Python百库指南：数据科学到Web开发全解析

Python常用库及其功能与使用场景

以下将100个常用的Python库分为不同类别，并介绍它们的功能和主要应用场景。

一、数据科学与机器学习

这是Python应用最为广泛且强大的领域之一。

1. NumPy (Numerical Python):

   • 功能：提供对多维数组和矩阵运算的支持，是Python科学计算的基础库。它拥有大量用于操作这些数组的高级数学函数。

   • 使用场景：科学计算、数据分析、机器学习中处理数值数据、图像处理中的像素操作。

2. Pandas:

   • 功能：提供高性能、易于使用的数据结构（如DataFrame）和数据分析工具。可以轻松处理和分析结构化数据。

   • 使用场景：数据清洗、数据处理、数据分析、时间序列分析、数据可视化准备。

3. SciPy (Scientific Python):

   • 功能：构建在NumPy之上，提供了更多科学和技术计算中常用的算法，如优化、统计、信号处理、线性代数、积分、图像处理等。

   • 使用场景：科学研究、工程计算、数据分析、图像处理。

4. Matplotlib:

   • 功能：一个广泛使用的2D绘图库，可以生成各种静态、动态、交互式的图表。

   • 使用场景：数据可视化、科学绘图、生成报告图表。

5. Seaborn:

   • 功能：基于Matplotlib的高级可视化库，提供更美观、更信息丰富的统计图形。

   • 使用场景：统计数据可视化、探索性数据分析。

6. Scikit-learn:

   • 功能：一个简单高效的数据挖掘和数据分析工具，包含分类、回归、聚类、降维、模型选择、预处理等多种机器学习算法。它建立在NumPy, SciPy和Matplotlib之上。

   • 使用场景：机器学习应用、预测建模、数据挖掘。

7. TensorFlow:

   • 功能：由Google开发的开源机器学习框架，尤其擅长大规模数值计算和深度学习。以其高性能、可扩展性和对TPU/GPU的支持而闻名。

   • 使用场景：深度学习模型开发与部署、神经网络、图像识别、自然语言处理。

8. Keras:

   • 功能：一个高级神经网络API，可以运行在TensorFlow、Theano或CNTK等后端之上，设计目标是快速实验。它简化了深度学习模型的构建。

   • 使用场景：快速原型设计、深度学习模型构建、神经网络研究。

9. PyTorch:

   • 功能：由Facebook AI研究实验室开发的开源机器学习库，以其灵活性和动态计算图而闻名。

   • 使用场景：深度学习研究与应用、计算机视觉、自然语言处理。

10. XGBoost:

    • 功能：一个优化的分布式梯度提升库，旨在高效、灵活和可移植。

    • 使用场景：各种机器学习竞赛、分类和回归问题，尤其在结构化或表格数据上表现优异。

11. LightGBM:

    • 功能：微软开发的梯度提升框架，具有训练速度快、内存占用低的特点。

    • 使用场景：大规模数据集上的分类和回归任务。

12. Statsmodels:

    • 功能：提供用于估计许多不同统计模型的类和函数，以及进行统计检验和统计数据探索。

    • 使用场景：统计建模、计量经济学、假设检验。

13. Plotly:

    • 功能：一个交互式、开源的绘图库，可以创建可在Jupyter笔记本中显示、保存为独立HTML文件或作为Python构建的Web应用程序一部分的基于Web的可视化。

    • 使用场景：创建交互式图表和仪表盘，Web应用中的数据可视化。

14. Bokeh:

    • 功能：一个用于现代Web浏览器的交互式可视化库。

    • 使用场景：创建交互式、动态的数据可视化，尤其适用于Web应用。

15. Gensim:

    • 功能：用于主题建模、文档索引和大规模文本相似性分析的库。

    • 使用场景：自然语言处理（NLP）、文本挖掘、信息检索。

16. NLTK (Natural Language Toolkit):

    • 功能：一个领先的平台，用于构建处理人类语言数据的Python程序。

    • 使用场景：文本处理、分词、词性标注、情感分析、文本分类等NLP任务。

17. spaCy:

