python常用库

# 示例代码：使用Python常用库

# 1. NumPy: 用于科学计算的基础库，提供多维数组对象
import numpy as np

# 创建一个简单的NumPy数组
arr = np.array([1, 2, 3, 4, 5])
print("NumPy数组:", arr)

# 计算数组的均值
mean_value = np.mean(arr)
print("数组的均值:", mean_value)


# 2. Pandas: 提供高性能的数据结构和数据分析工具
import pandas as pd

# 创建一个简单的DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
print("\nPandas DataFrame:")
print(df)

# 获取DataFrame中的某一列
ages = df['Age']
print("\n年龄列:")
print(ages)


# 3. Matplotlib: 用于绘制图表的库
import matplotlib.pyplot as plt

# 绘制简单的折线图
x = [1, 2, 3, 4, 5]
y = [10, 20, 25, 30, 40]

plt.plot(x, y)
plt.title('简单折线图')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.show()


# 4. Requests: 用于发送HTTP请求的库
import requests

# 发送GET请求并获取响应
response = requests.get('https://jsonplaceholder.typicode.com/posts/1')
print("\nGET请求响应内容:")
print(response.json())


# 5. Scikit-learn: 用于机器学习的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建KNN分类器并进行训练
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

# 在测试集上进行预测
predictions = knn.predict(X_test)
print("\nKNN分类器预测结果:", predictions)

解释说明：

1. NumPy：用于处理数值数据，特别是多维数组。示例中展示了如何创建数组、计算均值。
2. Pandas：用于处理表格数据（如CSV文件）。示例中展示了如何创建DataFrame、访问特定列。
3. Matplotlib：用于绘制图表。示例中展示了如何绘制简单的折线图。
4. Requests：用于发送HTTP请求。示例中展示了如何发送GET请求并获取JSON响应。
5. Scikit-learn：用于机器学习任务。示例中展示了如何加载数据集、分割数据集、训练KNN分类器并进行预测。

希望这些示例能帮助你理解这些常用库的基本用法！