Python拥有丰富的标准库和第三方库，这些模块极大地扩展了Python的功能，使其在各种应用场景中都能发挥重要作用。下面我将列出一些常用的Python模块及其简单代码案例，帮助你更好地理解和使用它们。

1. os - 操作系统接口

功能：提供了一系列与操作系统交互的函数，如文件操作、进程管理等。

代码案例：列出当前目录下的所有文件和文件夹

import os  for item in os.listdir('.'):     print(item) 

2. sys - 系统特定功能

功能：提供访问和使用Python解释器的一些函数，常用于处理命令行参数、退出程序等。

代码案例：打印Python解释器的版本信息并退出程序

import sys  print("Python version:", sys.version) sys.exit() 

3. json - JSON数据处理

功能：用于编码和解码JSON数据格式。

代码案例：将Python对象转换为JSON字符串并输出

import json  data = {     "name": "Alice",     "age": 30,     "city": "New York" }  json_str = json.dumps(data) print(json_str) 

4. requests - HTTP库

功能：发送HTTP请求，广泛用于网络爬虫和API交互。

代码案例：发送GET请求获取网页内容

import requests  response = requests.get('https://api.github.com') print(response.text) 

5. pandas - 数据分析

功能：提供高性能、易用的数据结构和数据分析工具。

代码案例：读取CSV文件并显示前几行数据

import pandas as pd  df = pd.read_csv('example.csv') print(df.head()) 

6. numpy - 数值计算

功能：强大的数学库，支持大型多维数组和矩阵运算。

代码案例：创建一个数组并进行简单运算

import numpy as np  arr = np.array([1, 2, 3]) print(arr * 2) 

7. matplotlib - 数据可视化

功能：绘制静态、动态、交互式的图表。

代码案例：绘制简单的线图

import matplotlib.pyplot as plt  x = [1, 2, 3, 4] y = [10, 15, 13, 17]  plt.plot(x, y) plt.xlabel('X axis') plt.ylabel('Y axis') plt.title('Simple Plot') plt.show() 

8. datetime - 时间日期处理

功能：处理日期和时间。

代码案例：获取当前时间和格式化输出

from datetime import datetime  now = datetime.now() print("Current date and time:", now.strftime("%Y-%m-%d %H:%M:%S")) 

9. re - 正则表达式

功能：处理正则表达式，用于字符串的匹配、查找、替换等操作。

代码案例：使用正则表达式查找所有邮箱地址

import re  text = "联系我：email@example.com 或 support@example.org" emails = re.findall(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b', text)  print(emails) 

10. threading - 多线程

功能：提供了对线程的支持，允许同时执行多个任务。

代码案例：创建两个线程分别打印序列

import threading import time  def print_numbers():     for i in range(5):         print(i, end=' ')         time.sleep(0.5)  def print_letters():     for letter in 'abcde':         print(letter, end=' ')         time.sleep(1)  t1 = threading.Thread(target=print_numbers) t2 = threading.Thread(target=print_letters)  t1.start() t2.start()  t1.join() t2.join() 

11. hashlib - 安全哈希和消息摘要

功能：提供安全相关的哈希函数，如MD5、SHA等，用于数据校验和加密。

代码案例：计算字符串的MD5哈希值

import hashlib  str_to_hash = "Hello, World!" hash_object = hashlib.md5(str_to_hash.encode()) hex_dig = hash_object.hexdigest()  print(hex_dig) 

12. flask - 微型Web框架

功能：轻量级的Web服务器网关接口（WSGI）Web应用框架。

代码案例：创建一个简单的Web应用，返回"Hello, World!"

from flask import Flask  app = Flask(__name__)  @app.route('/') def hello_world():     return 'Hello, World!'  if __name__ == '__main__':     app.run() 

13. sqlalchemy - SQL工具包和ORM系统

功能：提供SQLAlchemy ORM，用于与SQL数据库交互，支持多种数据库后端。

代码案例：连接SQLite数据库并查询数据

from sqlalchemy import create_engine, MetaData, Table, select from sqlalchemy.orm import sessionmaker  engine = create_engine('sqlite:///example.db', echo=True) Session = sessionmaker(bind=engine) session = Session()  metadata = MetaData() users = Table('users', metadata, autoload_with=engine)  stmt = select(users) result = session.execute(stmt) for row in result:     print(row) 

