记录工作和学习中遇到和使用过的Python库。
Target
四个Level
整理 Collect
学习 Learn
练习 Practice
掌握 Master
1. Python原生和功能增强
1.1 python-dateutil
Python-dateutil 模块为标准的 datetime 模块提供了强大的功能扩展。普通的 Python datetime 无法做到的事情都可以使用 python-dateutil 完成。
https://juejin.cn/post/7028598668483641351
1.2 pytz
类似于dateutils，该库可以帮助你操作日期和时间。处理时区很麻烦。幸运的是，这个包可以让时区处理变得很容易。
关于时间，我的经验是：在内部永远使用UTC，只有在需要产生供人阅读的输出时才转换成本地时间。
https://cloud.tencent.com/developer/article/1619246
1.3 jsonpath
jsonpath用来解析json数据，是一种简单的方法来提取给定JSON文档的部分内容。它提供了类似正则表达式的语法，可以解析复杂的嵌套数据结构，可以非常方便的提取接口返回的数据信息。
https://cloud.tencent.com/developer/article/1511637
Online Evaluator: https://jsonpath.com/
1.4 progress，tqdm
创建进度条。
https://blog.csdn.net/qianfengpython/article/details/118764070
2. 科学计算，统计学，数据分析和可视化
2.1 Numpy
NumPy是Numerical Python的简写，是Python数值计算的基石。它提供多种数据结构、算法以及大部分涉及Python数值计算所需的接口。NumPy还包括其他内容：
快速、高效的多维数组对象ndarray
基于元素的数组计算或数组间数学操作函数
用于读写硬盘中基于数组的数据集的工具
线性代数操作、傅里叶变换以及随机数生成
除了NumPy赋予Python的快速数组处理能力之外，NumPy的另一个主要用途是在算法和库之间作为数据传递的数据容器。对于数值数据，NumPy数组能够比Python内建数据结构更为高效地存储和操作数据。
2.2 Pandas
pandas提供了高级数据结构和函数，这些数据结构和函数的设计使得利用结构化、表格化数据的工作快速、简单、有表现力。
2.3 Matplotlib
对于Python编程者来说也有其他可视化库，但matplotlib依然使用最为广泛，并且与生态系统的其他库良好整合。我认为将它作为默认可视化工具是一个安全的选择。
2.4 SciPy
SciPy是科学计算领域针对不同标准问题域的包集合。以下是SciPy中包含的一些包：
scipy.integrate 数值积分例程和微分方程求解器
scipy.linalg 线性代数例程和基于numpy.linalg的矩阵分解
scipy.optimize 函数优化器（最小化器）和求根算法
scipy.signal 信号处理工具
scipy.sparse 稀疏矩阵与稀疏线性系统求解器
scipy.special SPECFUN的包装器。SPECFUN是Fortran语言下实现通用数据函数的包，例如gamma函数。
scipy.stats 标准的连续和离散概率分布（密度函数、采样器、连续分布函数）、各类统计测试、各类描述性统计。
SciPy与NumPy一起为很多传统科学计算应用提供了一个合理、完整、成熟的计算基础。
2.5 Statsmodels
statsmodels是一个统计分析包。
与scikit-learn相比，statsmodels包含经典的（高频词汇）统计学、经济学算法。它所包含的模型如下。
回归模型：线性回归、通用线性模型、鲁棒线性模型、线性混合效应模型等
方差分析（ANOVA ）
时间序列分析：AR、ARMA、ARIMA、VAR等模型
非参数方法：核密度估计、核回归
统计模型结果可视化
statsmodels更专注于统计推理，提供不确定性评价和p值参数。相反，scikit-learn更专注于预测。
2.6 Seaborn
2.7 PyEcharts
2.8 Plotly
需要梯子
2.9 Pasty
Patsy是一个python库，用于描述统计模型（尤其是线性模型），方法是通过一个叫做公式语法（formula syntax）的字符串来描述。这种公式语法的灵感来源于R和S语言中的公式语法。
Patsy的公式是有特殊格式的字符串，像下面这样： y ~ x0 + x1 这种a + b的语法并不代表将a和b相加，而是代表为模型创建的设计矩阵的术语（terms in the design matrix）。patsy.dmatrices函数，取一个公式字符串和一个数据集（可以使DataFrame或dict），然后为线性模型产生设计矩阵。
