Пристегнитесь, партнер, и возьмите ботинки для кодирования! 🤠👢 К тому времени, как мы закончим, вы поймете, почему лучшие библиотеки Python так же неотразимы, как и рассказы о кантри-музыке. 🎸🎵 Независимо от того, являетесь ли вы ковбоем/ковбойкой, увлекающимся программированием, или программистом, любящим страну, оседлайте седла и давайте вместе отправимся в путь кодирования! 🛣️🌵
Давайте изучим 10 библиотек Python 🐍 и протанцуем их кантри-музыку💃🕺эквиваленты.
1. NumPy — Прежде чем он изменит Кэрри Андервуд
NumPy — тяжеловес в мире библиотек Python, обеспечивающий поддержку больших многомерных массивов и матриц. Подобно силе и страсти голоса Андервуда в Прежде чем он обманет, NumPy сформировал мир науки о данных и аналитики, гарантируя, что ни одна проблема с данными не станет слишком сложной для решения.
Пока Кэрри демонстрирует мощный удар, NumPy предлагает набор надежных математических инструментов:
import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr + 10)
В этом примере кода к каждому элементу массива arr
добавляется 10.
2. Панды — История любви Тейлор Свифт
Навигация по наборам данных часто может показаться романтической сказкой, полной взлетов, падений и всего, что между ними. Откройте для себя Pandas, библиотеку для анализа и обработки данных. Подобно мечтательному повествованию Истории любви Тейлора Свифта, Pandas превращает исследование данных в очаровательный опыт. Swift представляет классическую историю Ромео и Джульетты в современном свете, а Pandas революционизирует способ просмотра и обработки данных, придавая им свежий и доступный вид.
В то время как Swift модернизирует классическую историю, Pandas модернизирует обработку данных.
import pandas as pd data = {'Names': ['Juliet', 'Romeo'], 'Ages': [16, 17]} df = pd.DataFrame(data) print(df)
В этом примере кода создается DataFrame Pandas с двумя столбцами «Имена» и «Возраст», а затем заполняет его указанными данными.
3. TensorFlow — На случай, если вы не знали Бретта Янга
TensorFlow — это глубокое погружение в мир глубокого обучения. Это мощно, немного сложно, но, несомненно, романтично в мире машинного обучения. Точно так же хит Бретта Янга говорит о глубоких чувствах и сдержанных эмоциях. Подобно тому, как вокал Янга успокаивает душу, TensorFlow является основой многих инноваций, тихо творя чудеса в области искусственного интеллекта (ИИ).
Создайте основу для глубокого обучения, во многом похожего на глубокие эмоции Янга:
import tensorflow as tf # Load the MNIST dataset mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() # Normalize the data - pixel values range from 0 to 255 # By normalizing them we'll make sure they range from 0 to 1 x_train, x_test = x_train / 255.0, x_test / 255.0 # Build a simple feed-forward neural network model model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), # Flatten the 28x28 images tf.keras.layers.Dense(128, activation='relu'), # Fully connected layer with 128 neurons tf.keras.layers.Dropout(0.2), # Dropout layer for regularization tf.keras.layers.Dense(10, activation='softmax') # Output layer with 10 neurons (for 10 classes) ]) # Compile the model model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # Train the model model.fit(x_train, y_train, epochs=5) # Evaluate the model on test data test_loss, test_acc = model.evaluate(x_test, y_test) print(f"\nTest accuracy: {test_acc}")
В этом примере кода создается и обучается нейронная сеть прямого распространения на знаменитом наборе данных ⭐ MNIST 🌟. Затем он распечатывает точность модели на основе тестовых данных.
4. Matplotlib — Наша песня Тейлора Свифта.
Подобно тому, как Наша песня рисует яркие образы с запоминающимися текстами, Matplotlib оживляет данные с помощью потрясающей визуализации. Песня Свифта наполнена приятными воспоминаниями и яркими красками, подобно тому, как Matplotlib представляет данные запоминающимся и визуально привлекательным способом. Каждая полоска, линия и круговая диаграмма рассказывают историю, мало чем отличающуюся от лирических рассказов Свифта.
Нарисуйте данные ярко, как в красочном повествовании Свифта:
import matplotlib.pyplot as plt x = [1, 2, 3] y = [4, 5, 6] plt.plot(x, y) plt.show()
В этом примере кода создается простая визуализация линейного графика путем соединения точек (1, 4), (2, 5) и (3, 6).
5. Flask — Blown Away Кэрри Андервуд.
Колба легкая, но пусть это вас не вводит в заблуждение. Он достаточно мощный, чтобы с легкостью создавать веб-приложения. Подобно тому, как Blown Away Кэрри Андервуд очаровывает своими запоминающимися мелодиями и захватывающим повествованием, Flask сбивает разработчиков с ног своей простотой и эффективностью.
1. Создайте легкое веб-волшебство, добавив этот код Python в новый файл app.py
:
from flask import Flask app = Flask(__name__) @app.route('/') def hello(): return "Hello World!" if __name__ == '__main__': app.run(debug=True)
2. Запустите его с помощью python app.py
через командную строку.
3. Откройте новый браузер и перейдите по адресу http://127.0.0.1:5000/.