    • 功能：一个用于高级自然语言处理的库，设计用于生产环境。

    • 使用场景：信息提取、文本理解、命名实体识别等工业级NLP应用。

18. Hugging Face Transformers:

    • 功能：提供了数千个预训练模型，用于执行文本分类、信息提取、问答、摘要、翻译、文本生成等任务。

    • 使用场景：最先进的自然语言处理模型应用。

19. Dask:

    • 功能：一个灵活的并行计算库，可以扩展Pandas、NumPy和Scikit-learn等库的功能，使其能够处理大于内存的数据集。

    • 使用场景：大规模数据分析、并行计算、分布式计算。

20. DEAP (Distributed Evolutionary Algorithms in Python):

    • 功能：一个新颖的进化计算框架，用于快速原型设计和测试想法。

    • 使用场景：遗传算法、进化策略等优化问题的研究与应用。

二、Web开发

Python在Web后端开发方面也表现出色。

1. Django:

   • 功能：一个高级Python Web框架，鼓励快速开发和简洁、实用的设计。它遵循MTV（模型-模板-视图）架构模式。

   • 使用场景：构建复杂的、数据驱动的Web应用程序、大型网站后端。

2. Flask:

   • 功能：一个轻量级的WSGI Web应用框架，易于上手，灵活性高。

   • 使用场景：小型到中型Web应用、微服务、API开发。

3. FastAPI:

   • 功能：一个现代、快速（高性能）的Web框架，用于基于标准Python类型提示构建API。

   • 使用场景：构建高性能API、异步Web应用。

4. Pyramid:

   • 功能：一个通用的、开源的Python Web框架，设计用于构建任何规模的Web应用。

   • 使用场景：从小到大的Web应用开发，提供灵活性和可扩展性。

5. Tornado:

   • 功能：一个Python Web框架和异步网络库，最初由FriendFeed开发。

   • 使用场景：需要处理大量并发连接的高性能Web应用，如实时服务、长轮询。

6. Bottle:

   • 功能：一个快速、简单和轻量级的WSGI微型Web框架。

   • 使用场景：构建小型Web应用、API、原型。

7. CherryPy:

   • 功能：一个简约的Python Web框架，允许开发者以面向对象的方式构建Web应用。

   • 使用场景：构建可移植的、模块化的Web应用。

8. Web2Py:

   • 功能：一个免费的、开源的全栈框架，用于快速开发快速、可扩展、安全和可移植的数据库驱动的Web应用程序。

   • 使用场景：企业级Web应用开发、教育。

9. TurboGears:

   • 功能：一个数据驱动的全栈Web应用框架，旨在解决Web和移动应用框架中的常见缺陷。

   • 使用场景：快速开发具有最小配置的Web应用。

10. Requests:

    • 功能：一个简单而优雅的HTTP库，使得发送HTTP/1.1请求变得非常容易。

    • 使用场景：与Web服务交互、API调用、网络爬虫数据获取。

11. Beautiful Soup:

    • 功能：一个用于从HTML和XML文件中提取数据的Python库。

    • 使用场景：网络爬虫、数据抓取、网页内容解析。

12. Scrapy:

    • 功能：一个快速、高级的Web抓取和Web爬虫框架，用于抓取网站并从其页面中提取结构化数据。

    • 使用场景：大规模数据抓取、自动化测试、数据挖掘。

13. Selenium:

    • 功能：一个强大的Web自动化测试工具，可以模拟用户在浏览器中的行为。

    • 使用场景：Web应用自动化测试、浏览器自动化操作、爬取动态加载内容的网站。

14. SQLAlchemy:

    • 功能：一个Python SQL工具包和对象关系映射器(ORM)，为应用程序开发人员提供了SQL的全部功能和灵活性。

    • 使用场景：数据库交互、数据持久化、Web应用后端数据管理。

三、图形用户界面 (GUI) 开发

用于创建桌面应用程序。

1. Tkinter:

   • 功能：Python标准的GUI库，内置于Python中，易于学习和使用。

   • 使用场景：创建简单的桌面应用程序、GUI原型。

2. PyQt5 / PyQt6:

   • 功能：Qt应用程序框架的Python绑定，功能强大，可以创建复杂和美观的GUI应用。

   • 使用场景：跨平台的桌面应用程序开发、数据可视化工具。

3. Kivy:

   • 功能：一个开源的Python库，用于快速开发具有创新用户界面的应用程序，如多点触控应用。

   • 使用场景：跨平台应用开发（Windows, macOS, Linux, Android, iOS）、游戏开发、交互式应用。

4. PySimpleGUI:

   • 功能：一个旨在简化GUI开发的Python库，支持Tkinter, Qt, WxPython和Remi等后端。

   • 使用场景：快速创建简单的GUI应用，减少样板代码。

5. wxPython:

