⑴ Python 常用的標准庫以及第三方庫有哪些
5個常用的Python標准庫：
1、os：提供了不少與操作系統相關聯的函數庫
os包是Python與操作系統的介面。我們可以用os包來實現操作系統的許多功能，比如管理系統進程，改變當前路徑，改變文件許可權等。但要注意，os包是建立在操作系統的平台上的，許多功能在Windows系統上是無法實現的。另外，在使用os包中，要注意其中的有些功能已經被其他的包取代。
我們通過文件系統來管理磁碟上儲存的文件。查找、刪除、復制文件以及列出文件列表等都是常見的文件操作。這些功能通常可以在操作系統中看到，但現在可以通過Python標准庫中的glob包、shutil包、os.path包以及os包的一些函數等，在Python內部實現。
2、sys：通常用於命令行參數的庫
sys包被用於管理Python自身的運行環境。Python是一個解釋器，也是一個運行在操作系統上的程序。我們可以用sys包來控制這一程序運行的許多參數，比如說Python運行所能占據的內存和CPU，Python所要掃描的路徑等。另一個重要功能是和Python自己的命令行互動，從命令行讀取命令和參數。
3、random：用於生成隨機數的庫
Python標准庫中的random函數，可以生成隨機浮點數、整數、字元串，甚至幫助你隨機選擇列表序列中的一個元素，打亂一組數據等。
4、math：提供了數學常數和數學函數
標准庫中，Python定義了一些新的數字類型，以彌補之前的數字類型可能的不足。標准庫還包含了random包，用於處理隨機數相關的功能。math包補充了一些重要的數學常數和數學函數，比如pi、三角函數等等。
5、datetime：日期和時間的操作庫
日期和時間的管理並不復雜，但容易犯錯。Python的標准庫中對日期和時間的管理頗為完善，你不僅可以進行日期時間的查詢和變換，還可以對日期時間進行運算。通過這些標准庫，還可以根據需要控制日期時間輸出的文本格式。
除此之外，Python還有很多第三方庫，了解更多可移步：oldboye
⑵ python程序都能做什麼
從入門級選手到專業級選手都在做的——爬蟲
用 Python 寫爬蟲的教程網上一抓一大把，據我所知很多初學 Python 的人都是使用它編寫爬蟲程序。小到抓取一個小黃圖網站，大到一個互聯網公司的商業應用。通過 Python 入門爬蟲比較簡單易學，不需要在一開始掌握太多太基礎太底層的知識就可以很快上手，而且很快可以做出成果，非常適合小白一開始想做出點看得見的東西的成就感。
除了入門，爬蟲也被廣泛應用到一些需要數據的公司、平台和組織，通過抓取互聯網上的公開數據，來實現一些商業價值是非常常見的做法。當然這些選手的爬蟲就要厲害的多了，需要處理包括路由、存儲、分布式計算等很多問題，與小白的抓黃圖小程序，復雜度差了很多倍。
Web 程序
除了爬蟲，Python 也廣泛應用到了 Web 端程序，比如你現在正在使用的知乎，主站後台就是基於 Python 的 tornado 框架，豆瓣的後台也是基於 Python。除了 tornado (Tornado Web Server)，Python 常用的 Web 框架還有 Flask(Welcome | Flask (A Python Microframework))，Django (The Web framework for perfectionists with deadlines) 等等。通過上述框架，你可以很方便實現一個 Web 程序，比如我認識的一些朋友，就通過 Python 自己編寫了自己的博客程序，包括之前的 hu.photo，我就是通過 Flask 實現的後台(出於版權等原因，我已經停掉了這個網站)。除了上述框架，你也可以嘗試自己實現一個 Web 框架。
桌面程序
Python 也有很多 UI 庫，你可以很方便地完成一個 GUI 程序(話說我最開始接觸編程的時候，就覺得寫 GUI 好炫酷，不過搞了好久才在 VC6 搞出一個小程序，後來又輾轉 Delphi、Java等，最後接觸到 Python 的時候，我對 GUI 已經不感興趣了)。Python 實現 GUI 的實例也不少，包括大名鼎鼎的 Dropbox，就是 Python 實現的伺服器端和客戶端程序。
人工智慧(AI)與機器學習
