14 Python-Bibliotheken und -Module, die jeder Entwickler kennen sollte

Bibliotheken und Module machen das Leben eines Programmierers einfacher.

Wenn Sie an Projekten arbeiten, können Sie auf Szenarien stoßen, die Sie mit der Standardcodierung einer Programmiersprache nicht lösen können. Wir brauchen einige Bibliotheken und Module, um diese Probleme zu lösen.

Glücklicherweise unterstützt Python eine Fülle von Modulen und Bibliotheken. Python verfügt sowohl über integrierte Module als auch über Bibliotheken und Module von Drittanbietern für die Entwicklung. Wir werden sowohl integrierte Module als auch Module von Drittanbietern kennenlernen, die für Python-Projekte sehr nützlich sind. Lassen Sie uns zunächst die integrierten Module betrachten.

Python verfügt über zahlreiche integrierte Module für verschiedene Anwendungsfälle. Wir werden die Module der Reihe nach entsprechend ihrer Verwendung untersuchen.

Sammlungen

Python verfügt über verschiedene Arten von Collections zum Speichern von Datensammlungen. Tupel, List, Dict usw . sind einige der eingebauten Sammlungen von Python. Das Modul collections bietet zusätzliche Funktionen zu den eingebauten Collections.

Wenn Sie die Datensammlung deque aus dem collections-Modul nehmen, ähnelt sie eher einer Python-Liste. Aber wir können die Elemente von beiden Seiten ein- und ausschieben . Das ist schneller als eine Liste. Sie können deque je nach Bedarf verwenden. Sehen wir uns ein paar echte Codierungen mit der collections.deque Datensammlung an.

importieren Sie collections
nums = [1, 2, 3]
# Erstellen einer Deque-Sammlung aus der Liste
deque = collections.deque(nums)

print(deque)

# Hinzufügen eines Elements am Ende
deque.append(4)

print(deque)

# Hinzufügen eines Elements am Anfang
deque.appendleft(0)

print(deque)

# Entfernen des Elements am Ende
deque.pop()

print(deque)

# Entfernen des Elements am Anfang
deque.popleft()

print(deque)

Führen Sie den obigen Code aus und sehen Sie sich die Ergebnisse an. Wir haben auch andere Datensammlungen im Modul collections .

Einige von ihnen sind:

Zähler	Gibt ein dict zurück, das die Häufigkeit der Elemente aus der Liste enthält. Es ist eine Unterklasse der dict-Klasse.
UserList	Wird für eine schnelle Unterklasse der Liste verwendet.
UserDict	Wird für eine schnelle Unterklasse des Diktats verwendet.
UserString	Wird für eine schnelle Unterklasse von str verwendet.

Sehen Sie sich die Dokumentation des Moduls collections an, um alle Datensammlungen und Methoden kennenzulernen.

Kurzer Hinweis:- Verwenden Sie die in Python eingebaute Methode dir(object) , um alle Methoden eines Objekts zu sehen.

CSV

Wir können CSV-Dateien (comma-separated values) verwenden, um die tabellarischen Daten zu speichern. Dies ist das am häufigsten verwendete Format für den Import und Export von Daten aus Tabellenkalkulationen und Datenbanken. Python verfügt über ein Modul namens CSV , um CSV-Dateien zu verarbeiten.

Lassen Sie unsein Beispiel für das Lesen von Daten aus einer CSV-Datei betrachten.

Erstellen Sie auf Ihrem Laptop eine Datei mit dem Namen sample.csv und fügen Sie die folgenden Daten ein.

Name, Alter, Jahr des Abschlusses

Hafeez,21,2021

Aslan,23,2019

Rambabu,21,2021

Wir haben Methoden zum Lesen und Schreiben im CSV-Modul. Wir werden sehen, wie wir die Daten aus den CSV-Dateien mit dem CSV-Modul lesen können.

csv importieren

with open('beispiel.csv') as file:
    # Erstellen des Lesegeräts
    reader = csv.reader(datei)
    
    # zeilenweises Lesen mit Schleife
    for row in reader:
        # Zeile ist eine Liste mit Elementen aus der CSV-Datei
        # Zusammenfügen der Liste mit der Methode join(list)
        print(','.join(row))

Führen Sie den obigen Code aus, um die Ergebnisse zu sehen.

