当前位置：首页 > news >正文

Python常用库全解析：从数据处理到机器学习

news 来源：原创 2025/4/30 19:14:26

适合人群：Python初学者 | 数据分析师 | 机器学习爱好者

一、NumPy：科学计算的核心库

1. 核心功能

2. 应用领域

3. 常用方法示例

二、Pandas：数据分析的瑞士军刀

1. 核心功能

2. 应用领域

3. 常用方法示例

三、Matplotlib：数据可视化的基石

1. 核心功能

2. 应用领域

3. 常用方法示例

四、Requests：HTTP请求的利器

1. 核心功能

2. 应用领域

3. 常用方法示例

五、Scikit-learn：机器学习的入口

1. 核心功能

2. 应用领域

3. 常用方法示例

六、扩展学习推荐

一、NumPy：科学计算的核心库

1. 核心功能

多维数组（ndarray）：高效存储和操作大型数值数据
数学函数：支持线性代数、傅里叶变换、随机数生成
广播机制：不同形状数组间的运算自动化处理

2. 应用领域

机器学习：TensorFlow/PyTorch底层依赖NumPy
图像处理：OpenCV图像数据存储
金融分析：股票收益率计算、风险评估

3. 常用方法示例

import numpy as np  

# 创建数组  
arr = np.array([[1, 2, 3], [4, 5, 6]])  # 2行3列矩阵  
print("数组形状:", arr.shape)  # 输出 (2, 3)  

# 矩阵运算  
a = np.array([[1, 2], [3, 4]])  
b = np.array([[5, 6], [7, 8]])  
print("矩阵乘法:\n", a @ b)  # 输出 [[19 22], [43 50]]  

# 广播机制  
arr = np.array([1, 2, 3])  
print("每个元素加5:", arr + 5)  # 输出 [6 7 8]

二、Pandas：数据分析的瑞士军刀

1. 核心功能

DataFrame：二维表格型数据结构（类似Excel表格）
数据清洗：处理缺失值、去重、合并数据集
时间序列：支持日期范围生成、重采样

2. 应用领域

数据清洗：预处理CSV/Excel文件
商业分析：销售数据统计、用户行为分析
金融建模：股票价格时间序列分析

3. 常用方法示例

import pandas as pd  

# 读取CSV文件  
df = pd.read_csv("sales.csv")  

# 数据筛选  
high_sales = df[df["销售额"] > 10000]  # 筛选销售额过万的记录  

# 分组聚合  
result = df.groupby("地区")["销售额"].agg(["sum", "mean"])  
print("地区销售统计:\n", result)  

# 处理缺失值  
df["折扣率"].fillna(0, inplace=True)  # 用0填充空值

三、Matplotlib：数据可视化的基石

1. 核心功能

2D绘图：折线图、柱状图、散点图、饼图
样式定制：调整颜色、线型、标签、图例
多子图布局：在单个画布上创建多个图表

2. 应用领域

学术论文：实验结果可视化
商业报告：销售趋势图表
实时监控：服务器负载动态曲线

3. 常用方法示例

import matplotlib.pyplot as plt  

# 绘制折线图  
x = [1, 2, 3, 4, 5]  
y = [2, 4, 1, 6, 3]  
plt.plot(x, y, label="趋势线", color="red", linestyle="--")  
plt.xlabel("X轴")  
plt.ylabel("Y轴")  
plt.title("示例折线图")  
plt.legend()  
plt.show()  

# 绘制柱状图  
labels = ["A", "B", "C"]  
values = [25, 40, 30]  
plt.bar(labels, values, color=["#FF9999", "#66B2FF", "#99FF99"])  
plt.savefig("bar_chart.png")  # 保存为图片

四、Requests：HTTP请求的利器

1. 核心功能

发送HTTP请求：GET/POST/PUT/DELETE
会话保持：自动处理Cookies
SSL验证：支持HTTPS请求

2. 应用领域

爬虫开发：抓取网页数据
API调用：对接微信/支付宝支付接口
自动化测试：验证服务端接口功能

3. 常用方法示例

import requests  

# GET请求示例  
response = requests.get(  
    "https://api.example.com/data",  
    params={"page": 1, "limit": 10},  # 查询参数  
    headers={"User-Agent": "Mozilla/5.0"}  # 伪装浏览器  
)  
print("状态码:", response.status_code)  
print("响应内容:", response.json())  # 解析JSON数据  

# POST请求示例  
data = {"username": "admin", "password": "123456"}  
response = requests.post("https://api.example.com/login", json=data)

五、Scikit-learn：机器学习的入口

1. 核心功能

分类算法：支持向量机（SVM）、随机森林
回归模型：线性回归、岭回归
数据预处理：标准化、归一化、缺失值填充

2. 应用领域

金融风控：信用评分模型
医疗诊断：疾病预测
推荐系统：用户兴趣预测

3. 常用方法示例

from sklearn.datasets import load_iris  
from sklearn.model_selection import train_test_split  
from sklearn.ensemble import RandomForestClassifier  

# 加载鸢尾花数据集  
iris = load_iris()  
X, y = iris.data, iris.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)  

# 训练随机森林模型  
model = RandomForestClassifier(n_estimators=100)  
model.fit(X_train, y_train)  

# 评估准确率  
print("测试集准确率:", model.score(X_test, y_test))