilla/5.0 } url https://example.com resp requests.get(url, headersheaders, timeout10) resp.encoding utf-8 # ② 检查状态码 if resp.status_code 200: # ③ 解析 HTML soup BeautifulSoup( resp.text, html.parser) # ④ 提取数据 title soup.find(h1).text links [a[href] for a in soup.find_all(a) if a.get(href)] items soup.select(ul li) texts [i.text.strip() for i in items] # ⑤ 存储到 CSV pd.DataFrame({链接: links}).\ to_csv(links.csv, indexFalse) print(f成功爬取 {len(links)} 个链接)1发送请求使用requests.get(url)获取网页内容注意设置headers模拟浏览器避免被反爬。2解析结构使用BeautifulSoup将 HTML 字符串转为可操作的树形结构。3提取数据find()找第一个标签find_all()找所有select()用 CSS 选择器。4存储数据结合 Pandas 保存为CSV / Excel或写入数据库。⚠️爬虫礼仪请遵守网站 robots.txt控制请求频率勿用于商业数据采集尊重版权与隐私。⚗️Flask — 轻量 Web 框架用 Python 快速搭建 Web 应用 / API 接口pip install flaskapp.pyfrom flask import Flask, jsonify, request app Flask(__name__) # 学生数据模拟数据库 students [ {id: 1, name: 张三, score: 92}, {id: 2, name: 李四, score: 85}, ] # GET 查询所有学生 app.route(/students, methods[GET]) def get_students(): return jsonify(students) # GET 按 id 查询 app.route(/students/int:sid) def get_student(sid): stu next((s for s in students if s[id] sid), None) return jsonify(stu) if stu \ else (Not Found, 404) # POST 新增学生 app.route(/students, methods[POST]) def add_student(): data request.get_json() students.append(data) return jsonify(data), 201 if __name__ __main__: app.run(debugTrue, port5000) API 路由结构GET/students查询全部GET/students/1查询单个POST/students新增学生▶ GET /students 响应[{id: 1,name: 张三,score: 92},{id: 2,name: 李四,score: 85}] 运行后访问 http://127.0.0.1:5000/students即可在浏览器中看到 JSON 数据 学习路线推荐 入门阶段NumPy Pandas学习数组和表格操作基础 进阶阶段Matplotlib Seaborn把数据变成直观图表 实战阶段Requests BS4爬取真实数据来分析 高阶阶段Scikit-learn Flask建模 部署完整应用网址观看详细版ttps://lijunjie070318-maker.github.io/python-libraries-guide/
可视化各种库的用法并区分其作用
发布时间：2026/6/9 0:25:51
Python 常用库实战指南代码示例 可视化图表一站式掌握 Python 生态核心库 NumPy Pandas Matplotlib Scikit-learn Requests⚗️ Flask NumPy Pandas Matplotlib Scikit-learn Requests⚗️ FlaskNumPy — 科学计算基础高性能多维数组运算数学计算的基石pip install numpynumpy_demo.pyimport numpy as np # ① 创建数组 a np.array([1, 2, 3, 4, 5]) b np.zeros((3, 3)) # 全零矩阵 c np.arange(0, 10, 2) # [0,2,4,6,8] # ② 数学运算向量化 x np.linspace(0, 2*np.pi, 100) y_sin np.sin(x) # 正弦波 y_cos np.cos(x) # 余弦波 # ③ 矩阵运算 A np.array([[1,2],[3,4]]) B np.array([[5,6],[7,8]]) C np.dot(A, B) # 矩阵乘法 inv_A np.linalg.inv(A) # 求逆矩阵 # ④ 统计函数 data np.random.randn(1000) print(f均值: {data.mean():.4f}) print(f标准差: {data.std():.4f}) print(f形状: {data.shape})▶ 输出结果均值: -0.0023标准差: 0.9987形状: (1000,)NumPy 生成正弦/余弦波形图ndarrayN维数组核心数据结构⚡向量化运算无需循环极速批量计算线性代数矩阵乘法、求逆、特征值随机数均匀/正态/泊松分布广播机制不同形状数组自动对齐互操作Pandas/PyTorch底层依赖Pandas — 数据分析神器DataFrame 结构化数据处理Excel/CSV 好搭档pip install pandaspandas_read.pyimport pandas as pd # 创建 DataFrame data { 姓名: [张三,李四,王五,赵六], 数学: [92, 85, 78, 96], 英语: [88, 72, 90, 83], Python: [95, 88, 82, 91] } df pd.DataFrame(data) # 读取 CSV 文件 # df pd.read_csv(scores.csv) # 查看基本信息 print(df.head()) # 前5行 print(df.describe()) # 统计摘要 print(df.dtypes) # 数据类型▶ df.head() 输出姓名 数学 英语 Python0 张三 92 88 951 李四 85 72 882 王五 78 90 823 赵六 96 83 91Matplotlib — 数据可视化折线图、柱状图、饼图、散点图一库搞定pip install matplotlibmatplotlib_demo.pyimport matplotlib.pyplot as plt import numpy as np fig, axes plt.subplots(2, 2, figsize(10, 8)) # ① 折线图 x np.linspace(0, 2*np.pi, 100) axes[0,0].plot(x, np.sin(x), color#6c63ff) axes[0,0].set_title(折线图 - 正弦波) # ② 散点图 x2 np.random.randn(200) y2 