Wir werden auch ein Objekt namens csv.writer() haben, um die Daten in die CSV-Datei zu schreiben. Spielen Sie selbst mit den anderen Methoden, indem Sie die integrierten Methoden dir() und help()verwenden. Wir haben ein weiteres Modul namens JSON, das für die Verarbeitung von JSON-Dateien verwendet wird. Es ist ebenfalls ein eingebautes Modul.

Zufällig

Python verfügt über ein Modul namens random , mit dem Daten nach dem Zufallsprinzip erzeugt werden können. Mit dem Modul Random können wir auf verschiedene Arten alles zufällig erzeugen. Sie können dieses Modul in Anwendungen wie Tic-Tac-Toe, einem Würfelspiel, usw. verwenden,

Sehen wir uns ein einfaches Programm an, um zufällige Ganzzahlen aus einem bestimmten Bereich zu erzeugen.

importieren Sie random

# Generierung einer Zufallszahl aus dem Bereich 1-100
print(random.randint(1, 100))

Die anderen Methoden des random-Moduls überprüfen Sie mit den Methoden dir()und help(). Lassen Sie uns ein kleines und einfaches Spiel schreiben, das das Modul random verwendet. Wir können es ein Zahlen-Ratespiel nennen.

Was ist das Number Guessing Game?

Das Programm generiert eine Zufallszahl im Bereich von 1 – 100. Der Benutzer muss die Zahl so lange raten, bis sie mit der vom Programm generierten Zufallszahl übereinstimmt. Sie werden jedes Mal ausgeben, ob die Zahl des Benutzers kleiner oder größer als die Zufallszahl ist. Im Quellcode wird dann die Anzahl der Treffer angezeigt.

Sehen Sie sich den folgenden Code für das obige Programm an.

# Importieren des Zufallsmoduls
importieren Sie random

# Erzeugen einer Zufallszahl
random_number = random.randint(1, 100)

# Anzahl der Raten auf 0 initialisieren
rat_zahl = 0

# Schleife läuft, bis der Benutzer die Zufallszahl errät
while True:
    # Benutzereingabe erhalten

    user_guessed_number = int(input("Geben Sie eine Zahl im Bereich von 1-100 ein:- "))

    # Überprüfung auf Gleichheit
    if benutzer_geratene_Zahl == zufällige_Zahl:
        print(f "Sie haben die Zahl in {Raten_Zahl} erraten")
        # Abbruch der Schleife
        break
    elif benutzer_geratene_Zahl < zufällige_Zahl:
        print("Ihre Zahl ist niedrig")
    elif benutzer_geratene_Zahl > zufällige_Zahl:
        print("Ihre Zahl ist hoch")

    # Erhöhen der Ratezahl
    erraten_Zahl = 1

Tkinter

Tkinterist ein integriertes Modul für die Entwicklung von GUI-Anwendungen (Graphical User Interface). Es ist praktisch für Anfänger. Wir können GUI-Anwendungen wie Taschenrechner, Anmeldesysteme, Texteditoren usw. entwickeln. Es gibt viele Ressourcen, um die GUI-Entwicklung mit Tkinter zu lernen.

Die beste Unterstützung ist, den offiziellen Dokumenten zu folgen. Um mit dem Tkinter zu beginnen, gehen Sie zu den Dokumenten und beginnen Sie mit der Erstellung schöner GUI-Anwendungen .

