1.NumPy
-
简介:用于处理大型多维数组和矩阵的库,以及一系列高级数学函数.
import numpy as np
a = np.array([1, 2, 3, 4])
b = np.array([[1, 3], [3, 4]])
print(np.dot(a, b))
2.Pandas
-
简介:用于数据分析和操作的库,提供了主要数据结构为数据框(DataFrame)和序列(Series).
import pandas as pddf = pd.DataFrame({'A': [1, 5], 'B': [5, 4]})
print(df.sum())
3.Matplotlib
-
简介:用于绘制静态、动态和交互式可视化的库.
import matplotlib.pyplot as pltplt.plot([1, 2, 8], [7, 4, 2])
plt.show()
4.SciPy
-
简介:用于数学、科学和工程的库,包含统计、优化、积分等功能.
from scipy.optimize import minimizedef fun(x):return x[0]**3 + x[1]**4result = minimize(fun, [2, 2])
print(result.x)
5.Seaborn
-
简介:基于Matplotlib的数据可视化库,提供了更高级的界面以绘制有吸引力的统计图形.
import seaborn as snssns.set()
tips = sns.load_dataset("tips")
sns.relplot(x="total_bill", y="tip", hue="day", data=tips);
6.TensorFlow
-
简介:开源机器学习库,用于各种应用,如语音识别、图像识别等.
import tensorflow as tfmodel = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(1,))])
model.compile(optimizer='sgd', loss='mean_squared_error')
xs = [[1.0], [2.0], [3.0], [4.0]]
ys = [[1.0], [3.0], [5.0], [7.0]]
model.fit(xs, ys, epochs=6)
7.PyTorch
-
简介:一个用于深度学习的库.
import torch
import torch.nn as nn
import torch.optim as optimmodel = nn.Linear(2, 3)
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)inputs=torch.tensor([[1.0],[2.0],[3.0],[4.0]], requires_grad=True)
targets = torch.tensor([[1.0], [3.0], [5.0], [7.0])
for epoch in range(100):optimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, targets)loss.backward()
optimizer.step()
-
这些示例展示了几个常用 Python 库的简介和基本用法,包括 NumPy、Pandas、Matplotlib、SciPy 和 Seaborn.这些库在数据处理、数学计算和可视化方面提供了强大的功能,是数据科学和机器学习领域中不可或缺的工具.
-
感谢大家的关注和支持!想了解更多Python编程精彩知识内容,请关注我的 微信公众号:python小胡子,有最新最前沿的的python知识和人工智能AI与大家共享,同时,如果你觉得这篇文章对你有帮助,不妨点个赞,并点击关注.动动你发财的手,万分感谢!!!