   • 功能：wxWidgets C++类库的Python封装器，提供了一套原生的用户界面组件。

   • 使用场景：创建具有原生外观和感觉的跨平台桌面应用。

四、自动化与脚本

Python非常适合编写自动化脚本。

1. PyAutoGUI:

   • 功能：一个跨平台的GUI自动化模块，允许Python脚本控制鼠标和键盘，以及执行屏幕截图和图像识别。

   • 使用场景：桌面应用自动化、重复性任务自动化、UI测试。

2. Openpyxl:

   • 功能：一个用于读写Excel 2010 xlsx/xlsm/xltx/xltm文件的Python库。

   • 使用场景：Excel文件处理自动化、数据导入导出、报表生成。

3. python-docx:

   • 功能：用于创建和更新Microsoft Word (.docx)文件的库。

   • 使用场景：Word文档自动化生成与修改、报告生成。

4. Schedule:

   • 功能：一个简单易用的人性化的任务调度库。

   • 使用场景：定时执行Python脚本和任务。

5. Watchdog:

   • 功能：用于监视文件系统事件的API和工具。

   • 使用场景：文件同步、自动备份、当文件发生变化时触发特定操作。

6. Fabric:

   • 功能：一个Python库和命令行工具，用于简化使用SSH进行应用程序部署或系统管理任务。

   • 使用场景：远程服务器管理、自动化部署、系统维护。

7. Ansible:

   • 功能：一个开源的自动化平台，用于配置管理、应用部署、任务自动化等。虽然它本身是一个工具，但其核心是用Python编写的，并且可以通过Python模块进行扩展。

   • 使用场景：IT基础设施自动化、DevOps。

8. Paramiko:

   • 功能：一个实现了SSHv2协议的Python库，提供了客户端和服务器端的功能。

   • 使用场景：SSH连接、远程命令执行、文件传输。

9. Netmiko:

   • 功能：一个多厂商库，简化了通过SSH连接到网络设备的CLI的过程。

   • 使用场景：网络设备自动化配置和管理。

10. NAPALM (Network Automation and Programmability Abstraction Layer with Multivendor support):

    • 功能：一个提供一套标准API来与不同厂商的网络设备交互的Python库。

    • 使用场景：多厂商网络环境下的自动化配置和数据检索。

11. Pywinauto:

    • 功能：一个用于自动化Microsoft Windows GUI的库。

    • 使用场景：Windows桌面应用程序的自动化测试和操作。

12. python-office:

    • 功能：一个旨在简化办公自动化的第三方库，提供一行代码解决常见办公问题的功能。

    • 使用场景：Word、Excel、PPT、PDF等文件的自动化处理，以及微信、邮件等自动化操作。

五、图像处理

Python拥有强大的图像处理能力。

1. Pillow (PIL Fork):

   • 功能：Python Imaging Library (PIL) 的一个友好分支，增加了对Python 3的支持，并提供了广泛的文件格式支持和强大的图像处理能力。

   • 使用场景：图像打开、操作、保存、格式转换、滤镜、颜色处理等。

2. OpenCV-Python (cv2):

   • 功能：OpenCV (Open Source Computer Vision Library) 的Python接口，一个非常强大的计算机视觉库，包含大量的图像处理和计算机视觉算法。

   • 使用场景：图像处理、视频分析、对象检测、人脸识别、特征提取等计算机视觉任务。

3. Scikit-image:

   • 功能：一个用于图像处理的开源Python包，建立在SciPy之上，提供了广泛的图像处理算法。

   • 使用场景：图像分割、特征检测、图像增强、图像恢复等。

4. Mahotas:

   • 功能：一个专注于生物图像分析的计算机视觉和图像处理库，包含许多用于图像处理和计算机视觉的函数。

   • 使用场景：生物图像分析、特征计算、图像过滤。

5. SimpleITK:

   • 功能：一个简化的接口到底层的Insight Segmentation and Registration Toolkit (ITK)，用于图像分析，特别是在医学图像处理领域。