# Module von Drittanbietern

Requests

Das Modul Requests wird verwendet, um alle Arten von HTTP-Anfragen an den Server zu senden. Es ermöglicht das Senden von HTTP/1.1-Anfragen . Wir können auch Header, Daten und andere Dinge mithilfe von Python-Wörterbüchern hinzufügen. Da es sich um ein Modul eines Drittanbieters handelt, müssen wir es installieren. Führen Sie den folgenden Befehl im Terminal oder in der Befehlszeile aus, um das Modul requests zu installieren.

pip install requests

Die Arbeit mit dem requests-Modul ist ganz einfach. Wir können ohne jegliche Vorkenntnisse mit den Anfragen arbeiten. Schauen wir uns an, wie man eine get-Anfrage sendet und was sie zurückgibt.

importieren Sie requests

# Senden einer Get-Anfrage
request = requests.get("https://www.google.com/")

# 
print(anfrage.status_code)
print(anfrage.url)
print(request.request)

Der obige Code gibt den status_code, die URL und die Anfragemethode (GET, POST) aus. Sie erhalten auch die Quelle der URL . Auf diese können Sie mit dem Byte request.content zugreifen. Gehen Sie in die Dokumentation des requests-Moduls und erfahren Sie mehr.

BeautifulSoup4

DieBeautifulSoup-Bibliothek wird für Web Scraping verwendet. Es ist ein praktisches Modul, mit dem Sie arbeiten können. Selbst Anfänger können mit Hilfe der Dokumentation damit arbeiten. Sehen Sie sich den Beispielcode für das Scraping der Details von Kundenberichten an.

Sie können BeautifulSoup installieren, indem Sie den folgenden Befehl in das Terminal/die Kommandozeile eingeben.

pip install beautifulsoup4

Und nun ein einfaches Programm für Ihr erstes Scraping.

## Scraping der ConsumerReport-Produktliste mit BeautifulSoup

## Importieren der Module bs4, requests
importiere bs4
importiere Anfragen

## url initialisieren
url = "https://www.consumerreports.org/cro/a-to-z-index/products/index.htm"

## Abrufen der Antwort von der Seite mit der Methode get des Moduls requests
seite = requests.get(url)

## Speichern des Inhalts der Seite in einer Variablen
html = Seite.Inhalt

## Erstellen eines BeautifulSoup-Objekts
soup = bs4.BeautifulSoup(html, "lxml")

## die Klasse oder ID des Tags anzeigen, der Namen und Links enthält
div_class = "crux-body-copy"

## Ermitteln aller divs mit der Methode find_all
div_tags = soup.find_all("div", class_=div_class) ## Finden der divs, die die genannte Klasse haben

## wir sehen alle Tags mit einem Tag, der einen Namen und einen Link innerhalb des Divs hat
for tag in div_tags:
    print(tag)

Führen Sie den obigen Code aus, um die Magie des Web Scraping zu erleben. Es gibt noch weitere Web Scraping Frameworks, die Sie ausprobieren können.

# Datenwissenschaft und maschinelles Lernen

Es gibt einige Bibliotheken, die speziell für Data Science und maschinelles Lernen entwickelt wurden. Sie wurden alle in C entwickelt und sind blitzschnell.

Numpy

Numpy wird für wissenschaftliche Berechnungen verwendet.

Es ermöglicht uns die Arbeit mit mehrdimensionalen Arrays. Die Implementierung von Arrays gibt es in Python nicht. Hauptsächlich verwenden die Entwickler Numpy in ihren Projekten zum maschinellen Lernen. Sie ist leicht zu erlernen und eine Open-Source-Bibliothek. Fast jeder Ingenieur für maschinelles Lernen oder Datenwissenschaftler verwendet dieses Modul für komplexe mathematische Berechnungen.

Führen Sie den folgenden Befehl aus, um das numpy-Modul zu installieren.

pip install numpy

Pandas

Pandas ist ein Modul zur Datenanalyse. Mit der Pandas-Bibliothek können wir die Daten am effektivsten filtern. Sie bietet verschiedene Arten von Datenstrukturen, mit denen man gut arbeiten kann. Außerdem bietet es Dateiverarbeitung mit verschiedenen Dateiformaten.

Installieren Sie das Modul mit dem folgenden Befehl.

pip install pandas

Matplotlib

Matplotlib ist eine Bibliothek zur Erstellung von 2D-Diagrammen. Sie können die Daten mit Matplotlib visualisieren.

