Python常用库全解析：从数据处理到机器学习

适合人群：Python初学者 | 数据分析师 | 机器学习爱好者

目录

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))  

六、扩展学习推荐

1. 深度学习：

   • TensorFlow：谷歌开发的端到端机器学习平台

   • PyTorch：动态计算图，适合学术研究

2. Web开发：

   • Django：全功能Web框架

   • Flask：轻量级API服务框架

3. 自动化测试：

   • Selenium：浏览器自动化测试

   • Pytest：单元测试框架