Python 常见库分类大全：从入门到实战，这些库你必须知道（附安装指南）

• 核心功能：提供高效的多维数组（ndarray）和数学函数，是所有数据处理库的基础（Pandas、Matplotlib 等都依赖它）。

• 适用场景：数值运算、矩阵操作、线性代数（如信号处理、科学计算）。

• 简单示例：创建数组并计算平均值

      
      
      

       
       
       

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

       
       
       
       
       
       
import numpy as np# 创建一维数组arr = np.array([1, 2, 3, 4, 5])# 计算平均值print("数组平均值：", arr.mean())  # 输出：3.0# 创建二维数组并做矩阵乘法mat1 = np.array([[1, 2], [3, 4]])mat2 = np.array([[5, 6], [7, 8]])print("矩阵乘法结果：\n", mat1 @ mat2)  # 输出：[[19 22], [43 50]]
      
      
      

• 核心功能：提供 DataFrame（表格型数据结构），支持数据清洗、筛选、分组、合并等操作，能轻松处理 Excel/CSV 等格式数据。

• 适用场景：数据分析、数据预处理（如金融数据分析、用户行为分析）。

• 简单示例：读取 CSV 文件并筛选数据

      
      
      

       
       
       

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

       
       
       
       
       
       
import pandas as pd# 读取CSV文件（生成表格型数据）df = pd.read_csv("data.csv")# 查看前5行数据print(df.head())# 筛选“年龄>30”且“城市=北京”的数据filtered_df = df[(df["年龄"] > 30) & (df["城市"] == "北京")]# 按“职业”分组计算平均收入avg_income = df.groupby("职业")["收入"].mean()print(avg_income)
      
      
      

• 核心功能：Python 最基础的可视化库，支持绘制折线图、柱状图、散点图、直方图等几乎所有图表类型。

• 适用场景：快速生成图表、简单数据展示（如论文图表、日常汇报）。

• 简单示例：绘制折线图和柱状图

      
      
      

       
       
       

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

       
       
       
       
       
       
import matplotlib.pyplot as pltimport numpy as npx = np.arange(1, 6)  # x轴数据：1-5y1 = x * 2           # 折线图数据y2 = x + 3           # 柱状图数据# 创建画布plt.figure(figsize=(10, 4))# 子图1：折线图plt.subplot(1, 2, 1)plt.plot(x, y1, color="blue", marker="o", label="y=2x")plt.title("折线图示例")plt.legend()# 子图2：柱状图plt.subplot(1, 2, 2)plt.bar(x, y2, color="orange", label="y=x+3")plt.title("柱状图示例")plt.legend()# 显示图表plt.show()
      
      
      

• 核心功能：基于 Matplotlib 封装，默认样式更美观，支持更复杂的统计图表（如热力图、箱线图、小提琴图）。

• 适用场景：统计数据可视化、高颜值图表生成（如机器学习特征相关性分析）。

• 核心功能：微型 Web 框架，体积小、灵活度高，核心功能简洁，可通过扩展实现复杂需求（如数据库连接、用户认证）。

• 适用场景：小型网站、API 接口开发、快速原型验证（如个人博客、内部工具）。

• 简单示例：创建一个简单的 Web 接口

      
      
      

       
       
       

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

       
       
       
       
       
       
from flask import Flask, jsonify# 初始化Flask应用app = Flask(__name__)# 定义路由：访问根路径时返回欢迎信息@app.route("/")def hello():return "欢迎来到Flask示例网站！"# 定义API接口：返回JSON数据@app.route("/api/user/<int:user_id>")def get_user(user_id):# 模拟从数据库获取用户数据user = {"id": user_id, "name": "张三", "age": 25}return jsonify(user)  # 返回JSON格式响应# 启动服务（仅开发环境）if __name__ == "__main__":app.run(debug=True)
      
      
      

• 运行后访问 http://127.0.0.1:5000/api/user/1，会返回 {"id":1,"name":"张三","age":25}。

• 核心功能：“大而全” 的框架，内置 ORM（数据库操作）、Admin 后台、用户认证、表单验证等功能，遵循 “开箱即用” 理念。

• 适用场景：中大型网站、复杂 Web 系统（如电商平台、内容管理系统 CMS）。

• 优势：无需自己整合第三方工具，内置功能满足大部分企业需求，安全性高、文档完善。

• 核心功能：基于 Python 3.7 + 的类型提示，支持自动生成 API 文档，性能接近 Node.js/Go，还支持异步请求。

• 适用场景：高性能 API 接口、微服务（如机器学习模型部署、高并发接口）。

• 核心功能：封装了常用的机器学习算法（如线性回归、决策树、随机森林、SVM、KNN），支持数据分割、特征缩放、模型评估等全流程。

• 适用场景：传统机器学习任务（如分类、回归、聚类、特征工程）。

• 简单示例：用线性回归预测房价

      
      
      

       
       
       

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

       
       
       
       
       
       
from sklearn.linear_model import LinearRegressionfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import mean_squared_errorimport numpy as np# 模拟数据：面积（平方米）与房价（万元）X = np.array([[50], [70], [90], [110], [130]])  # 特征：面积y = np.array([150, 210, 270, 330, 390])          # 标签：房价# 分割训练集和测试集（80%训练，20%测试）X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 初始化线性回归模型model = LinearRegression()# 训练模型model.fit(X_train, y_train)# 预测测试集y_pred = model.predict(X_test)print("测试集预测结果：", y_pred)# 评估模型（均方误差）print("均方误差：", mean_squared_error(y_test, y_pred))
      