Wir können Bilder der Zahlen in verschiedenen Formaten erzeugen. Wir plotten verschiedene Arten von Diagrammen wie Balkendiagramme, Fehlerdiagramme, Histogramme, Scatterplots usw. Sie können Matplotlib mit dem folgenden Befehl installieren.

pip install matplotlib

Kurzer Hinweis:- Sie können Anaconda installieren, um alle für Data Science erforderlichen Bibliotheken und Module zu erhalten.

Wenn Sie ernsthaft Python für Data Science und ML lernen wollen, dann schauen Sie sich diesen brillanten Udemy-Kurs an.

TensorFlow

TensorFlow ist eine durchgängige Python-Bibliothek für maschinelles Lernen, die von Google entwickelt wurde.

Mit TensorFlow können Sie Standard-Algorithmen für maschinelles Lernen ausführen, neuronale Netze erstellen und numerische Berechnungen durchführen. Für die Arbeit mit TensorFlow ist jedoch ein tiefes Verständnis von Vektoren und Algebra erforderlich.

Wie Sie TensorFlow verwenden

Erstellen Sie ein Projekt, navigieren Sie dorthin und installieren Sie dann TensorFlow mit diesem Befehl;

pip install tensorflow-cpu

TensorFlow ist aus diesen Gründen sehr beliebt;

Flexibel: TensorFlow kann verschiedene Aufgaben des maschinellen Lernens durchführen, wie z.B. Spracherkennung, Bilderkennung und Verarbeitung natürlicher Sprache, um nur einige zu nennen.
Skalierbar: Sie können TensorFlow verwenden, um Machine Learning-Modelle auf verschiedenen Hardware-Systemen wie TPUs, GPUs und CPUs zu trainieren und einzusetzen.
Große Gemeinschaft: TensorFlow hat mit mehr als 174k Sternen und 88k Forks auf GitHub eine große Nutzerbasis angezogen.
Erweiterbar: Sie können TensorFlow an die spezifischen Bedürfnisse Ihres Projekts anpassen.

TensorFlow ist ein kostenloses, quelloffenes Projekt, dessen Quellcode auf GitHub zu finden ist.

Keras

Keras ist eine Deep Learning Application Programming Interface (API), die auf TensorFlow, einer Plattform für maschinelles Lernen, aufbaut. Deep Learning ist ein Teilbereich des maschinellen Lernens. Keras wurde entwickelt, um schnelle Experimente zu ermöglichen, damit Benutzer schnell von einer Idee zu einem Produkt gelangen können.

Während TensorFlow als Infrastrukturebene für die differenzierte Programmierung dient, bietet Keras die wesentlichen Bausteine und Abstraktionen für den Aufbau und die Bereitstellung von Lösungen für maschinelles Lernen. Mit Keras profitieren Ingenieure von den plattformübergreifenden Fähigkeiten und der Skalierbarkeit von TensorFlow.

Um Keras zu verwenden, installieren Sie es mit pip;

pip install keras

Warum Keras?

Flexibel: Keras wurde nach dem Prinzip der “progressiven Offenlegung der Komplexität” entwickelt. So können Sie verschiedene neuronale Netzwerke erstellen, da es verschiedene Optimierer, Aktivierungsfunktionen und Schichttypen unterstützt.
Einfach in der Anwendung: Keras wurde so entwickelt, dass es einfach, aber nicht simpel ist. Als Ingenieur können Sie sich mit Keras auf die Lösungen konzentrieren, auf die es ankommt, während Sie von der kognitiven Last befreit werden.
Große Gemeinschaft: Keras hat eine große, aufstrebende Community mit über 57,9k Sternen auf GitHub.
Skalierbar: Sie können Keras zum Experimentieren verwenden. Sie können diese API aber auch weiter verwenden, wenn Ihre Anwendung wächst.

Keras ist eine kostenlose, quelloffene Deep-Learning-Python-Bibliothek.

Scikitt-Learn

Scikitt-Learn ist ein Python-Modul für maschinelles Lernen, das auf SciPy aufbaut. Das Modul bietet effiziente und einfache Tools, die Ingenieure zur Analyse von Vorhersagedaten verwenden können.