   • 使用场景：医学图像分割、配准、分析。

6. Pgmagick:

   • 功能：GraphicsMagick库的Python包装器，提供了一系列图像编辑和操作工具。

   • 使用场景：图像编辑、格式转换、图像效果处理。

六、游戏开发

Python也可以用来开发游戏。

1. Pygame:

   • 功能：一组专为编写视频游戏而设计的Python模块，包含图形、声音、输入处理等功能。

   • 使用场景：2D游戏开发、多媒体应用、教育。

2. Pyglet:

   • 功能：一个跨平台的窗口和多媒体库，用于Python，主要用于游戏开发和创建其他视觉丰富的应用程序。

   • 使用场景：2D和3D游戏开发、GUI应用。

3. Panda3D:

   • 功能：一个用C++编写的开源游戏引擎，带有完整的Python绑定，用于3D游戏开发。

   • 使用场景：3D游戏开发、模拟、可视化。

4. Arcade:

   • 功能：一个现代化的Python库，用于创建具有引人入胜的图形和声音的2D视频游戏。

   • 使用场景：2D游戏开发，尤其适合初学者。

5. Ren'Py:

   • 功能：一个用于创作视觉小说的免费、跨平台的引擎，使用Python脚本语言。

   • 使用场景：视觉小说、恋爱模拟游戏、数字故事叙述。

七、网络编程与API

Python在网络编程方面也有很多实用库。

1. Socket:

   • 功能：Python内置模块，提供了访问底层操作系统Socket接口的能力。

   • 使用场景：底层网络通信、自定义网络协议实现。

2. Twisted:

   • 功能：一个事件驱动的网络编程框架。

   • 使用场景：构建高性能、可扩展的网络应用，如服务器、客户端、P2P应用。

3. Asyncio:

   • 功能：Python内置库，用于使用async/await语法编写并发代码。

   • 使用场景：异步网络编程、高并发IO密集型任务。

4. AIOHTTP:

   • 功能：一个基于asyncio的异步HTTP客户端/服务器框架。

   • 使用场景：构建异步Web服务和客户端。

5. PySNMP:

   • 功能：一个纯Python实现的SNMP引擎，支持SNMPv1/v2c/v3。

   • 使用场景：网络设备监控、管理信息库(MIB)操作。

6. NCClient:

   • 功能：一个用于NETCONF客户端开发的Python库。

   • 使用场景：通过NETCONF协议与网络设备交互和配置。

7. Requests-OAuthlib:

   • 功能：为Requests库添加了对OAuth1和OAuth2的支持。

   • 使用场景：与需要OAuth认证的API进行交互。

8. Zeep:

   • 功能：一个快速且现代的SOAP客户端库。

   • 使用场景：与基于SOAP协议的Web服务进行交互。

八、测试库

保证代码质量的重要工具。

1. Unittest (PyUnit):

   • 功能：Python标准的单元测试框架，灵感来源于JUnit。

   • 使用场景：编写和运行单元测试。

2. Pytest:

   • 功能：一个成熟的全功能Python测试工具，支持简单的单元测试到复杂的功能测试。

   • 使用场景：各种规模的测试项目，提供丰富的插件和灵活的测试编写方式。

3. Nose2:

   • 功能：unittest的扩展，提供了更多的测试发现和执行选项。

   • 使用场景：替代unittest，提供更便捷的测试体验。

4. Robot Framework:

   • 功能：一个通用的开源自动化框架，用于验收测试、验收测试驱动开发（ATDD）和机器人流程自动化（RPA）。

   • 使用场景：自动化测试、业务流程自动化。

5. Hypothesis:

   • 功能：一个基于属性的测试库，可以生成测试数据来帮助发现代码中的边缘情况。

   • 使用场景：编写更健壮的测试，自动探索代码的输入空间。

6. Coverage.py:

   • 功能：测量Python程序的代码覆盖率。

   • 使用场景：评估测试的完整性，找出未被测试覆盖的代码区域。

7. Mock:

   • 功能：一个用于在测试中替换依赖项的库（在Python 3.3+中已成为unittest.mock模块）。

   • 使用场景：隔离被测单元，模拟外部依赖的行为。

九、音频处理

Python也有处理音频的库。

1. Librosa:

   • 功能：一个用于音频和音乐分析的Python包，提供了提取音频特征的高级接口。

   • 使用场景：音乐信息检索、音频特征提取（如节奏、音高）、音频信号处理。

2. Pydub:

   • 功能：一个简单易用的高级音频处理库，可以进行音频文件的加载、分割、合并、格式转换等操作。

   • 使用场景：音频文件编辑、格式转换、简单的音频效果处理。

3. SoundFile:

   • 功能：一个用于读写声音文件的库，支持多种音频格式，可以将NumPy数组与音频文件相互转换。

   • 使用场景：音频数据的读取和保存，与NumPy结合进行音频处理。

4. PyAudio:

   • 功能：提供了PortAudio库的Python绑定，允许你播放和录制音频。

   • 使用场景：实时音频流处理、音频录制与播放。

5. Wave:

   • 功能：Python内置模块，用于读写WAV格式的音频文件。

   • 使用场景：处理WAV格式的音频数据。

6. Madmom:

   • 功能：一个用于音乐信息检索（MIR）任务的音频信号处理库。

   • 使用场景：音乐分析、节拍检测、和弦识别等。

十、数据库连接器

用于与各种数据库进行交互。

1. Psycopg2:

   • 功能：最流行的PostgreSQL数据库适配器。

   • 使用场景：在Python应用中连接和操作PostgreSQL数据库。

2. mysql-connector-python:

   • 功能：Oracle官方提供的MySQL驱动程序。

   • 使用场景：在Python应用中连接和操作MySQL数据库。

3. PyMongo:

   • 功能：MongoDB的官方Python驱动程序。

   • 使用场景：在Python应用中与MongoDB数据库交互。

4. Redis-py:

   • 功能：Redis键值存储的Python接口。

   • 使用场景：在Python应用中使用Redis进行缓存、消息队列等。

十一、科学与工程计算扩展

除了核心的数据科学库，还有一些特定领域的科学计算库。

1. Astropy:

   • 功能：一个为天文学社区开发的Python核心包，提供了通用的天文学数据结构和算法。

   • 使用场景：天文学研究、天文数据处理和分析。

2. Biopython:

   • 功能：一套免费提供的用于生物计算的Python工具。

   • 使用场景：生物信息学、基因序列分析、蛋白质结构分析。

3. SimPy:

   • 功能：一个基于过程的离散事件仿真框架。

   • 使用场景：排队系统建模、流程仿真、运筹学研究。

4. SymPy:

   • 功能：一个用于符号数学的Python库。

   • 使用场景：代数运算、微积分、方程求解等符号计算。

十二、其他实用库

1. Click:

   • 功能：一个用于创建漂亮命令行界面的Python包，以组合方式工作。

   • 使用场景：开发易于使用的命令行工具。

2. Typer:

   • 功能：基于Python类型提示构建出色CLI的库，易于编码，易于使用。

   • 使用场景：快速创建现代化的命令行应用。

3. Arrow:

   • 功能：一个更好地处理日期和时间的Python库。

   • 使用场景：简化日期和时间的解析、格式化、操作和转换。

4. Requests-HTML:

   • 功能：Requests库的扩展，增加了对HTML解析的支持，使得抓取动态内容更加方便。

   • 使用场景：解析HTML内容，支持JavaScript渲染后的页面抓取。

5. Faker:

   • 功能：一个生成伪造数据的Python包，例如姓名、地址、文本等。

   • 使用场景：测试数据生成、数据库填充。

6. Pydantic:

   • 功能：使用Python类型注解进行数据验证和设置管理。

   • 使用场景：API数据验证、配置文件管理、数据模型定义。

7. Loguru:

   • 功能：一个旨在为Python带来愉快简单的日志记录的库。

   • 使用场景：替代Python内置的logging模块，提供更方便和强大的日志功能。

8. Poetry:

   • 功能：Python的依赖管理和打包工具。

   • 使用场景：项目依赖管理、虚拟环境创建、项目打包和发布。

9. Black:
   * 功能：一个不妥协的Python代码格式化工具。
   * 使用场景：自动化代码格式化，保持代码风格一致性。

---

为了方便查找，下面按照之前的分类提供链接。

Python常用库官方文档链接

一、数据科学与机器学习

1. NumPy: NumPy documentation — NumPy v2.2 Manual
2. Pandas: pandas documentation — pandas 2.2.3 documentation
3. SciPy: SciPy documentation — SciPy v1.15.3 Manual
4. Matplotlib: https://matplotlib.org/stable/contents.html
5. Seaborn: API reference — seaborn 0.13.2 documentation
6. Scikit-learn: scikit-learn: machine learning in Python
7. TensorFlow: https://www.tensorflow.org/api_docs/python
8. Keras: Keras: Deep Learning for humans
9. PyTorch: PyTorch documentation — PyTorch 2.7 documentation
10. XGBoost: XGBoost Documentation — xgboost 3.0.0 documentation
11. LightGBM: Welcome to LightGBM’s documentation! — LightGBM 4.6.0.99 documentation
12. Statsmodels: statsmodels 0.14.4
13. Plotly (Python): Plotly Python Graphing Library
14. Bokeh: Bokeh documentation — Bokeh 3.7.2 Documentation
15. Gensim: Gensim: Topic modelling for humans
16. NLTK (Natural Language Toolkit): NLTK :: Natural Language Toolkit (文档通常在网站内链接)
17. spaCy: Install spaCy · spaCy Usage Documentation
18. Hugging Face Transformers: https://huggingface.co/docs/transformers/index
19. Dask: Dask — Dask documentation
