Python常见库的使用

人工智能与机器学习

1. NumPy

• 简介：NumPy（Numerical Python）是 Python 进行科学计算的基础库，它提供了高效的多维数组对象 ndarray 以及对这些数组进行快速操作的函数。ndarray 是一个同构的数据容器，所有元素必须是相同类型，这使得它在存储和处理大量数值数据时非常高效。
• 常用功能及示例
  • 数组创建：可以从 Python 列表创建数组，也可以使用函数生成特定类型的数组。

import numpy as np

# 从列表创建数组
arr1 = np.array([1, 2, 3, 4, 5])
# 创建全零数组
arr2 = np.zeros((3, 3))
# 创建全一数组
arr3 = np.ones((2, 4))
# 创建等差数列
arr4 = np.linspace(0, 10, 5)

• 数组运算：支持元素级的算术运算、矩阵乘法等。

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
# 元素级加法
c = a + b
# 矩阵乘法
matrix_a = np.array([[1, 2], [3, 4]])
matrix_b = np.array([[5, 6], [7, 8]])
matrix_product = np.dot(matrix_a, matrix_b)

• 索引和切片：与 Python 列表类似，但支持更复杂的索引方式。

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 访问单个元素
element = arr[1, 2]
# 切片操作
sub_arr = arr[0:2, 1:3]

2. Pandas

• 简介：Pandas 是用于数据处理和分析的重要库，提供了 Series 和 DataFrame 两种核心数据结构。Series 是一维带标签的数组，DataFrame 是二维表格型数据结构，类似于电子表格或 SQL 表。
• 常用功能及示例
  • 数据读取和写入：支持多种文件格式，如 CSV、Excel、SQL 数据库等。

import pandas as pd

# 读取 CSV 文件
df = pd.read_csv('data.csv')
# 写入 CSV 文件
df.to_csv('output.csv', index=False)

• 数据清洗：处理缺失值、重复值等。

# 处理缺失值
df = df.dropna()  # 删除包含缺失值的行
df = df.fillna(0)  # 用 0 填充缺失值
# 处理重复值
df = df.drop_duplicates()

• 数据筛选和排序：根据条件筛选数据，按列排序。

# 筛选数据
filtered_df = df[df['age'] > 30]
# 排序数据
sorted_df = df.sort_values(by='name')

3. Scikit - learn

• 简介：Scikit - learn 是一个广泛使用的机器学习库，提供了丰富的机器学习算法和工具，涵盖分类、回归、聚类、降维等多个领域，还包含数据预处理、模型选择和评估等功能。
• 常用功能及示例
  • 数据预处理：如标准化、归一化、编码等。

from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import LabelEncoder

# 标准化数据
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# 编码分类变量
encoder = LabelEncoder()
y_encoded = encoder.fit_transform(y)

• 模型训练和预测：以决策树分类器为例。

from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

# 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=42)
# 创建模型
model = DecisionTreeClassifier()
# 训练模型
model.fit(X_train, y_train)
# 预测
y_pred = model.predict(X_test)

• 模型评估：计算准确率、召回率等指标。

from sklearn.metrics import accuracy_score

accuracy = accuracy_score(y_test, y_pred)

4. TensorFlow

• 简介：TensorFlow 是 Google 开发的开源深度学习框架，具有强大的计算能力和灵活性，支持构建和训练各种深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）及其变体（LSTM、GRU）等。
• 常用功能及示例
  • 构建模型：使用 Keras API 构建简单的全连接神经网络。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 构建模型
model = Sequential([
    Dense(64, activation='relu', input_shape=(784,)),
    Dense(10, activation='softmax')
])

• 编译模型：指定损失函数、优化器和评估指标。

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

• 训练模型：使用训练数据进行模型训练。

model.fit(X_train, y_train, epochs=10, batch_size=32)

5. PyTorch

• 简介：PyTorch 是另一个流行的深度学习框架，以其动态计算图和易用性受到广泛关注，适合研究和开发深度学习模型，在学术界和工业界都有广泛应用。
• 常用功能及示例
  • 张量操作：张量是 PyTorch 中的核心数据结构，类似于 NumPy 数组。

import torch

# 创建张量
tensor = torch.tensor([1, 2, 3])
# 张量运算
result = tensor + 2

• 构建模型：定义一个简单的全连接神经网络。

import torch.nn as nn

class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(784, 64)
        self.fc2 = nn.Linear(64, 10)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = SimpleNet()