Scikitt-Learn hat viele Anwendungsfälle, wie Klassifizierung, Clustering, Regression und Vorverarbeitung, um nur einige zu nennen.

In der Funktion Klassifizierung können Sie dieses Modul verwenden, um die Kategorie eines Objekts zu identifizieren. Diese Funktion ist nützlich bei der Bilderkennung und der Spam-Erkennung.

Sie können Scikitt-Learn mit pip wie folgt in Ihrem Projektordner installieren;

pip install scikit-learn

Nach der Installation können Sie überprüfen, ob es gut eingerichtet ist, indem Sie es in Ihre Dateien importieren als;

importieren sklearn

Warum Scikitt-Learn?

Verschiedene Algorithmen für maschinelles Lernen: Sie können auf Algorithmen zugreifen, die von Entscheidungsbäumen, neuronalen Netzen und Random Forests bis hin zu Support Vector Machines reichen.
Modell-Visualisierung: Das Modul verfügt über verschiedene Tools zur Visualisierung von Modellen für maschinelles Lernen.
Modellauswertung: Mit diesem Modul können Sie eine Kreuzvalidierung und Scoring-Metriken durchführen.
Vorverarbeitung von Daten: Mit dem Datenvorverarbeitungswerkzeug dieses Moduls können Sie Dimensionalitätsreduktion, Normalisierung und Merkmalsauswahl durchführen.

Scikkit-Learn ist quelloffen und kann unter einer BSD-Lizenz kommerziell genutzt werden.

# Web-Frameworks

Es gibt viele Web-Frameworks in Python. Wir werden zwei Frameworks besprechen, die von den Entwicklern häufig verwendet werden. Die beiden Frameworks sind Django und Flask.

Django

Django ist ein in Python entwickeltes Open-Source-Web-Framework. Die Erstellung von Websites mit Django ist sehr einfach. Wir können mit diesem Framework jede Art von Website erstellen. Einige der beliebtesten Websites, die mit Django erstellt wurden, sind Instagram, bitbucket, Disqus, Mozilla Firefox usw..,

Mit den Funktionen von Django können wir schnell komplexe Websites erstellen.
Django erledigt bereits einen Großteil der Aufgaben, die für die Webentwicklung erforderlich sind.
Außerdem bietet es Sicherheit gegen die Angriffe SQL Injection, Cross-Site Scripting, Cross-Site Request Forgery und Clickjacking.
Wir können jede beliebige Website erstellen, vom Content Management System bis hin zu sozialen Websites.

Die Dokumentation von Django ist unmissverständlich. Für Django müssen Sie mit Python vertraut sein. Aber keine Sorge, wenn Sie das nicht sind. Django zu lernen ist einfach.

Flask

Flask ist ein in Python entwickeltes Mikro-Webframework.

Es ist pythonischer als Django. Hier finden Sie eine ausgezeichnete Dokumentation. Es verwendet die Jinja Template Engine. Es ist sehr komplex, große Websites mit Flask zu erstellen. Die meisten Funktionen wie URL-Routing, Request Dispatching, Secure Cookies, Sessions usw. sind sowohl in Django als auch in Flask vorhanden.

Wählen Sie das Framework entsprechend der Komplexität Ihrer Website. Django wird unter Entwicklern immer beliebter. Es ist das am häufigsten verwendete Framework für die Webentwicklung in Python.

Fazit

Ich hoffe, Sie haben die verschiedenen Module, Bibliotheken und Frameworks für Python kennengelernt.

Jeder ist einmal ein Anfänger.

Was auch immer Sie anfangen wollen, schauen Sie sich zuerst die Dokumentation an und fangen Sie an, es zu lernen. Wenn Sie die Dokumentation nicht verstehen, finden Sie auf diesen Bildungs-Websites Crash-Kurse.

Lesen Sie auch unseren Beitrag über die Installation von pip auf verschiedenen Betriebssystemen.

Hafeezul Kareem Shaik
Beitragender
- LinkedIn
Hafeez ist Entwickler und teilt gerne sein Wissen über Python und neue Entwicklungssprachen.