      
      
      
      
      

       

      
      
      

• TensorFlow：谷歌开发的深度学习框架，支持静态计算图，生态完善（内置 Keras 高层 API、TensorBoard 可视化），适合生产环境部署。

• PyTorch：Facebook 开发的深度学习框架，支持动态计算图，语法更简洁、调试更方便，适合科研和快速原型开发。

• 适用场景：深度学习任务（如图像识别、自然语言处理 NLP、神经网络搭建）。

• 核心功能：处理图像和视频的开源库，支持图像读取、滤波、边缘检测、人脸识别、目标跟踪等功能。

• 适用场景：计算机视觉任务（如人脸识别、车牌识别、图像分割、视频分析）。

• 简单示例：读取图片并转为灰度图

      
      
      

       
       
       

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

       
       
       
       
       
       
import cv2# 读取彩色图片（OpenCV默认BGR格式）img = cv2.imread("test.jpg")# 转为灰度图gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 显示图片（需按任意键关闭窗口）cv2.imshow("Gray Image", gray_img)cv2.waitKey(0)cv2.destroyAllWindows()# 保存灰度图cv2.imwrite("gray_test.jpg", gray_img)
      
      
      

• openpyxl：支持读取和写入 Excel 2007+（.xlsx 格式）文件，能修改已有 Excel 内容。

• xlsxwriter：擅长生成 Excel 文件，支持添加图表、公式、格式设置，但不支持读取已有文件。

• 适用场景：批量生成 Excel 报表、修改 Excel 数据（如每月销售报表自动生成）。

• 简单示例（openpyxl）：修改 Excel 单元格内容

      
      
      

       
       
       

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

       
       
       
       
       
       
from openpyxl import load_workbook# 加载已有的Excel文件wb = load_workbook("report.xlsx")# 选择第一个工作表ws = wb.active# 修改A1单元格内容ws["A1"] = "2024年5月销售报表"# 在B2单元格写入公式（计算B3到B10的和）ws["B2"] = "=SUM(B3:B10)"# 保存文件wb.save("report_updated.xlsx")
      
      
      

• 核心功能：创建和修改 Word（.docx 格式）文件，支持添加文本、图片、表格、样式设置。

• 适用场景：批量生成 Word 文档（如合同、简历、报告）。

• 核心功能：通过 SMTP 协议发送邮件，支持添加附件、HTML 格式内容。

• 适用场景：自动发送报表、告警通知（如服务器异常时自动发邮件提醒）。

• 核心功能：模拟浏览器操作（如打开网页、点击按钮、输入文本），支持 Chrome、Firefox 等浏览器。

• 适用场景：Web 自动化测试、动态网页爬取（如模拟登录网站、批量下载数据）。

• 核心功能：简化 HTTP 请求操作（GET/POST），支持会话保持、Cookie 管理、文件上传，比 Python 内置的urllib更易用。

• 适用场景：调用 API 接口、网页爬取（如调用天气 API 获取数据）。

• 简单示例：发送 GET 请求获取天气数据

      
      
      

       
       
       

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

       
       
       
       
       
       
import requests# 调用天气API（示例接口，需替换为自己的APIKey）url = "https://api.openweathermap.org/data/2.5/weather"params = {"q": "Beijing",  # 城市名"appid": "your_api_key",  # 替换为自己的APIKey"units": "metric"  # 温度单位：摄氏度}# 发送GET请求response = requests.get(url, params=params)# 解析JSON响应weather_data = response.json()# 提取温度和天气描述temp = weather_data["main"]["temp"]description = weather_data["weather"][0]["description"]print(f"北京当前温度：{temp}℃，天气：{description}")
      
      
      

• 核心功能：读取和写入 YAML 格式文件，YAML 比 JSON 更易读，适合作为配置文件（如项目的数据库配置、环境变量）。

• 适用场景：项目配置管理（如不同环境的数据库地址配置）。

• 核心功能：Python 内置的日志模块，支持设置日志级别（DEBUG/INFO/WARNING/ERROR）、输出到文件或控制台，比print更灵活。

• 适用场景：项目调试、生产环境日志记录（如记录用户操作、错误信息）。

# 安装指定库（默认最新版本）pip install 库名# 安装指定版本（如安装Pandas 2.0.0版本）pip install 库名==版本号# 升级库到最新版本pip install --upgrade 库名# 示例：安装Flaskpip install flask# 示例：安装指定版本的TensorFlow（2.15.0）pip install tensorflow==2.15.0

常见 pip 问题解决：

• 问题 1：pip 命令不存在或版本过低。

      
      
      

       python -m pip install --upgrade pip
      
      
      

• 问题 2：安装速度慢（国外源）。

      
      
      

       
       
       

        
        
        

        
        
        

       
       
       
       
       
       
# 使用阿里云镜像安装Pandaspip install pandas -i https://mirrors.aliyun.com/pypi/simple/
      
      
      

      
      
      

       
       
       

        
        
        

        
        
        

        
        
        

       
       
       
       
       
       
conda install 库名# 示例：用conda安装PyTorch（自动匹配系统环境）conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
      
      
      

      
      
      

       
       
       

        
        
        

       
       
       
       
       
       
python setup.py install