• 训练模型：定义损失函数和优化器，进行模型训练。

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

for epoch in range(10):
    optimizer.zero_grad()
    outputs = model(X_train)
    loss = criterion(outputs, y_train)
    loss.backward()
    optimizer.step()

数据可视化

1. Matplotlib

• 简介：Matplotlib 是 Python 中最基础和常用的数据可视化库，提供了丰富的绘图功能，可创建各种类型的图表，如折线图、柱状图、散点图、饼图等，并且可以对图表进行高度定制。
• 常用功能及示例
  • 折线图：用于展示数据随时间或其他连续变量的变化趋势。

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y, label='Line Plot', color='blue', linestyle='--', marker='o')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Simple Line Plot')
plt.legend()
plt.show()

• 柱状图：用于比较不同类别之间的数据大小。

categories = ['A', 'B', 'C', 'D']
values = [25, 30, 15, 20]

plt.bar(categories, values, color='green')
plt.xlabel('Categories')
plt.ylabel('Values')
plt.title('Simple Bar Plot')
plt.show()

2. Seaborn

• 简介：Seaborn 是基于 Matplotlib 构建的高级数据可视化库，提供了更美观、更简洁的绘图接口，尤其擅长绘制统计图形，如箱线图、小提琴图、热力图等。
• 常用功能及示例
  • 箱线图：用于展示数据的分布情况。

import seaborn as sns
import pandas as pd

data = pd.DataFrame({'Category': ['A', 'A', 'B', 'B'], 'Value': [10, 12, 15, 18]})
sns.boxplot(x='Category', y='Value', data=data)
plt.show()

• 热力图：用于展示数据之间的相关性。

import numpy as np

corr_matrix = np.array([[1, 0.8, 0.3], [0.8, 1, 0.6], [0.3, 0.6, 1]])
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
plt.show()

网络请求与爬虫

1. Requests

• 简介：Requests 是一个简单易用的 HTTP 请求库，用于发送各种 HTTP 请求，如 GET、POST、PUT、DELETE 等，支持处理响应、会话管理、请求参数传递等功能。
• 常用功能及示例
  • GET 请求：获取网页内容。

import requests

response = requests.get('https://www.example.com')
if response.status_code == 200:
    print(response.text)

• POST 请求：向服务器提交数据。

data = {'key': 'value'}
response = requests.post('https://www.example.com', data=data)

2. Scrapy

• 简介：Scrapy 是一个强大的 Python 爬虫框架，用于快速、高效地抓取网站数据。它提供了自动处理请求、解析 HTML、数据存储等功能，支持分布式爬虫和增量式爬取。
• 简单项目使用示例
  • 创建项目：在命令行中执行 scrapy startproject myproject 创建一个新的 Scrapy 项目。
  • 生成爬虫：进入项目目录，执行 scrapy genspider myspider example.com 生成一个名为 myspider 的爬虫。
  • 编写爬虫代码：在 myproject/spiders/myspider.py 中编写爬虫逻辑。

import scrapy

class MySpider(scrapy.Spider):
    name = "myspider"
    start_urls = ['https://www.example.com']

    def parse(self, response):
        # 解析页面内容
        title = response.css('title::text').get()
        yield {'title': title}

• 运行爬虫：在项目目录下执行 scrapy crawl myspider 启动爬虫。

自动化测试

1. unittest

• 简介：unittest 是 Python 内置的单元测试框架，遵循 xUnit 架构，提供了测试用例、测试套件、测试运行器等概念，用于编写和运行单元测试。
• 常用功能及示例

import unittest

def add(a, b):
    return a + b

class TestAdd(unittest.TestCase):
    def test_add(self):
        result = add(2, 3)
        self.assertEqual(result, 5)

if __name__ == '__main__':
    unittest.main()