https://developer.aliyun.com/article/798127
3. Web开发
3.1 Flask
3.2 Flask-restful
基于Flask快速创建restful API接口。
3. Django
4. 网络，HTTP，爬虫
4.1 urllib, urllib2, urllib3
Python 内置。用来发送HTTP请求，包含了可以添加headers，认证等高级信息。
urllib2给python2用的，python3中urllib2和并到了urllib。
https://zhuanlan.zhihu.com/p/92847111
4.2 requests
Python内置。发送HTTP请求，比urllib更简洁。
https://www.runoob.com/python3/python-requests.html
4.3 lxml
用来处理xml和HTML文件。语法上利用xpath。
4.4 BeautifulSoup
处理HTML文件。
4.5 Selenium
自动化测试，可以用来完全模拟浏览器，不停发送爬虫请求。
4.6 scrapy
爬虫框架。
4.7 Socket
套接字通讯底层库，用于在服务器和客户端间建立TCP或UDP连接，通过连接发送请求与响应。
5. 图形界面
5.1 PyQt
6. 自然语言处理
6.1 NTLK
英文文本处理。
6.2 jieba
中文分词。
6.3 HanLP
完整中文自然语言处理工具链，分词，词性标注，命名实体识别，依存句法分析等。
7. 图像处理
7.1 OpenCV
https://opencv.org/
7.2 Pillow
用来快速处理图像image。
8. 机器学习
8.1 Scikit-learn
scikit-learn项目诞生于2010年，目前已成为Python编程者首选的机器学习工具包。仅仅七年，scikit-learn就拥有了全世界1 500位代码贡献者。其中包含以下子模块:
分类：SVM、最近邻、随机森林、逻辑回归等
回归：Lasso、岭回归等
聚类：k-means、谱聚类等
降维：PCA、特征选择、矩阵分解等
模型选择：网格搜索、交叉验证、指标矩阵
预处理：特征提取、正态化
scikit-learn与pandas、statsmodels、IPython一起使Python成了高效的数据科学编程语言。
8.2 TensorFlow
8.3 Keras
8.4 PyTorch
9. 数据库
9.1 SQLAlchemy
python database ORM framework
9.2 psycopg2
Python-PostgreSQL 连接框架。
10. 知识图谱
11. 交互编程
11.1 IPython
尽管它本身并不提供任何计算或数据分析工具，它的设计侧重于在交互计算和软件开发两方面将生产力最大化。它使用了一种执行-探索工作流来替代其他语言中典型的编辑-编译-运行工作流。它还提供针对操作系统命令行和文件系统的易用接口。由于数据分析编码工作包含大量的探索、试验、试错和遍历，IPython可以使你更快速地完成工作。
11.2 Jupyter
11.3 Jupyterlab
12. 音频处理
12.1 PyAudioAnalysis
非常好用且强大的音频分析开源工具，能实现音频的特征提取、分类和回归模型的训练和执行，以及其他一些实用的功能。
https://www.cnblogs.com/littlemujiang/p/pyAudioAnalysis-wen-dang.html
12.2 Pydub
pydub 提供了简洁的高层接口，极大的扩展了python处理音频文件的能力，pydub可能不是最强大的Python音频处理库，但绝对是Python最简洁易用的音频库只要，非要说有什么弊端，大概只有高度依赖ffmpeg，Linux安装起来不太方便吧。其功能足以满足大多数情况下的音频处理需求。
https://blog.csdn.net/baidu_29198395/article/details/86694365
12.3 librosa
常见的时频处理、特征提取、绘制声音图形等功能应有尽有，功能十分强大。
13. 文本处理，文档处理，词云
13.1 openpyxl
处理MS Excel的库。
13.2 python-docx
处理MS Word的库。
13.3 Wordcloud
词云生成器
https://bbs.huaweicloud.com/blogs/382777
14. 打包、平台转换等
14.1 Py2exe
将python脚本转换为windows上可以独立运行的可执行程序。
https://blog.csdn.net/bruce_6/article/details/82906444
14.2 Pyinstaller
https://zhuanlan.zhihu.com/p/71081512