人工智慧是現在非常火的一個方向，AI熱潮讓Python語言的未來充滿了無限的潛力。現在釋放出來的幾個非常有影響力的AI框架，大多是Python的實現，為什麼呢?因為Python足夠動態、具有足夠性能，這是AI技術所需要的技術特點。比如基於Python的深度學習庫、深度學習方向、機器學習方向、自然語言處理方向的一些網站基本都是通過Python來實現的。
機器學習，尤其是現在火爆的深度學習，其工具框架大都提供了Python介面。Python在科學計算領域一直有著較好的聲譽，其簡潔清晰的語法以及豐富的計算工具，深受此領域開發者喜愛。
早在深度學習以及Tensorflow等框架流行之前，Python中即有scikit-learn，能夠很方便地完成幾乎所有機器學習模型，從經典數據集下載到構建模型只需要簡單的幾行代碼。配合Pandas、matplotlib等工具，能很簡單地進行調整。
而Tensorflow、PyTorch、MXNet、Keras等深度學習框架更是極大地拓展了機器學習的可能。使用Keras編寫一個手寫數字識別的深度學習網路僅僅需要寥寥數十行代碼，即可藉助底層實現，方便地調用包括GPU在內的大量資源完成工作。
值得一提的是，無論什麼框架，Python只是作為前端描述用的語言，實際計算則是通過底層的C/C++實現。由於Python能很方便地引入和使用C/C++項目和庫，從而實現功能和性能上的擴展，這樣的大規模計算中，讓開發者更關注邏輯於數據本身，而從內存分配等繁雜工作中解放出來，是Python被廣泛應用到機器學習領域的重要原因。
科學計算
Python 的開發效率很高，性能要求較高的模塊可以用 C 改寫，Python 調用。同時，Python 可以更高層次的抽象問題，所以在科學計算領域也非常熱門。包括 scipy、numpy 等用於科學計算的第三方庫的出現，更是方便了又一定數學基礎，但是計算機基礎一般的朋友。
⑶ python能開發前端嗎
Python可以開發前端。
python是可以開發網頁的，比如Django和Flask等基於Python的Web框架最近在Web開發中非常流行。這些Web框架可以幫助你用Python編寫伺服器端代碼(後端代碼)。這是在你的伺服器上運行的代碼，而不是運行在用戶設備和瀏覽器的代碼(前端代碼)。
Django是由Python寫成一個開放源代碼的Web應用框架。採用了MTV的框架模式，即模型M，視圖V和模版T。它最初是被開發來用於管理勞倫斯出版集團旗下的一些以新聞內容為主的網站的，即是CMS（內容管理系統）軟體。
Flask是一個使用 Python 編寫的輕量級 Web 應用框架。其 WSGI 工具箱採用 Werkzeug ，模板引擎則使用 Jinja2 。Flask使用 BSD 授權。
Flask也被稱為 「microframework」 ，因為它使用簡單的核心，用 extension 增加其他功能。Flask沒有默認使用的資料庫、窗體驗證工具。
更多Python知識請關注Python視頻教程欄目。
⑷ Python 有哪些好的 Web 框架
常見的5種Web框架：
第一個：Django
Django是一個開源的Web應用框架，由Python寫成，支持許多資料庫引擎，可以讓Web開發變得迅速和可擴展，並會不斷的版本更新以匹配Python最新版本，如果是新手程序員，可以從這個框架入手。
第二個：Flask
Flask是一個輕量級的Web應用框架，使用Python編寫。基於WerkzeugWSGI工具箱和JinJa2模板引擎，使用BSD授權。
Flask也被稱為microframework，因為它使用簡單的核心，用extension增加其他功能。Flask沒有默認使用的資料庫、窗體驗證工具。然而Flask保留了擴增的彈性，可以用Flask-extension加入這些功能：ORM、窗體驗證工具、文件上傳、各種開放式身份驗證技術。
第三個：Web2py
Web2py是一個用Python語言編寫的免費的開源Web框架，旨在敏捷快速的開發Web應用，具有快速、可擴展、安全以及可移植的資料庫驅動的應用，遵循LGPLv3開源協議。
Web2py提供一站式的解決方案，整個開發過程都可以在瀏覽器上進行，提供了Web版的在線開發，HTML模板編寫，靜態文件的上傳，資料庫的編寫的功能。其他的還有日誌功能，以及一個自動化的admin介面。
第四個：Tornado
Tornado即是一個Webserver，同時又是一個類web.py的micro-framework，作為框架的Tornado的思想主要來源於web.PY，大家在web.PY的網站首頁也可以看到Tornado的大佬Bret