2. pytest

• 简介：pytest 是一个功能强大的第三方测试框架，具有简洁的语法和丰富的插件生态系统，支持参数化测试、测试用例自动发现、测试报告生成等功能。
• 常用功能及示例

def add(a, b):
    return a + b

def test_add():
    assert add(2, 3) == 5

在命令行中执行 pytest 即可自动发现并运行测试用例。

自然语言处理

1. NLTK

• 简介：NLTK（Natural Language Toolkit）是 Python 中用于自然语言处理的经典库，提供了丰富的语料库、文本处理工具和算法，如分词、词性标注、命名实体识别、情感分析等。
• 常用功能及示例
  • 分词：将文本分割成单词或句子。

import nltk
nltk.download('punkt')

text = "Hello, how are you?"
tokens = nltk.word_tokenize(text)
print(tokens)

• 词性标注：为每个单词标注词性。

nltk.download('averaged_perceptron_tagger')
tagged = nltk.pos_tag(tokens)
print(tagged)

2. SpaCy

• 简介：SpaCy 是一个高效的自然语言处理库，提供了预训练的语言模型，支持多种语言的处理，在速度和准确性上表现出色，常用于大规模文本处理和生产环境。
• 常用功能及示例

import spacy

# 加载英语模型
nlp = spacy.load('en_core_web_sm')
text = "Apple is looking at buying U.K. startup for $1 billion"
doc = nlp(text)

# 分词和词性标注
for token in doc:
    print(token.text, token.pos_)

# 命名实体识别
for ent in doc.ents:
    print(ent.text, ent.label_)

数据库操作

1. SQLite3

• 简介：SQLite3 是 Python 内置的轻量级数据库，无需单独的服务器进程，适合小型项目和嵌入式系统，支持标准的 SQL 语句。
• 常用功能及示例

import sqlite3

# 连接到数据库
conn = sqlite3.connect('example.db')
cursor = conn.cursor()

# 创建表
cursor.execute('''CREATE TABLE IF NOT EXISTS users
                  (id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT, age INTEGER)''')

# 插入数据
cursor.execute("INSERT INTO users (name, age) VALUES (?,?)", ('John', 25))

# 提交事务
conn.commit()

# 查询数据
cursor.execute("SELECT * FROM users")
rows = cursor.fetchall()
for row in rows:
    print(row)

# 关闭连接
conn.close()

2. SQLAlchemy

• 简介：SQLAlchemy 是一个强大的数据库抽象层，支持多种数据库（如 MySQL、PostgreSQL、SQLite 等），提供了面向对象的数据库操作方式，可实现数据库表和 Python 类之间的映射（ORM）。
• 常用功能及示例

from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.orm import sessionmaker
from sqlalchemy.ext.declarative import declarative_base

# 创建引擎
engine = create_engine('sqlite:///example.db')
Base = declarative_base()

# 定义模型类
class User(Base):
    __tablename__ = 'users'
    id = Column(Integer, primary_key=True)
    name = Column(String)
    age = Column(Integer)

# 创建表
Base.metadata.create_all(engine)

# 创建会话
Session = sessionmaker(bind=engine)
session = Session()

# 插入数据
user = User(name='Alice', age=30)
session.add(user)
session.commit()

# 查询数据
users = session.query(User).all()
for user in users:
    print(user.name, user.age)

# 关闭会话
session.close()

日期和时间处理

1. datetime

• 简介：datetime 是 Python 内置的日期和时间处理模块，提供了 date、time、datetime、timedelta 等类，用于处理日期、时间、日期时间的组合以及时间间隔。
• 常用功能及示例

import datetime

# 获取当前日期和时间
now = datetime.datetime.now()
print(now)

# 创建日期对象
date = datetime.date(2024, 10, 1)
print(date)

# 计算时间间隔
delta = datetime.timedelta(days=7)
new_date = date + delta
print(new_date)

2. pytz

• 简介：pytz 是一个处理时区的第三方库，结合 datetime 模块可以实现跨时区的日期和时间处理。
• 常用功能及示例

import datetime
import pytz

# 创建带时区的日期时间对象
utc = pytz.UTC
dt = datetime.datetime(2024, 10, 1, 12, 0, 0, tzinfo=utc)
print(dt)

# 转换时区
new_york_tz = pytz.timezone('America/New_York')
dt_new_york = dt.astimezone(new_york_tz)
print(dt_new_york)

图像处理

1. Pillow

• 简介：Pillow 是 Python Imaging Library (PIL) 的一个分支，它为 Python 提供了强大的图像处理能力。支持多种图像文件格式的读取、写入和处理，可进行图像的裁剪、缩放、旋转、滤镜应用等基本操作，也能进行颜色模式转换和图像合成。
• 常用功能及示例
  • 打开和显示图像

