很多朋友对于python常用的框架和java面试中经常被问到的问题不太懂，今天就由小编来为大家分享，希望可以帮助到大家，下面一起来看看吧！
Python里面有什么好用且有趣的模块
python第三方模块众多，下面我介绍一些比较实用而又有趣的模块，主要分为爬虫、数据处理、可视化、机器学习、神经网络、股票财经、游戏这7个方面，主要内容如下：
1.爬虫：相信大部分人都用python爬过数据，目前来说，比较流行的框架是scrapy，对爬取数据来说，简单方便了不少，只需要自己添加少量的代码，框架便可启动开始爬取，当然，还有简单地爬虫包，像requests+BeautifulSoup，对于爬取简单网页来说，也足够了：
2.数据处理：numpy,scipy,pandas这些包对于处理数据来说非常方便，线性代数、科学计算等，利用numpy处理起来非常方便，pandas提供的DataFrame类可以方便的处理各种类型的文件，像excel,csv等，是分析数据的利器：
3.可视化：这里的包其实也挺多的，除了我们常用的matplotlib外，还有seaborn,pyecharts等，可以绘制出各种各样类型的图形，除了常见的线图、饼图和柱状图外，还可以绘制出地图、词云图、地理坐标系图等，美观大方，所需的代码量还少，更容易上手：
4.机器学习：说起python机器学习，大部分人都应该scikit-learn这个包，常见的机器学习算法，像回归、分类、聚类、降维、模型选择等，这里都有现成的代码可供利用，对于这机器学习方面感兴趣的人来说，这是一个入门机器学习的好包：
5.神经网络：说起神经网络，大部分人都应该会想起深度学习，对应的就会想到谷歌目前非常流行的深度学习框架—tensorflow，tesndorflow可被用于语音识别和图像识别等众多领域，其发展前景光明，对于这方面感兴趣的科研人员来说，是一个很不错的工具，当然，还有基于tensorflow的theano,keras等，都是学习神经网络的不错选择：
6.股票财经：对于股票和财经比较感兴趣的朋友来说，python也提供了现成的库来获取和分析股票财经数据—tushare，tushare是一个免费、开源的python财经数据接口包，可以快速的获取到国内大部分股票数据，对于金融分析人员来说，可以说是一个利器，降低了许多任务量：
7.游戏：python专门为游戏开发提供了一个平台—pygame，对于想快速开发小型游戏的用户来说，是一个很不错的选择，简单易学、容易上手，脱离了低级语言的束缚，使用起来也挺方便的：
目前就介绍这7个方面和对应的包，比较流行也比较实用、有趣，感兴趣的朋友，可以了解一下，希望以上分享的内容能对你有所帮助吧。
Python有哪些常用的框架和好用的库推荐
今天来整理出的一些比较受欢迎的Python开源框架。这些框架包括Web开发，高性能网络通信，测试，爬虫，科学计算，可视化等。
一、Web框架
Django:PythonWeb应用开发框架Django是最出名的Python框架，GAE甚至Erlang都有框架受它影响。Django是走大而全的方向，它最出名的是其全自动化的管理后台。它鼓励快速开发，并遵循MVC设计，开发周期短。文档完善、市场占有率最高、招聘职位最多。
Web.py:轻量级Web框架，虽然简单但是功能强大。不依赖大量的第三方模块，它没有URL路由、没有模板也没有数据库的访问。
Web2py：Web2py是一个为Python语言提供的全功能Web应用框架，旨在敏捷快速的开发Web应用，具有快速、安全以及可移植的数据库驱动的应用，兼容GoogleAppEngine。
二、科学计算
Matplotlib:Python的2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。通过Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。
Scipy:基于Python的matlab实现，旨在实现matlab的所有功能。它包括统计,优化,整合,线性代数模块,傅里叶变换,信号和图像处理,常微分方程求解器等等。
Numpy:基于Python的科学计算第三方库，提供了许多高级的数值编程工具，如：傅立叶变换、矩阵数据类型、矢量处理，线性代数，以及精密的运算库。专为进行严格的数字处理而产生。
科学库：numpy，scipy；
作图：matplotlib；
并行：mpi4py；
调试：pdb；
三、爬虫
Scrapy:屏幕抓取和web抓取框架，用于抓取Web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。是一个为遍历爬行网站、分解获取数据而设计的应用程序框架，它可以应用在广泛领域：数据挖掘、信息处理。
BeautifulSoup:最主要的功能就是从网页爬取我们需要的数据。BeautifulSoup将html解析为对象进行处理，全部页面转变为字典或者数组，相对于正则表达式的方式，可以大大简化处理过程。
四、分布式网络框架
Twisted:面向对象的解释性语言。使用Python编程是一种乐趣，因为易于编写、易于阅读、易于运行。Python是跨平台的脚本语言，所以可以运行Twisted程序在Linux、Windows、Unix、MAC系统上。
Dpark：DPark是Spark的Python克隆，是一个Python实现的分布式计算框架。可以非常方便地实现大规模数据处理和迭代计算。他是一个类似MapReduce的基于Mesos（Apache下的一个集群管理器，提供了有效的、跨分布式应用或框架的资源隔离和共享等功能）的集群并行计算框架。
五、游戏框架
