淮北市网站建设_网站建设公司_腾讯云_seo优化

一、常用 Python 库及代码案例

1. requests - 网络请求库

用途：发送 HTTP 请求，爬取网页数据、调用 API 接口等，比 Python 内置的 urllib 更简洁易用。

python

运行

import requests # 案例1：发送GET请求获取网页内容 def get_web_content(): # 目标URL url = "https://httpbin.org/get" # 发送GET请求 response = requests.get(url) # 检查请求是否成功（状态码200表示成功） if response.status_code == 200: print("响应状态码：", response.status_code) print("响应内容（JSON格式）：") print(response.json()) # 解析JSON响应 else: print(f"请求失败，状态码：{response.status_code}") # 案例2：发送POST请求（带参数） def post_data(): url = "https://httpbin.org/post" # 要发送的表单数据 data = { "username": "test_user", "password": "123456" } # 发送POST请求 response = requests.post(url, data=data) if response.status_code == 200: print("POST请求响应：") print(response.json()) # 执行函数 if __name__ == "__main__": get_web_content() print("-" * 50) post_data()

关键解释：

• requests.get()/requests.post()：分别发送 GET/POST 请求；
• response.status_code：获取响应状态码，判断请求是否成功；
• response.json()：将 JSON 格式的响应内容解析为 Python 字典。

前置条件：需要先安装pip install requests。

2. pandas - 数据处理库

用途：处理结构化数据（如 Excel、CSV），数据清洗、筛选、分析等，是数据科学的核心库。

python

运行

import pandas as pd # 案例1：读取CSV文件（这里用模拟数据演示） def process_csv_data(): # 模拟CSV数据（实际可替换为 pd.read_csv("你的文件路径.csv")） data = { "姓名": ["张三", "李四", "王五"], "年龄": [25, 30, 28], "城市": ["北京", "上海", "广州"] } # 创建DataFrame（pandas的核心数据结构） df = pd.DataFrame(data) # 1. 查看数据基本信息 print("数据预览：") print(df.head()) # 查看前n行（默认5行） # 2. 数据筛选：筛选年龄大于28的行 df_filtered = df[df["年龄"] > 28] print("\n年龄大于28的数据：") print(df_filtered) # 3. 数据统计：计算年龄的平均值 avg_age = df["年龄"].mean() print(f"\n平均年龄：{avg_age}") # 4. 保存数据到新CSV df.to_csv("output.csv", index=False, encoding="utf-8") print("\n数据已保存到output.csv") if __name__ == "__main__": process_csv_data()

关键解释：

• pd.DataFrame()：将字典 / 列表转换为表格型数据结构；
• 布尔索引df[df["年龄"] > 28]：快速筛选符合条件的数据；
• df.to_csv()：将处理后的数据保存为 CSV 文件，index=False不保存行索引。

前置条件：安装pip install pandas（如需读写 Excel，还需安装pip install openpyxl）。

3. matplotlib - 数据可视化库

用途：绘制折线图、柱状图、散点图等，直观展示数据规律。

python

运行

import matplotlib.pyplot as plt import numpy as np # 设置中文显示（解决中文乱码问题） plt.rcParams["font.sans-serif"] = ["SimHei"] # 黑体 plt.rcParams["axes.unicode_minus"] = False # 解决负号显示问题 # 案例：绘制折线图+柱状图 def plot_data(): # 生成模拟数据 x = np.arange(1, 6) # x轴数据：1-5 y1 = [2, 5, 3, 6, 4] # 折线图数据 y2 = [1, 4, 2, 5, 3] # 柱状图数据 # 创建画布 plt.figure(figsize=(8, 5)) # 绘制折线图 plt.plot(x, y1, label="折线图", color="red", linewidth=2, marker="o") # 绘制柱状图 plt.bar(x, y2, label="柱状图", color="skyblue", alpha=0.7) # 添加图表元素 plt.title("Matplotlib示例图") # 标题 plt.xlabel("X轴") # X轴标签 plt.ylabel("Y轴") # Y轴标签 plt.legend() # 显示图例 plt.grid(True, alpha=0.3) # 显示网格 # 保存图片+显示图片 plt.savefig("plot.png", dpi=300) plt.show() if __name__ == "__main__": plot_data()

关键解释：

• plt.rcParams：配置图表样式（如中文显示）；
• plt.plot()/plt.bar()：分别绘制折线图 / 柱状图；
• plt.savefig()：保存图片，dpi=300提高图片清晰度；
• plt.show()：弹出窗口显示图表。

前置条件：安装pip install matplotlib numpy。

4. os + sys - 系统操作库（内置库，无需安装）

用途：os 处理文件 / 目录，sys 处理 Python 解释器相关操作，是自动化脚本的常用库。

python

运行

import os import sys # 案例：遍历指定目录、获取系统信息 def system_operation(): # 1. 获取当前工作目录 current_dir = os.getcwd() print(f"当前工作目录：{current_dir}") # 2. 遍历指定目录下的所有文件（这里遍历当前目录） print("\n当前目录下的文件/目录：") for file_name in os.listdir(current_dir): # 拼接完整路径 file_path = os.path.join(current_dir, file_name) # 判断是文件还是目录 if os.path.isfile(file_path): print(f"文件：{file_name}") elif os.path.isdir(file_path): print(f"目录：{file_name}") # 3. 获取Python版本信息 print(f"\nPython版本：{sys.version}") # 4. 获取命令行参数（演示） print(f"命令行参数：{sys.argv}") if __name__ == "__main__": system_operation()

关键解释：

• os.getcwd()：获取当前工作目录；
• os.path.join()：拼接路径（避免不同系统路径分隔符问题）；
• sys.version：获取 Python 版本，sys.argv：获取运行脚本时的命令行参数。

二、进阶库（可选）

如果你的需求偏向特定领域，还可以关注这些库：

• NumPy：数值计算库，处理数组 / 矩阵，是 pandas/matplotlib 的底层依赖；
• BeautifulSoup4：解析 HTML/XML，配合 requests 做网页爬虫；
• TensorFlow/PyTorch：深度学习库，用于 AI 模型开发；
• PyQt5：GUI 开发库，制作桌面应用程序。

总结

1. 基础必备：requests（网络）、pandas（数据处理）、matplotlib（可视化）、内置的os/sys（系统操作）是 Python 入门最常用的库；
2. 使用原则：先明确需求场景，再选择对应库，优先使用官方文档和可运行的极简案例上手；
3. 安装技巧：通过pip install 库名安装，国内可加镜像源（如-i https://pypi.tuna.tsinghua.edu.cn/simple）提速。