Taylor的這么一段話：「[web.py inspired the] Web framework we use at FriendFeed [and] thewebapp framework that ships with App Engine…」，因為這層關系，後面不再單獨討論Tornado。
第五個：CherryPy
CherryPy是一個用於Python的、簡單而非常有用的Web框架，其主要作用是以盡可能少的操作將Web伺服器與Python代碼連接，其功能包括內置的分析功能、靈活的插件系統以及一次運行多個HTTP伺服器的功能，可運行在最新版本的Python、Jython、android上。
⑸ python是用於前端還是後端開發
python既可用於前端還可用於後端開發。
Python是一種計算機程序設計語言。是一種動態的、面向對象的腳本語言，最初被設計用於編寫自動化腳本(shell)，隨著版本的不斷更新和語言新功能的添加，越來越多被用於獨立的、大型項目的開發。
Python在設計上堅持了清晰劃一的風格，這使得Python成為一門易讀、易維護，並且被大量用戶所歡迎的、用途廣泛的語言。
設計者開發時總的指導思想是，對於一個特定的問題，只要有一種最好的方法來解決就好了。
這在由Tim Peters寫的Python格言（稱為The Zen of Python）裡面表述為：There should be one-- and preferably only one --obvious way to do it。
這正好和Perl語言（另一種功能類似的高級動態語言）的中心思想TMTOWTDI（There's More Than One Way To Do It）完全相反。
(5)python能用的前端圖標庫擴展閱讀：
Python的設計定位：
Python的設計哲學是「優雅」、「明確」、「簡單」。因此，Perl語言中「總是有多種方法來做同一件事」的理念在Python開發者中通常是難以忍受的。
Python開發者的哲學是「用一種方法，最好是只有一種方法來做一件事」。在設計Python語言時，如果面臨多種選擇，Python開發者一般會拒絕花俏的語法，而選擇明確的沒有或者很少有歧義的語法。
由於這種設計觀念的差異，Python源代碼通常被認為比Perl具備更好的可讀性，並且能夠支撐大規模的軟體開發。這些准則被稱為Python格言。在Python解釋器內運行import this可以獲得完整的列表。
Python開發人員盡量避開不成熟或者不重要的優化。一些針對非重要部位的加快運行速度的補丁通常不會被合並到Python內。
所以很多人認為Python很慢。不過，根據二八定律，大多數程序對速度要求不高。在某些對運行速度要求很高的情況，Python設計師傾向於使用JIT技術，或者用使用C/C++語言改寫這部分程序。可用的JIT技術是PyPy。
Python是完全面向對象的語言。函數、模塊、數字、字元串都是對象。並且完全支持繼承、重載、派生、多繼承，有益於增強源代碼的復用性。
Python支持重載運算符和動態類型。相對於Lisp這種傳統的函數式編程語言，Python對函數式設計只提供了有限的支持。有兩個標准庫(functools, itertools)提供了Haskell和Standard ML中久經考驗的函數式程序設計工具。
雖然Python可能被粗略地分類為「腳本語言」（script language），但實際上一些大規模軟體開發計劃例如Zope、Mnet及BitTorrent，Google也廣泛地使用它。
Python的支持者較喜歡稱它為一種高級動態編程語言，原因是「腳本語言」泛指僅作簡單程序設計任務的語言，如shellscript、VBScript等只能處理簡單任務的編程語言，並不能與Python相提並論。
參考資料來源：網路-Python
⑹ python的tkinter庫，求詳細用法
tkinter是Python中最有用的庫之一，以下有它的詳細用法：
准備（必做）：
import tkinter
Windows=tkinter.Tk()
canvas=tkinter.Canvas(Windows,width=數字,height=數字)
canvas.pack()讀取圖片：變數名=tkinter.PhotoImage(file='....')