20. DEAP: DEAP documentation — DEAP 1.4.3 documentation

二、Web开发

1. Django: Django documentation | Django documentation | Django
2. Flask: Welcome to Flask — Flask Documentation (3.2.x)
3. FastAPI: FastAPI
4. Pyramid: The Pyramid Web Framework — The Pyramid Web Framework v2.0.2
5. Tornado: Tornado Web Server — Tornado 6.4.2 documentation
6. Bottle: https://bottlepy.org/docs/dev/
7. CherryPy: CherryPy — A Minimalist Python Web Framework — CherryPy 0.1.dev54+gc3214a3 documentation
8. Web2Py: web2py (Book/Manual)
9. TurboGears: Getting Started and Documentation Links — TurboGears2 Website 3.0 documentation
10. Requests: Requests: HTTP for Humans™ — Requests 2.32.3 documentation
11. Beautiful Soup: Beautiful Soup Documentation — Beautiful Soup 4.13.0 documentation
12. Scrapy: Scrapy 2.13 documentation — Scrapy 2.13.0 documentation
13. Selenium (Python): https://www.selenium.dev/documentation/webdriver/bindings/python/
14. SQLAlchemy: SQLAlchemy Documentation — SQLAlchemy 2.0 Documentation

三、图形用户界面 (GUI) 开发

1. Tkinter: tkinter — Python interface to Tcl/Tk — Python 3.13.3 documentation (Python Standard Library)
2. PyQt6: Reference Guide — PyQt Documentation v6.9.0 (PyQt5: PyQt5 Reference Guide — PyQt Documentation v5.15.7)
3. Kivy: Welcome to Kivy — Kivy 2.3.1 documentation
4. PySimpleGUI: The Project - PySimpleGUI Documentation
5. wxPython: wxPython API Documentation — wxPython Phoenix 4.2.3 documentation

四、自动化与脚本

1. PyAutoGUI: Welcome to PyAutoGUI’s documentation! — PyAutoGUI documentation
2. Openpyxl: openpyxl - A Python library to read/write Excel 2010 xlsx/xlsm files — openpyxl 3.1.3 documentation
3. python-docx: python-docx — python-docx 1.1.2 documentation
4. Schedule: schedule — schedule 1.2.0 documentation
5. Watchdog: Watchdog — watchdog 2.1.5 documentation
6. Fabric: Welcome to Fabric! — Fabric documentation (Note: Fabric has evolved, check for latest versions/forks like Invoke)
7. Ansible (Python API/Modules): https://docs.ansible.com/ansible/latest/dev_guide/developing_python_api.html & Developing modules — Ansible Community Documentation
8. Paramiko: Welcome to Paramiko’s documentation! — Paramiko documentation
9. Netmiko: Python for Network Engineers - Netmiko Library (Often points to GitHub for detailed docs: https://github.com/ktbyers/netmiko)
10. NAPALM: Welcome to NAPALM’s documentation! — NAPALM 3 documentation
11. Pywinauto: What is pywinauto — pywinauto 0.6.8 documentation
12. python-office: python-office (Documentation often found within the site or GitHub)