from PIL import Image

# 打开图像
image = Image.open('example.jpg')
# 显示图像
image.show()

• 图像缩放

# 调整图像大小
new_size = (500, 500)
resized_image = image.resize(new_size)
resized_image.save('resized_example.jpg')

• 图像裁剪

# 定义裁剪区域 (左, 上, 右, 下)
crop_box = (100, 100, 300, 300)
cropped_image = image.crop(crop_box)
cropped_image.save('cropped_example.jpg')

2. OpenCV

• 简介：OpenCV（Open Source Computer Vision Library）是一个广泛应用于计算机视觉领域的开源库，功能强大且高效。它提供了丰富的图像处理和计算机视觉算法，如图像滤波、边缘检测、特征提取、目标检测、图像分割等，在机器人、自动驾驶、安防监控等领域有大量应用。
• 常用功能及示例
  • 读取和显示图像

import cv2

# 读取图像
image = cv2.imread('example.jpg')
# 显示图像
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 灰度转换和边缘检测

# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 边缘检测
edges = cv2.Canny(gray_image, 50, 150)
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

并发与异步编程

1. threading

• 简介：threading 是 Python 内置的用于实现多线程编程的模块。多线程允许程序在同一时间执行多个任务，适合 I/O 密集型任务，如网络请求、文件读写等。但由于 Python 的全局解释器锁（GIL），多线程在 CPU 密集型任务上无法充分利用多核 CPU 的优势。
• 常用功能及示例

import threading
import time

def worker():
    print('Worker thread started')
    time.sleep(2)
    print('Worker thread finished')

# 创建线程
thread = threading.Thread(target=worker)
# 启动线程
thread.start()
# 等待线程结束
thread.join()
print('Main thread finished')

2. multiprocessing

• 简介：multiprocessing 是 Python 用于实现多进程编程的模块。与多线程不同，多进程可以充分利用多核 CPU 的优势，适合 CPU 密集型任务。每个进程都有自己独立的 Python 解释器和内存空间，避免了 GIL 的限制。
• 常用功能及示例

import multiprocessing
import time

def worker():
    print('Worker process started')
    time.sleep(2)
    print('Worker process finished')

if __name__ == '__main__':
    # 创建进程
    process = multiprocessing.Process(target=worker)
    # 启动进程
    process.start()
    # 等待进程结束
    process.join()
    print('Main process finished')

3. asyncio

• 简介：asyncio 是 Python 用于实现异步编程的标准库，基于事件循环机制，适合处理大量 I/O 密集型任务，如网络爬虫、异步网络服务等。通过 async/await 语法，可以编写简洁的异步代码，提高程序的并发性能。
• 常用功能及示例

import asyncio

async def task():
    print('Task started')
    await asyncio.sleep(2)
    print('Task finished')

async def main():
    await asyncio.gather(task(), task())

asyncio.run(main())

Web 开发

1. Flask

• 简介：Flask 是一个轻量级的 Web 框架，它提供了基本的路由、请求处理和模板渲染功能，易于学习和使用，适合快速开发小型 Web 应用和 API 接口。开发者可以根据需要选择不同的扩展来增强其功能。
• 常用功能及示例

from flask import Flask

app = Flask(__name__)

@app.route('/')
def hello_world():
    return 'Hello, World!'

if __name__ == '__main__':
    app.run(debug=True)

2. Django

• 简介：Django 是一个功能强大的高级 Web 框架，遵循 MVC（实际上更接近 MVT - Model - View - Template）架构模式，提供了丰富的内置功能，如数据库管理、用户认证、表单处理、管理界面等。适合开发大型、复杂的 Web 应用。
• 简单项目创建及使用示例
  • 创建项目：在命令行中执行 django-admin startproject myproject 创建一个新的 Django 项目。
  • 创建应用：进入项目目录，执行 python manage.py startapp myapp 创建一个新的应用。
  • 编写视图和路由：在 myapp/views.py 中编写视图函数。

from django.http import HttpResponse

def index(request):
    return HttpResponse('Hello, Django!')