放出圖片：變數名1=canvas.create_image(數字,數字（兩個數字表示坐標）,image=變數名,anchor="nw或ne或sw或se或不寫，表示錨點")
Windows.title("歡迎") 設置窗口名
canvas.update()更新畫面
canvas.delete(變數名1)刪除圖片
坐標=canvas.coords(變數名1)獲取坐標
canvas.itemconfig(改什麼，改成什麼) 改圖片
canvas.move(移什麼,x坐標移多少,y坐標移多少)
10.id=canvas.create_text(x坐標,y坐標,text=寫什麼,fill='填充',font=('字體',字型大小))
這十個夠用一段時間了
希望我的回答能夠幫助到您！如果贊同我的觀點請您採納哦！
⑺ python可以做前端嗎
可以做前端開發但是還是需要javascript的輔助。python並不能直接在瀏覽器運行，所以有很多功能需要javascript來做，不過如果只是基本的顯示和表格操作的話python是可以完成的。
⑻ python數據分析需要哪些庫
Python數據分析需要安裝的第三方擴展庫有：Numpy、Pandas、SciPy、Matplotlib、Scikit-Learn、Keras、Gensim、Scrapy等，以下是對該第三方擴展庫的簡要介紹：
1. Pandas
Pandas是Python強大、靈活的數據分析和探索工具，包含Series、DataFrame等高級數據結構和工具，安裝Pandas可使Python中處理數據非常快速和簡單。
Pandas是Python的一個數據分析包，Pandas最初被用作金融數據分析工具而開發出來，因此Pandas為時間序列分析提供了很好的支持。
Pandas是為了解決數據分析任務而創建的，Pandas納入了大量的庫和一些標準的數據模型，提供了高效的操作大型數據集所需要的工具。Pandas提供了大量是我們快速便捷的處理數據的函數和方法。Pandas包含了高級數據結構，以及讓數據分析變得快速、簡單的工具。它建立在Numpy之上，使得Numpy應用變得簡單。
帶有坐標軸的數據結構，支持自動或明確的數據對齊。這能防止由於數據結構沒有對齊，以及處理不同來源、採用不同索引的數據而產生的常見錯誤。
使用Pandas更容易處理丟失數據。
合並流行資料庫（如：基於SQL的資料庫）
Pandas是進行數據清晰/整理的最好工具。
2. Numpy
Python沒有提供數組功能，Numpy可以提供數組支持以及相應的高效處理函數，是Python數據分析的基礎，也是SciPy、Pandas等數據處理和科學計算庫最基本的函數功能庫，且其數據類型對Python數據分析十分有用。
Numpy提供了兩種基本的對象：ndarray和ufunc。ndarray是存儲單一數據類型的多維數組，而ufunc是能夠對數組進行處理的函數。Numpy的功能：
•N維數組，一種快速、高效使用內存的多維數組，他提供矢量化數學運算。
•可以不需要使用循環，就能對整個數組內的數據進行標准數學運算。
•非常便於傳送數據到用低級語言編寫(C\C++)的外部庫,也便於外部庫以Numpy數組形式返回數據。
Numpy不提供高級數據分析功能，但可以更加深刻的理解Numpy數組和面向數組的計算。
#一般以np作為numpy的別名
import numpy as np
#創建數組
a = np.array([2,1,0,5])
print(a)
print(a[:3])
print(a.min())
a.sort()
b = np.array([1,2,3],[4,5,6])
print(b*b)
3. Matplotlib
Matplotlib是強大的數據可視化工具和作圖庫，是主要用於繪制數據圖表的Python庫，提供了繪制各類可視化圖形的命令字型檔、簡單的介面，可以方便用戶輕松掌握圖形的格式，繪制各類可視化圖形。
Matplotlib是Python的一個可視化模塊，他能方便的只做線條圖、餅圖、柱狀圖以及其他專業圖形。
使用Matplotlib，可以定製所做圖表的任一方面。他支持所有操作系統下不同的GUI後端，並且可以將圖形輸出為常見的矢量圖和圖形測試，如PDF SVG JPG PNG BMP GIF.通過數據繪圖，我們可以將枯燥的數字轉化成人們容易接收的圖表。
Matplotlib是基於Numpy的一套Python包，這個包提供了吩咐的數據繪圖工具，主要用於繪制一些統計圖形。
Matplotlib有一套允許定製各種屬性的默認設置，可以控制Matplotlib中的每一個默認屬性：圖像大小、每英寸點數、線寬、色彩和樣式、子圖、坐標軸、網個屬性、文字和文字屬性。
4. SciPy
SciPy是一組專門解決科學計算中各種標准問題域的包的集合，包含的功能有最優化、線性代數、積分、插值、擬合、特殊函數、快速傅里葉變換、信號處理和圖像處理、常微分方程求解和其他科學與工程中常用的計算等，這些對數據分析和挖掘十分有用。
Scipy是一款方便、易於使用、專門為科學和工程設計的Python包，它包括統計、優化、整合、線性代數模塊、傅里葉變換、信號和圖像處理、常微分方程求解器等。Scipy依賴於Numpy，並提供許多對用戶友好的和有效的數值常式，如數值積分和優化。