14. tensorflow - 机器学习库

功能：Google开发的开源机器学习框架，广泛应用于深度学习模型的构建、训练和推理。

代码案例：使用TensorFlow创建一个简单的线性模型

import tensorflow as tf import numpy as np  # 创建数据集 x_data = np.random.rand(100).astype(np.float32) y_data = x_data * 0.1 + 0.3  # 定义变量 Weights = tf.Variable(tf.random.uniform([1], -1.0, 1.0)) biases = tf.Variable(tf.zeros([1]))  # 定义模型 y = Weights*x_data + biases  # 定义损失函数 loss = tf.reduce_mean(tf.square(y-y_data))  # 定义优化器 optimizer = tf.optimizers.SGD(0.5)  # 训练模型 for step in range(201):     optimizer.minimize(loss, var_list=[Weights, biases])     if step % 20 == 0:         print(step, Weights.numpy(), biases.numpy()) 

15. scikit-learn - 机器学习库

功能：提供了简单高效的数据挖掘和数据分析工具，包括分类、回归、聚类等多种算法。

代码案例：使用scikit-learn进行简单线性回归

from sklearn.model_selection import train_test_split  from sklearn.linear_model import LinearRegression from sklearn import datasets  # 加载波士顿房价数据集 boston = datasets.load_boston() X = boston.data y = boston.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, random_state=42)  # 创建并训练模型 model = LinearRegression() model.fit(X_train, y_train)  # 预测并打印分数 score = model.score(X_test, y_test) print("模型得分: %.2f%%" % (score*100)) 

16. pillow - 图像处理

功能：Pillow是PIL（Python Imaging Library）的一个派生，提供了丰富的图像处理功能。

代码案例：打开一个图片，将其尺寸缩小一半，并保存新图片

from PIL import Image  # 打开图片 with Image.open('example.jpg') as img:     # 缩小图片     img_resized = img.resize((img.width // 2, img.height // 2))     # 保存新图片     img_resized.save('example_resized.jpg') 

17. scrapy - 网络爬虫框架

功能：用于抓取网页内容并提取结构化数据的框架，适用于数据挖掘、监测等场景。

代码案例：Scrapy简单爬虫示例（仅展示基本结构，完整运行需根据目标网站调整）

import scrapy  class MySpider(scrapy.Spider):     name = 'myspider'     start_urls = ['http://www.example.com/']      def parse(self, response):         page_title = response.css('title::text').get()         yield {'title': page_title} 

请注意，实际使用时，应遵守网站的robots.txt规则和相关法律法规，尊重网站版权和隐私政策。

18. PyQt / PySide - GUI开发

功能：这两者都是用于创建图形用户界面（GUI）的库，基于Qt框架。PyQt是社区支持的版本，而PySide由Qt公司官方维护。

代码案例：使用PyQt5创建一个简单的窗口

from PyQt5.QtWidgets import QApplication, QWidget  # 创建应用程序对象 app = QApplication([])  # 创建窗口 window = QWidget() window.setWindowTitle('My First PyQt App')  # 显示窗口 window.show()  # 进入主事件循环 app.exec_() 

19. asyncio - 异步I/O、并发编程

功能：Python中的异步编程库，用于编写单线程并发代码，利用协程、事件循环等机制处理并发任务。

代码案例：异步下载网页

import asyncio import aiohttp  async def fetch(session, url):     async with session.get(url) as response:         return await response.text()  async def main():     async with aiohttp.ClientSession() as session:         html = await fetch(session, 'https://www.example.com')         print(html[:100])  # 运行异步函数 loop = asyncio.get_event_loop() loop.run_until_complete(main()) 

20. beautifulsoup4 - HTML和XML解析

功能：一个用于解析HTML和XML文档的库，常用于网络爬虫中提取数据。

代码案例：解析HTML页面，提取标题

from bs4 import BeautifulSoup import requests  url = 'https://www.example.com' response = requests.get(url) soup = BeautifulSoup(response.text, 'html.parser')  title = soup.find('title').text print(title) 

21. seaborn - 统计图形库

功能：基于matplotlib，提供了高级接口用于绘制统计图形，使得数据可视化更加美观和直观。

代码案例：绘制散点图矩阵

import seaborn as sns import pandas as pd  # 载入内置数据集 iris = sns.load_dataset("iris")  # 绘制散点图矩阵 sns.pairplot(iris, hue="species") plt.show() 

22. joblib - 并行计算和持久化

功能：用于大规模数据处理、机器学习任务中的轻量级并行处理和重复计算结果的缓存。

代码案例：并行计算两个列表的乘积

from joblib import Parallel, delayed  def multiply(x, y):     return x * y  numbers1 = [1, 2, 3, 4] numbers2 = [5, 6, 7, 8]  results = Parallel(n_jobs=2)(delayed(multiply)(x, y) for x, y in zip(numbers1, numbers2)) print(results) 

这些模块和库展示了Python在机器学习、数据科学、图像处理、网络爬虫等多个领域的广泛应用。通过不断学习和实践，你可以更加灵活地运用这些工具来解决实际问题。