• 在 myapp/urls.py 中定义路由。

from django.urls import path
from . import views

urlpatterns = [
    path('', views.index, name='index'),
]

• 在 myproject/urls.py 中包含应用的路由。

from django.contrib import admin
from django.urls import include, path

urlpatterns = [
    path('admin/', admin.site.urls),
    path('', include('myapp.urls')),
]

• 运行项目：在项目目录下执行 python manage.py runserver 启动开发服务器。

科学计算与数据分析扩展

1. SciPy

• 简介：SciPy 建立在 NumPy 之上，提供了许多科学计算算法和工具，涵盖了优化、积分、插值、信号处理、线性代数、统计等多个领域。它与 NumPy 紧密集成，为科学家和工程师提供了强大的计算能力。
• 常用功能及示例
  • 优化问题求解

from scipy.optimize import minimize
import numpy as np

# 定义目标函数
def rosen(x):
    return sum(100.0*(x[1:]-x[:-1]**2.0)**2.0 + (1-x[:-1])**2.0)

# 初始猜测值
x0 = np.array([1.3, 0.7, 0.8, 1.9, 1.2])
# 求解优化问题
res = minimize(rosen, x0, method='nelder-mead', options={'xtol': 1e-8, 'disp': True})
print(res.x)

• 插值

from scipy.interpolate import interp1d
import numpy as np

# 原始数据
x = np.array([0, 1, 2, 3, 4])
y = np.array([0, 2, 4, 6, 8])
# 创建插值函数
f = interp1d(x, y)
# 新的 x 值
x_new = np.array([0.5, 1.5, 2.5, 3.5])
# 插值结果
y_new = f(x_new)
print(y_new)

2. StatsModels

• 简介：StatsModels 是一个用于统计建模和计量经济学分析的 Python 库，提供了多种统计模型和工具，如线性回归、时间序列分析、广义线性模型等。它支持模型拟合、参数估计、假设检验等功能，并且可以生成详细的统计报告。
• 常用功能及示例（线性回归）

import statsmodels.api as sm
import numpy as np

# 生成数据
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 6, 8, 10])
# 添加常数项
x = sm.add_constant(x)
# 创建模型
model = sm.OLS(y, x)
# 拟合模型
results = model.fit()
# 查看结果
print(results.summary())

配置管理

1. configparser

• 简介：configparser 是 Python 内置的用于读取和写入配置文件的模块，支持 INI 格式的配置文件。配置文件可以将程序的配置信息与代码分离，方便不同环境下的配置管理。
• 常用功能及示例

import configparser

# 创建配置解析器
config = configparser.ConfigParser()
# 读取配置文件
config.read('config.ini')
# 获取配置项
value = config.get('Section1', 'key1')
print(value)

# 修改配置项
config.set('Section1', 'key1', 'new_value')
# 写入配置文件
with open('config.ini', 'w') as configfile:
    config.write(configfile)

2. PyYAML

• 简介：PyYAML 是一个用于处理 YAML（Yet Another Markup Language）格式文件的 Python 库。YAML 是一种人类可读的数据序列化格式，常用于配置文件、数据交换等场景。PyYAML 提供了简单的 API 来读取和写入 YAML 文件。
• 常用功能及示例

import yaml

# 读取 YAML 文件
with open('config.yaml', 'r') as file:
    config = yaml.safe_load(file)
print(config)

# 写入 YAML 文件
data = {'key1': 'value1', 'key2': [1, 2, 3]}
with open('output.yaml', 'w') as file:
    yaml.dump(data, file)