Python有著像Matlab一樣強大的數值計算工具包Numpy；有著繪圖工具包Matplotlib;有著科學計算工具包Scipy。
Python能直接處理數據，而Pandas幾乎可以像SQL那樣對數據進行控制。Matplotlib能夠對數據和記過進行可視化，快速理解數據。Scikit-Learn提供了機器學習演算法的支持，Theano提供了升讀學習框架（還可以使用CPU加速）。
5. Keras
Keras是深度學習庫，人工神經網路和深度學習模型，基於Theano之上，依賴於Numpy和Scipy，利用它可以搭建普通的神經網路和各種深度學習模型，如語言處理、圖像識別、自編碼器、循環神經網路、遞歸審計網路、卷積神經網路等。
6. Scikit-Learn
Scikit-Learn是Python常用的機器學習工具包，提供了完善的機器學習工具箱，支持數據預處理、分類、回歸、聚類、預測和模型分析等強大機器學習庫，其依賴於Numpy、Scipy和Matplotlib等。
Scikit-Learn是基於Python機器學習的模塊，基於BSD開源許可證。
Scikit-Learn的安裝需要Numpy S Matplotlib等模塊，Scikit-Learn的主要功能分為六個部分，分類、回歸、聚類、數據降維、模型選擇、數據預處理。
Scikit-Learn自帶一些經典的數據集，比如用於分類的iris和digits數據集，還有用於回歸分析的boston house prices數據集。該數據集是一種字典結構，數據存儲在.data成員中，輸出標簽存儲在.target成員中。Scikit-Learn建立在Scipy之上，提供了一套常用的機器學習演算法，通過一個統一的介面來使用，Scikit-Learn有助於在數據集上實現流行的演算法。
Scikit-Learn還有一些庫，比如：用於自然語言處理的Nltk、用於網站數據抓取的Scrappy、用於網路挖掘的Pattern、用於深度學習的Theano等。
7. Scrapy
Scrapy是專門為爬蟲而生的工具，具有URL讀取、HTML解析、存儲數據等功能，可以使用Twisted非同步網路庫來處理網路通訊，架構清晰，且包含了各種中間件介面，可以靈活的完成各種需求。
8. Gensim
Gensim是用來做文本主題模型的庫，常用於處理語言方面的任務，支持TF-IDF、LSA、LDA和Word2Vec在內的多種主題模型演算法，支持流式訓練，並提供了諸如相似度計算、信息檢索等一些常用任務的API介面。
以上是對Python數據分析常用工具的簡單介紹，有興趣的可以深入學習研究一下相關使用方法!
⑼ 【Python基礎】python數據分析需要哪些庫
1.Numpy庫
是Python開源的數值計算擴展工具，提供了Python對多維數組的支持，能夠支持高級的維度數組與矩陣運算。此外，針對數組運算也提供了大量的數學函數庫，Numpy是大部分Python科學計算的基礎，具有很多功能。
2.Pandas庫
是一個基於Numpy的數據分析包，為了解決數據分析任務而創建的。Pandas中納入了大量庫和標準的數據模型，提供了高效地操作大型數據集所需要的函數和方法，使用戶能快速便捷地處理數據。
3.Matplotlib庫
是一個用在Python中繪制數組的2D圖形庫，雖然它起源於模仿MATLAB圖形命令，但它獨立於MATLAB，可以通過Pythonic和面向對象的方式使用，是Python中最出色的繪圖庫。主要用純Python語言編寫的，它大量使用Numpy和其他擴展代碼，即使對大型數組也能提供良好的性能。
4.Seaborn庫
是Python中基於Matplotlib的數據可視化工具，提供了很多高層封裝的函數，幫助數據分析人員快速繪制美觀的數據圖形，從而避免了許多額外的參數配置問題。
5.NLTK庫
被稱為使用Python進行教學和計算語言學工作的最佳工具，以及用自然語言進行游戲的神奇圖書館。NLTK是一個領先的平台，用於構建使用人類語言數據的Python程序，它為超過50個語料庫和詞彙資源提供了易於使用的介面，還提供了一套文本處理庫，用於分類、標記化、詞干化、解析和語義推理、NLP庫的包裝器和一個活躍的討論社區。
⑽ Python中數據可視化經典庫有哪些
Python有很多經典的數據可視化庫，比較經典的數據可視化庫有下面幾個。
matplotlib
是Python編程語言及其數值數學擴展包 NumPy 的可視化操作界面。它利用通用的圖形用戶界面工具包，如 Tkinter, wxPython, Qt 或 GTK+，向應用程序嵌入式繪圖提供了應用程序介面。
pyplot 是 matplotlib 的一個模塊，它提供了一個類似 MATLAB 的介面。 matplotlib 被設計得用起來像 MATLAB，具有使用 Python 的能力。
優點：繪圖質量高，可繪制出版物質量級別的圖形。代碼夠簡單，易於理解和擴展，使繪圖變得輕松，通過Matplotlib可以很輕松地畫一些或簡單或復雜的圖形，幾行代碼即可生成直方圖、條形圖、散點圖、密度圖等等，最重要的是免費和開源。
優點：用於創建、操縱和研究復雜網路的結構、以及學習復雜網路的結構、功能及其動力學。
上面是我的回答，希望對您有所幫助！