五、图像处理

1. Pillow (PIL Fork): Pillow (PIL Fork) 11.2.1 documentation
2. OpenCV-Python (cv2): OpenCV: OpenCV modules (Navigate to Python tutorials/API)
3. Scikit-image: API reference — skimage 0.25.2 documentation
4. Mahotas: Mahotas: Computer Vision in Python — mahotas 1.4.16 documentation
5. SimpleITK: SimpleITK Sphinx Documentation — SimpleITK 2.4.0 documentation
6. Pgmagick: Welcome to pgmagick — pgmagick 0.7.6 documentation (May be less active, GraphicsMagick docs might be more relevant for underlying features)

六、游戏开发

1. Pygame: Pygame Front Page — pygame v2.6.0 documentation
2. Pyglet: pyglet Documentation — pyglet v2.1.6
3. Panda3D: Panda3D Manual — Panda3D Manual
4. Arcade: The Python Arcade Library — Python Arcade 3.2.0
5. Ren'Py: Welcome to Ren'Py's documentation! — Ren'Py Documentation

七、网络编程与API

1. Socket: socket — Low-level networking interface — Python 3.13.3 documentation (Python Standard Library)
2. Twisted: Documentation
3. Asyncio: asyncio — Asynchronous I/O — Python 3.13.3 documentation (Python Standard Library)
4. AIOHTTP: Welcome to AIOHTTP — aiohttp 3.11.18 documentation
5. PySNMP: http://snmplabs.com/pysnmp/documentation.html
6. NCClient: Welcome — ncclient 0.6.9 documentation
7. Requests-OAuthlib: Requests-OAuthlib: OAuth for Humans — Requests-OAuthlib 2.0.0 documentation
8. Zeep: Zeep: Python SOAP client — Zeep 4.1.0 documentation

八、测试库

1. Unittest (PyUnit): unittest — Unit testing framework — Python 3.13.3 documentation (Python Standard Library)
2. Pytest: pytest documentation
3. Nose2: Welcome to nose2 — nose2 0.15.1 documentation
4. Robot Framework: Robot Framework documentation
5. Hypothesis: Hypothesis 6.131.15 documentation
6. Coverage.py: https://coverage.readthedocs.io/en/latest/
7. Mock (unittest.mock): unittest.mock — mock object library — Python 3.13.3 documentation (Python Standard Library)

九、音频处理

1. Librosa: https://librosa.org/doc/latest/index.html
2. Pydub: https://github.com/jiaaro/pydub/blob/master/API.md (Often documented in GitHub README or API.md)
3. SoundFile: python-soundfile — python-soundfile 0.13.1 documentation
4. PyAudio: PyAudio Documentation — PyAudio 0.2.14 documentation
5. Wave: https://docs.python.org/3/library/wave.html (Python Standard Library)
6. Madmom: Madmom documentation — madmom 0.17.dev0 documentation

十、数据库连接器

1. Psycopg2 (or Psycopg 3): Psycopg – PostgreSQL database adapter for Python — Psycopg 2.9.10 documentation (Psycopg 3 is the newest version)
2. mysql-connector-python: https://dev.mysql.com/doc/connector-python/en/
3. PyMongo: PyMongo 4.12.1 documentation
4. Redis-py: redis-py dev documentation

十一、科学与工程计算扩展

1. Astropy: astropy: A Community Python Library for Astronomy — Astropy v7.0.1
2. Biopython: Documentation · Biopython (Often a tutorial and API docs)
3. SimPy: Overview — SimPy 4.1.2.dev8+g81c7218 documentation
4. SymPy: SymPy 1.14.0 documentation

十二、其他实用库

1. Click: Welcome to Click — Click Documentation (8.2.x)
2. Typer: Typer
3. Arrow: Arrow: Better dates & times for Python — Arrow 🏹 1.3.0 documentation
4. Requests-HTML: Requests-HTML: HTML Parsing for Humans (writing Python 3)! — requests-HTML v0.3.4 documentation
5. Faker: Welcome to Faker’s documentation! — Faker 37.1.0 documentation
6. Pydantic: Welcome to Pydantic - Pydantic
7. Loguru: Table of Contents — loguru documentation
8. Poetry: Introduction | Documentation | Poetry - Python dependency management and packaging made easy
9. Black: Black 25.1.0 documentation

END===============================QA================================END

---