В этом примере кода используется платформа Flask для создания веб-приложения, в котором доступ к корневому URL-адресу запускает функцию, возвращающую классический запрос «Hello World!» сообщение.
6. Scikit-learn — Не торопитесь Сэма Ханта
Scikit-learn (sklearn) — это идеальная библиотека для машинного обучения на Python, которая упрощает разработчикам реализацию алгоритмов без суеты. Книга Сэма Ханта Не торопитесь рассказывает о подходе к любви с осторожностью, терпением и пониманием, подобно тому, как Scikit-learn обрабатывает данные.
Обеспечьте точность и точность моделей машинного обучения с помощью sklearn:
from sklearn import datasets iris = datasets.load_iris() print(iris.target_names)
В этом примере кода импортируется модуль «наборы данных» из библиотеки sklearn, загружается знаменитый набор данных Iris в переменную «iris» и печатаются имена целевых объектов (классов).
7. Джанго — Sleep Without You Бретта Янга
Django, высокоуровневый веб-фреймворк Python, следует философии Не повторяйтесь. Он надежен, эффективен и занимает прочные позиции в огромном мире веб-разработки. Sleep Without You Бретта Янга о тоске и зависимости. Точно так же, как вы скучаете по успокаивающим мелодиям Янга, разработчикам трудно представить мир без Django, когда они вникают в него.
Достигните эффективной веб-разработки, не повторяясь:
- Настройте новый проект Django через командную строку:
django-admin startproject simpleproject cd simpleproject
2. Закодируйте простое представление:
Внутри папки simpleproject
(а не внутреннего каталога simpleproject
) создайте новый файл с именем views.py
.
echo. > views.py
Добавьте следующий код Python в views.py
:
from django.http import HttpResponse def hello_world(request): return HttpResponse("Hello, World!")
3. Настройте URL-адрес для представления:
Найдите urls.py
во внутреннем каталоге simpleproject
.
Удалите все в simpleproject/urls.py
и добавьте следующий код Python:
import sys import os # Add the directory that contains manage.py to the sys.path project_directory = os.path.dirname(os.path.dirname(os.path.abspath(__file__))) sys.path.append(project_directory) from django.urls import path from views import hello_world urlpatterns = [ path('', hello_world), ]
4. Запустите проект:
Находясь в каталоге simpleproject
, запустите проект через командную строку:
python manage.py runserver
Откройте браузер и перейдите к http://127.0.0.1:8000/
. Вы должны увидеть сообщение «Hello, World!». 🌎
8. PyTorch — Тим МакГроу Тейлор Свифт
Помните, Свифт пел о том, что нужно помнить кого-то, даже когда вы далеко друг от друга? PyTorch своими возможностями глубокого обучения напоминает эту песню. Все дело в сохранении информации и обучении на ней, развитии и совершенствовании с течением времени. И библиотека, и песня оставляют неизгладимое впечатление, напоминая нам о силе воспоминаний и непрерывном обучении.
import torch x = torch.rand(5, 3) print(x)
В этом примере кода импортируется библиотека torch
, то есть PyTorch, и создается тензор (многомерный массив) с именем x
размером 5x3, заполненный случайными числами от 0 до 1 (равномерно распределенными).
9. Просьбы — Leave the Night On Сэма Ханта.
Парсинг веб-страниц и извлечение данных становятся частью библиотеки Запросы. Подобно энергии из Оставь ночь включенной, Requests повышает эффективность и скорость сбора данных, гарантируя, что сбор данных не остановится!
Обеспечьте бесперебойную работу данных с помощью эффективной выборки данных:
import requests response = requests.get('https://example.com') print(response.text)
В этом примере кода выполняется запрос HTTP GET к URL-адресу 'https://example.com'
. После получения ответа он выводит текстовое содержимое ответа на консоль.
10. Красивый суп — Два черных кадиллака Кэрри Андервуд
Beautiful Soup — это анализ документов HTML и XML и извлечение полезного. Песня Андервуда с ее запутанным сюжетом и глубокими эмоциями подобна анализу повествования, чтобы понять перипетии и повороты сюжета. Точно так же, как Beautiful Soup упрощает сложные веб-данные, повествование Андервуда упрощает сложные человеческие эмоции.
Анализируйте сложные веб-детали, очень похожие на запутанную историю Андервуда:
from bs4 import BeautifulSoup soup = BeautifulSoup('<html><head><title>Two Black Cadillacs</title></head></html>', 'html.parser') print(soup.title.string)
В этом примере кода анализируется строка HTML и извлекается текстовое содержимое тега <title>
.
Кто бы мог подумать, что библиотеки Python 🐍 и музыка кантри 🎸 могут так хорошо гармонировать друг с другом? В следующий раз, когда вы будете кодировать или анализировать данные с помощью Python, включите на заднем плане несколько кантри-мелодий 🎧. Синергия может вас просто удивить, поскольку мир кодирования и кантри-припевы сливаются в мелодичный союз! 🤝
Независимо от того, являетесь ли вы разработчиком 💻, специалистом по данным 📊 или любителем кантри 🤠🎵, во всем есть ритм и логика. Пусть эти мелодии звучат, а код работает.
Приятного вам кодирования! 🐍