有什么有趣的 Python 模块值得推荐?
回复内容:
最近用到过的几个:自动化图表用到 matplotlib: python plotting,粗鄙如我也能秒杀excel的图表啦
轻量级demo神器 Welcome | Flask (A Python Microframework),django拜拜吧
dm预研用 scikit-learn: machine learning in Python
很好玩的主题模型实现 gensim: Topic modelling for humans
ctypes、nltk什么的就不说了,免得被人说土,虽然用的还是蛮多的…… 下面很多不是python的模块:
私生子系列
=====================================
Python和Lisp的私生子:
Welcome to Hy’s documentation!
如果你了解lisp就知道这货多么的可爱。
=====================================
Python和Excel的vba的私生子:
Python in Excel
利用python 让你的EXCEL飞起来。
=====================================
Python不需要AUTOCAD这个老婆,就可以生dxf这个私生子。
ezdxf 0.7.0 documentation
=====================================
python也可以是别人的私生子:
aardio
有了这货,写桌面程序就不需要你学习古老的TK,庞大的QT,直接拖界面或者用html写界面或者用flash写界面或者。。。。
你还可以吧c++代码 .net代码,php代码,lisp代码,python代码,本身的aardio代码揉进1个程序里为你服务,都说python是胶水语言,我觉得这货是胶水的胶水。
=====================================
python因为长得漂亮(官方说法是“优雅”),被“微软”这个大款xx了
IronPython - Home
===================================== Python资源大全 - python模块大全,python资料 vinta/awesome-python · GitHub
整理了各个用途的各种有趣的模块 这看你如何定义有趣啦。
如果指新奇好玩的话。我想到以下这些~
有时邂逅那些能简化我们的工作的库,也会由衷会心一笑觉得pythonic,也觉得有趣呢,可以参考我的另一个回答 Python 中的哪些库让你相见恨晚?
- 首先,当然是python内置的彩蛋 > import this
The Zen of Python, by Tim Peters
Beautiful is better than ugly.
Explicit is better than implicit.
Simple is better than complex.
Complex is better than complicated.
- faker
A library for generating fake data such as names, addresses, and phone numbers
- 之前好像还在博客里看到一个比较恶搞的模块 girlfriend ,现在pypi里好像没有了
- pydown
- vim
- lassie
- Pipe
A Python library to use infix notation in Python顾名思义即可~如果你喜欢linux下的管道机制(我十分喜欢管道这个设计),那么你也会喜欢上这个库的
- twosheds
- pyquery
- geeknote
多逛github吧,上边有许多好玩的东西呢! antigravity… 之前做游戏,用过一个图形化模块。PyGame小小的推荐一下。
手机客户端竟然不能贴图。。。
----------------------------------------------------发现手机端可以贴图了!
果断上两张!


自己做的哦!游戏图片来自素材。字体丑了点见谅。另外csdn有源码下载。就叫python版flappybird! __future__ scapy 数值计算: numpy + scipy
画图: matplotlib
profile: line_profiler

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Dieses Tutorial zeigt, wie man Python verwendet, um das statistische Konzept des Zipf -Gesetzes zu verarbeiten, und zeigt die Effizienz des Lesens und Sortierens großer Textdateien von Python bei der Bearbeitung des Gesetzes. Möglicherweise fragen Sie sich, was der Begriff ZiPF -Verteilung bedeutet. Um diesen Begriff zu verstehen, müssen wir zunächst das Zipf -Gesetz definieren. Mach dir keine Sorgen, ich werde versuchen, die Anweisungen zu vereinfachen. Zipf -Gesetz Das Zipf -Gesetz bedeutet einfach: In einem großen natürlichen Sprachkorpus erscheinen die am häufigsten vorkommenden Wörter ungefähr doppelt so häufig wie die zweiten häufigen Wörter, dreimal wie die dritten häufigen Wörter, viermal wie die vierten häufigen Wörter und so weiter. Schauen wir uns ein Beispiel an. Wenn Sie sich den Brown Corpus in amerikanischem Englisch ansehen, werden Sie feststellen, dass das häufigste Wort "Th ist

Der Umgang mit lauten Bildern ist ein häufiges Problem, insbesondere bei Mobiltelefonen oder mit geringen Auflösungskamera-Fotos. In diesem Tutorial wird die Bildfilterungstechniken in Python unter Verwendung von OpenCV untersucht, um dieses Problem anzugehen. Bildfilterung: Ein leistungsfähiges Werkzeug Bildfilter

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Python, ein Favorit für Datenwissenschaft und Verarbeitung, bietet ein reichhaltiges Ökosystem für Hochleistungs-Computing. Die parallele Programmierung in Python stellt jedoch einzigartige Herausforderungen dar. Dieses Tutorial untersucht diese Herausforderungen und konzentriert sich auf die globale Interprete

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps

Dieses Tutorial zeigt, dass eine benutzerdefinierte Pipeline -Datenstruktur in Python 3 erstellt wird, wobei Klassen und Bedienerüberladungen für verbesserte Funktionen genutzt werden. Die Flexibilität der Pipeline liegt in ihrer Fähigkeit, eine Reihe von Funktionen auf einen Datensatz GE anzuwenden

Serialisierung und Deserialisierung von Python-Objekten sind Schlüsselaspekte eines nicht trivialen Programms. Wenn Sie etwas in einer Python -Datei speichern, führen Sie eine Objektserialisierung und Deserialisierung durch, wenn Sie die Konfigurationsdatei lesen oder auf eine HTTP -Anforderung antworten. In gewisser Weise sind Serialisierung und Deserialisierung die langweiligsten Dinge der Welt. Wen kümmert sich um all diese Formate und Protokolle? Sie möchten einige Python -Objekte bestehen oder streamen und sie zu einem späteren Zeitpunkt vollständig abrufen. Dies ist eine großartige Möglichkeit, die Welt auf konzeptioneller Ebene zu sehen. Auf praktischer Ebene können das von Ihnen ausgewählte Serialisierungsschema, Format oder Protokoll jedoch die Geschwindigkeit, Sicherheit, den Status der Wartungsfreiheit und andere Aspekte des Programms bestimmen

Das Statistikmodul von Python bietet leistungsstarke Datenstatistikanalysefunktionen, mit denen wir die allgemeinen Merkmale von Daten wie Biostatistik und Geschäftsanalyse schnell verstehen können. Anstatt Datenpunkte nacheinander zu betrachten, schauen Sie sich nur Statistiken wie Mittelwert oder Varianz an, um Trends und Merkmale in den ursprünglichen Daten zu ermitteln, die möglicherweise ignoriert werden, und vergleichen Sie große Datensätze einfacher und effektiv. In diesem Tutorial wird erläutert, wie der Mittelwert berechnet und den Grad der Dispersion des Datensatzes gemessen wird. Sofern nicht anders angegeben, unterstützen alle Funktionen in diesem Modul die Berechnung der Mittelwert () -Funktion, anstatt einfach den Durchschnitt zu summieren. Es können auch schwimmende Punktzahlen verwendet werden. zufällig importieren Statistiken importieren Aus Fracti