x2 * 0.8 np.random.randn(200) axes[0,1].scatter(x2, y2, alpha0.5) axes[0,1].set_title(散点图 - 相关性) # ③ 柱状图 cats [语文, 数学, 英语, Python] vals [85, 92, 78, 95] axes[1,0].bar(cats, vals) axes[1,0].set_title(柱状图 - 成绩) # ④ 饼图 labels [A班, B班, C班] sizes [40, 35, 25] axes[1,1].pie(sizes, labelslabels, autopct%1.1f%%) plt.tight_layout() plt.savefig(charts.png, dpi150) plt.show()折线图散点图柱状图饼图Scikit-learn — 机器学习分类/回归/聚类统一 API五步完成建模pip install scikit-learn加载数据→预处理→✂️划分集合→️训练模型→评估预测sklearn_demo.pyfrom sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, classification_report # ① 加载数据集鸢尾花150条 iris load_iris() X, y iris.data, iris.target # ② 划分训练集/测试集 X_train, X_test, y_train, y_test \ train_test_split(X, y, test_size0.2, random_state42) # ③ 特征标准化 scaler StandardScaler() X_train scaler.fit_transform(X_train) X_test scaler.transform(X_test) # ④ 训练随机森林模型 model RandomForestClassifier( n_estimators100, random_state42) model.fit(X_train, y_train) # ⑤ 预测与评估 y_pred model.predict(X_test) acc accuracy_score(y_test, y_pred) print(f准确率: {acc:.2%}) # → 96.67%▶ 输出结果准确率: 96.67%precision recall f1-scoresetosa 1.00 1.00 1.00versicolor 0.91 1.00 0.95virginica 1.00 0.90 0.95随机森林特征重要性排名常见 sklearn 模型一览分类LogisticRegressionSVM / RandomForestKNeighbors回归LinearRegressionRidge / LassoGradientBoosting聚类KMeansDBSCANAgglomerativeCl.降维PCAt-SNETruncatedSVDRequests BeautifulSoup — 网络爬虫发送请求获取网页解析 HTML 提取所需数据pip install requests beautifulsoup4 目标网址→ Requests发送请求→ HTML文本→ BeautifulSoup解析提取→ 存储数据crawler_demo.pyimport requests from bs4 import BeautifulSoup import pandas as pd # ① 发送 HTTP 请求 headers { User-Agent: Mozilla/5.0 } url https://example.com resp requests.get(url, headersheaders, timeout10) resp.encoding utf-8 # ② 检查状态码 if resp.status_code 200: # ③ 解析 HTML soup BeautifulSoup( resp.text, html.parser) # ④ 提取数据 title soup.find(h1).text links [a[href] for a in soup.find_all(a) if a.get(href)] items soup.select(ul li) texts [i.text.strip() for i in items] # ⑤ 存储到 CSV pd.DataFrame({链接: links}).\ to_csv(links.csv, indexFalse) print(f成功爬取 {len(links)} 个链接)1发送请求使用requests.get(url)获取网页内容注意设置headers模拟浏览器避免被反爬。2解析结构使用BeautifulSoup将 HTML 字符串转为可操作的树形结构。3提取数据find()找第一个标签find_all()找所有select()用 CSS 选择器。4存储数据结合 Pandas 保存为CSV / Excel或写入数据库。⚠️爬虫礼仪请遵守网站 robots.txt控制请求频率勿用于商业数据采集尊重版权与隐私。⚗️Flask — 轻量 Web 框架用 Python 快速搭建 Web 应用 / API 接口pip install flaskapp.pyfrom flask import Flask, jsonify, request app Flask(__name__) # 学生数据模拟数据库 students [ {id: 1, name: 张三, score: 92}, {id: 2, name: 李四, score: 85}, ] # GET 查询所有学生 app.route(/students, methods[GET]) def get_students(): return jsonify(students) # GET 按 id 查询 app.route(/students/int:sid) def get_student(sid): stu next((s for s in students if s[id] sid), None) return jsonify(stu) if stu \ else (Not Found, 404) # POST 新增学生 app.route(/students, methods[POST]) def add_student(): data request.get_json() students.append(data) return jsonify(data), 201 if __name__ __main__: app.run(debugTrue, port5000) API 路由结构GET/students查询全部GET/students/1查询单个POST/students新增学生▶ GET /students 响应[{id: 1,name: 张三,score: 92},{id: 2,name: 李四,score: 85}] 运行后访问 http://127.0.0.1:5000/students即可在浏览器中看到 JSON 数据 学习路线推荐 入门阶段NumPy Pandas学习数组和表格操作基础 进阶阶段Matplotlib Seaborn把数据变成直观图表 实战阶段Requests BS4爬取真实数据来分析 高阶阶段Scikit-learn Flask建模 部署完整应用网址观看详细版ttps://lijunjie070318-maker.github.io/python-libraries-guide/