绘制图形的库

1. Matplotlib

• 简介：Matplotlib 是 Python 中最基础且广泛使用的绘图库，它提供了类似于 MATLAB 的绘图接口，能创建各种静态、交互式的图表。其功能强大，可定制性高，支持折线图、柱状图、散点图、饼图等多种常见图形，并且可以对图形的各个元素（如坐标轴、标签、标题等）进行精细调整。
• 示例代码
  • 折线图

import matplotlib.pyplot as plt

# 定义 x 和 y 轴的数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 绘制折线图
plt.plot(x, y)

# 设置图表标题和坐标轴标签
plt.title('Simple Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# 显示图表
plt.show()

• 柱状图

import matplotlib.pyplot as plt

# 定义类别和对应的值
categories = ['A', 'B', 'C', 'D']
values = [25, 30, 15, 20]

# 绘制柱状图
plt.bar(categories, values)

# 设置图表标题和坐标轴标签
plt.title('Simple Bar Plot')
plt.xlabel('Categories')
plt.ylabel('Values')

# 显示图表
plt.show()

• 散点图

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
x = np.random.rand(50)
y = np.random.rand(50)

# 绘制散点图
plt.scatter(x, y)

# 设置图表标题和坐标轴标签
plt.title('Simple Scatter Plot')
plt.xlabel('X')
plt.ylabel('Y')

# 显示图表
plt.show()

2. Seaborn

• 简介：Seaborn 是基于 Matplotlib 构建的高级绘图库，它提供了更美观、更简洁的绘图接口，尤其擅长绘制统计图形，如箱线图、小提琴图、热力图等。Seaborn 可以自动处理数据的分组、聚合等操作，使得绘制复杂的统计图表变得更加容易。
• 示例代码
  • 箱线图

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 创建示例数据
data = pd.DataFrame({'Category': ['A', 'A', 'B', 'B'], 'Value': [10, 12, 15, 18]})

# 绘制箱线图
sns.boxplot(x='Category', y='Value', data=data)

# 设置图表标题
plt.title('Box Plot Example')

# 显示图表
plt.show()

• 热力图

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

# 生成相关矩阵数据
corr_matrix = np.array([[1, 0.8, 0.3], [0.8, 1, 0.6], [0.3, 0.6, 1]])

# 绘制热力图
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')

# 设置图表标题
plt.title('Heatmap Example')

# 显示图表
plt.show()

3. Plotly

• 简介：Plotly 是一个交互式绘图库，支持 Python、R、JavaScript 等多种编程语言。它可以创建各种类型的交互式图表，如折线图、柱状图、散点图、3D 图等，并且可以将图表嵌入到网页中。Plotly 提供了基于 Web 的可视化界面，方便用户进行数据探索和分享。
• 示例代码（折线图）

import plotly.express as px
import pandas as pd

# 创建示例数据
data = {'x': [1, 2, 3, 4, 5], 'y': [2, 4, 6, 8, 10]}
df = pd.DataFrame(data)

# 绘制折线图
fig = px.line(df, x='x', y='y')

# 显示图表
fig.show()

4. Bokeh

• 简介：Bokeh 也是一个用于创建交互式可视化的 Python 库，它可以生成美观、高效的 Web 可视化图表。Bokeh 支持多种数据源，能够处理大规模数据集，并提供了丰富的交互工具，如缩放、平移、悬停提示等。
• 示例代码（散点图）

from bokeh.plotting import figure, show
import numpy as np

# 生成随机数据
x = np.random.rand(50)
y = np.random.rand(50)

# 创建绘图对象
p = figure(title='Simple Scatter Plot', x_axis_label='X', y_axis_label='Y')

# 添加散点图
p.circle(x, y, size=10)

# 显示图表
show(p)

5. Altair

• 简介：Altair 是一个基于 Vega - Lite 可视化语法的 Python 库，它提供了简洁、声明式的 API 来创建各种统计可视化图表。Altair 的设计理念是让用户专注于数据的表达和分析，而不是具体的绘图细节，适合快速创建高质量的可视化图表。
• 示例代码（柱状图）

import altair as alt
import pandas as pd

# 创建示例数据
data = pd.DataFrame({'Category': ['A', 'B', 'C'], 'Value': [20, 30, 25]})

# 绘制柱状图
chart = alt.Chart(data).mark_bar().encode(
    x='Category',
    y='Value'
)

# 显示图表
chart.show()

绘画的库

1.turtle库

• 简介：turtle 是 Python 内置的一个简单绘图库，它以模拟一只小海龟在画布上爬行的方式进行绘图。这个库非常适合初学者学习编程和图形绘制，通过简单的指令就能控制海龟的移动、转向、落笔、抬笔等动作，从而绘制出各种基本图形和复杂图案。
• 示例代码
  • 绘制正方形