Pygame:Pygame是跨平台Python模块，专为电子游戏设计，包含图像、声音。建立在SDL基础上，允许实时电子游戏研发而无需被低级语言（如机器语言和汇编语言）束缚。
python都会涉及到哪些流行框架
python都会涉及到哪些流行框架，取决于你的技术工种是什么。
比如python流行的web框架有：Django、TurboGears、web2py、Flask、Bottle等；
python流行的爬虫框架有：Scrapy、PySpider、Crawley、Portia、Newspaper、BeautifulSoup、Grab、Cola、Python-goose、mechanize等；
常见机器学习库
1）Scikits_Learn：
Scikits-learn，又称为sk-learn，是一个基于Numpy与SciPy的Python库。Sk-learn被认为是用于处理复杂数据的最优秀的机器学习库之一。它包含了大量用于实现传统机器学习和数据挖掘任务的算法，比如数据降维、分类、回归、聚类、以及模型选择等。
随着时间的发展，sk-learn不断演进。其中包括它加入了交叉验证功能，提供了使用多个衡量指标的能力。许多的训练方法都得到了一定的改进，如逻辑回归、近邻算法（KNN）等。
2）LightGBM：
GradientBoosting是最好和最受欢迎的机器学习库之一，它通过使用重新定义的基本模型和决策树来帮助开发人员构建新算法。因此，有专门的库被设计用于快速有效地实现该方法。这些库包括LightGBM,XGBoost,和CatBoost。这些库互为竞争对手，同样使用了几乎相同的思路来解决一个共同问题。这些库都提供了高度可扩展，优化和快速的梯度增强实现，使其在机器学习开发人员中很受欢迎。因为大多数机器学习开发人员通过使用这些算法赢得了机器学习竞赛。
6、常见深度学习库
1）tensorflow：
Tensorflow把神经网络运算抽象成运算图（Graph），一个运算图中包含了大量的张量（Tensor）运算（而张量实际上就是N维数据的集合）。神经网络运算的本质是通过张量运算来拟合输入张量与输出张量之间的映射关系。
并行运算是Tensorflow的主要优势之一。也就是说你可以通过代码设置来分配你的CPU、GPU计算资源来实现并行化的图运算。
Tensorflow使用了类似XLA（AcceleratedLinearAlgebra/加速线性代数）等技术对运算过程进行过优化，以保证其能够灵活地调用计算资源的同时保持高效的运算速度。
Tensorflow框架中所有的工具库都是用C或者C++来编写，但它提供了用Python来编写的接口封装。事实上，你用Python编写的神经网络模型最终会调用基于C和C++编写的Tensorflow内核来执行运算。
2）Keras：
Keras本质上是对Tensorflow、Theano等基础框架作进一步的封装，以提供统一的API来简化神经网络的构建与训练。如果你打算以Tensorflow作为后端基础框架，则必须遵循以下架构图：
keras提供了非常简明的机制来表达神经网络结构，也提供了许多工具用于神经网络模型的编译、数据的处理、以及网络结构的可视化等等。
再有，Keras提供了许多预处理的数据集，比如MNIST，和预训练的模型，比如VGG、Inception、ResNet等等。
3）Theano：
Theano的工作原理与Tensorflow相似，但要比Tensorflow低效。因此它不适用于生产环境。
4）PyTorch：
PyTorch是最大的深度学习库，允许开发人员通过加速GPU执行张量计算，创建动态计算图，并自动计算梯度。除此之外，PyTorch还提供丰富的API，用于解决与神经网络相关的应用问题。
深度学习框架都有哪些
作为资深玩家的我，前后使用了theano、caffe、tensoflow、pytorch、mxnet，完全凭自己的记忆和领悟回答一下这个问题：
深度学习框架有哪些：深度学习框架作为算法工程师的必备工具，好比软件工程师的开发语言，前后至少有50多个，比较有名气的10来个，经过近10年的开发和发展，至今主要有两个框架，一个是google的tensorflow，一个是Facebook支持的pyTorch。有人喜欢拿keras和pytorch比，但事实上tensoflow完全支持keras。
如何选择首先看你是什么群体，如果你是学生党，建议使用pytorch，因为你不需要太关心底层的实现，你只需要关注每个网络层的用法就行，最终把更多的时间用在模型网络优化和参数调整上面，这样Pytorch便于学生理解NN算法和快速实践。如果你是职业算法工程师，那我就建议tensorflow了，工作中基本上你对算法也熟悉了，更应该关注算法落地实现能力，比如，QPS性能、通信网络时延、网络结构优化、权重参数调优等等与计算机基础算法相关的工程能力。因为tensorflow本身就是先有工程需求再重构设计的，一般google大牛的理念还是很前沿的，这个可以参考theano的设计。
另外也要看你偏爱什么语言，虽然tensorflow和pytorch都有python接口调用，但tensorflow底层是c++写的，如果你很了解c++了，何必还去和只懂python的朋友争论哪个好用呢，果断是tensorflow啊，哦不，你应该两个都懂。
最后表明一下我的立场，我喜欢tensorflow，有问题随时骚扰。
Flask框架详解
Flask是一个使用Python编写的轻量级Web应用框架。其WSGI工具箱采用Werkzeug，模板引擎则使用Jinja2。Flask使用BSD授权。Flask也被称为“microframework”，因为它使用简单的核心，用extension增加其他功能。Flask没有默认使用的数据库、窗体验证工具。
END，本文到此结束，如果可以帮助到大家，还望关注本站哦！