import turtle

# 创建画布和画笔
screen = turtle.Screen()
pen = turtle.Turtle()

# 循环四次，每次前进 100 单位并右转 90 度
for _ in range(4):
    pen.forward(100)
    pen.right(90)

# 完成后隐藏画笔
pen.hideturtle()

# 保持窗口打开
screen.mainloop()

• 绘制五角星

import turtle

# 创建画布和画笔
screen = turtle.Screen()
pen = turtle.Turtle()

# 设置画笔速度
pen.speed(2)

# 循环五次，每次前进 100 单位并右转 144 度
for _ in range(5):
    pen.forward(100)
    pen.right(144)

# 完成后隐藏画笔
pen.hideturtle()

# 保持窗口打开
screen.mainloop()

2.Pillow库

• 简介：Pillow 是 Python Imaging Library (PIL) 的一个分支，它不仅可以用于图像处理，还能进行基本的图形绘制。通过 Pillow 可以创建新的图像，在图像上绘制线条、矩形、圆形、文本等元素，并且可以对颜色、线条宽度等进行设置。
• 示例代码
  • 绘制简单图形并添加文本

from PIL import Image, ImageDraw, ImageFont

# 创建一个白色背景的新图像
image = Image.new('RGB', (500, 500), color='white')
draw = ImageDraw.Draw(image)

# 绘制矩形
draw.rectangle((100, 100, 200, 200), outline='red', width=2)

# 绘制圆形
draw.ellipse((300, 100, 400, 200), outline='blue', width=2)

# 加载字体
font = ImageFont.load_default()

# 添加文本
draw.text((200, 300), 'Hello, Pillow!', fill='black', font=font)

# 保存图像
image.save('pillow_drawing.png')

3.pygame库

• 简介：pygame 是一个专门用于开发游戏和多媒体应用的 Python 库，但它也提供了强大的图形绘制功能。可以创建窗口、绘制各种形状、加载和显示图像、处理用户输入等，适合创建交互式的绘画程序或简单游戏。
• 示例代码
  • 绘制彩色矩形并处理鼠标点击事件

import pygame

# 初始化 Pygame
pygame.init()

# 设置窗口尺寸
screen_width = 500
screen_height = 500
screen = pygame.display.set_mode((screen_width, screen_height))
pygame.display.set_caption('Pygame Drawing')

# 定义颜色
RED = (255, 0, 0)
GREEN = (0, 255, 0)
BLUE = (0, 0, 255)

# 主循环
running = True
while running:
    for event in pygame.event.get():
        if event.type == pygame.QUIT:
            running = False
        elif event.type == pygame.MOUSEBUTTONDOWN:
            # 获取鼠标点击位置
            x, y = event.pos
            # 绘制彩色矩形
            pygame.draw.rect(screen, RED, (x, y, 50, 50))

    # 更新显示
    pygame.display.flip()

# 退出 Pygame
pygame.quit()

4.manim库

• 简介：manim 是一个用于创建数学动画的 Python 库，由 3Blue1Brown 团队开发。它可以通过代码精确控制动画的每一个细节，适合制作复杂的数学和科学可视化动画，例如几何图形的变换、函数图像的绘制、物理过程的模拟等。
• 示例代码（绘制简单几何图形动画）

from manim import *

class SimpleShapes(Scene):
    def construct(self):
        # 创建圆形
        circle = Circle()
        # 设置圆形颜色和填充
        circle.set_fill(PINK, opacity=0.5)

        # 创建正方形
        square = Square()
        # 设置正方形颜色和填充
        square.set_fill(BLUE, opacity=0.5)

        # 将正方形移动到圆形右侧
        square.next_to(circle, RIGHT, buff=0.5)

        # 依次添加圆形和正方形到场景并播放动画
        self.play(Create(circle))
        self.play(Create(square))
        self.wait()

要运行上述 manim 代码，你需要在命令行中使用以下命令：

manim -pql your_file_name.py SimpleShapes

其中 your_file_name.py 是保存上述代码的 Python 文件名，SimpleShapes 是场景类的名称。 -pql 选项表示预览（-p）并以低质量（-ql）渲染动画。