# 示例代碼
message = "Hello, World!"
print(message)
# 使用場景
# 當(dāng)你需要在控制臺輸出信息時使用。

# 示例代碼
my_list = [1, 2, 3, 4, 5]
length = len(my_list)
print(f"The length of the list is: {length}")
# 使用場景
# 當(dāng)你需要知道容器（如列表、字典、字符串等）中元素的數(shù)量時使用。

# 示例代碼
data = 42
print(type(data))  # 輸出:
# 使用場景
# 當(dāng)你需要檢查變量或?qū)ο蟮臄?shù)據(jù)類型時使用。

# 示例代碼
number_str = "100"
number_int = int(number_str)
number_float = float(number_str)
print(f"Integer: {number_int}, Float: {number_float}")  # 輸出: Integer: 100, Float: 100.0
# 使用場景
# 當(dāng)你需要將數(shù)據(jù)從一種類型轉(zhuǎn)換為另一種類型時使用。

# 示例代碼
name = input("Please enter your name: ")
print(f"Hello, {name}!")
# 使用場景
# 當(dāng)你需要從用戶那里獲取輸入時使用。

# 示例代碼
for i in range(5):
    print(i)  # 輸出: 0 1 2 3 4
# 使用場景
# 當(dāng)你需要生成一系列連續(xù)的數(shù)字，通常用于循環(huán)計數(shù)時使用。

# 示例代碼
numbers_list = list(range(5))
numbers_tuple = tuple(numbers_list)
numbers_set = set(numbers_list)
numbers_dict = dict(enumerate(numbers_list))
print(f"List: {numbers_list}")
print(f"Tuple: {numbers_tuple}")
print(f"Set: {numbers_set}")
print(f"Dict: {numbers_dict}")
# 使用場景
# 當(dāng)你需要創(chuàng)建特定類型的容器時使用。

# 示例代碼
unsorted_list = [5, 2, 9, 1, 5, 6]
sorted_list = sorted(unsorted_list)
print(sorted_list)  # 輸出: [1, 2, 5, 5, 6, 9]
# 使用場景
# 當(dāng)你需要對可迭代對象進(jìn)行排序時使用。

# 示例代碼
numbers = [5, 2, 9, 1, 5, 6]
print(f"Max: {max(numbers)}, Min: {min(numbers)}")  # 輸出: Max: 9, Min: 1
# 使用場景
# 當(dāng)你需要找到序列中的最大值或最小值時使用。

# 示例代碼
numbers = [5, 2, 9, 1, 5, 6]
total = sum(numbers)
print(f"Sum: {total}")  # 輸出: Sum: 28
# 使用場景
# 當(dāng)你需要計算所有元素的總和時使用。

# 示例代碼
def square(x):
    return x * x
numbers = [1, 2, 3, 4]
squared_numbers = map(square, numbers)
print(list(squared_numbers))  # 輸出: [1, 4, 9, 16]
# 使用場景
# 當(dāng)你需要將一個函數(shù)應(yīng)用于可迭代對象中的每個元素并返回結(jié)果時使用。

# 示例代碼
def is_even(x):
    return x % 2 == 0
numbers = [1, 2, 3, 4, 5, 6]
even_numbers = filter(is_even, numbers)
print(list(even_numbers))  # 輸出: [2, 4, 6]
# 使用場景
# 當(dāng)你需要篩選出滿足條件的元素時使用。

# 示例代碼
names = ["Alice", "Bob", "Charlie"]
ages = [25, 30, 35]
pairs = zip(names, ages)
print(list(pairs))  # 輸出: [('Alice', 25), ('Bob', 30), ('Charlie', 35)]
# 使用場景
# 當(dāng)你需要將多個可迭代對象中的元素配對時使用。

# 示例代碼
with open('example.txt', 'w') as file:
    file.write("This is a test.")
# 使用場景
# 當(dāng)你需要讀寫文件時使用。

# 示例代碼
help(str.split)  # 顯示關(guān)于str.split的幫助文檔
# 使用場景
# 當(dāng)你需要查看某個對象或模塊的幫助文檔時使用。

# 示例代碼
print(dir(str))  # 列出字符串類的所有屬性和方法
# 使用場景
# 當(dāng)你想知道一個對象有哪些屬性和方法時使用。

import numpy as np
# 創(chuàng)建一個數(shù)組
array = np.array([1, 2, 3, 4, 5])
print(array)  # 輸出: [1 2 3 4 5]
# 使用場景
# NumPy 是用于科學(xué)計算的基礎(chǔ)庫，特別適用于處理大量數(shù)值數(shù)據(jù)。
# 它提供了高效的多維數(shù)組對象和各種操作這些數(shù)組的函數(shù)。

import pandas as pd
# 創(chuàng)建一個簡單的DataFrame
data = {'Name': ['John', 'Anna', 'Peter'], 'Age': [28, 24, 35]}
df = pd.DataFrame(data)
print(df)
# 使用場景
# Pandas 提供了強(qiáng)大的數(shù)據(jù)結(jié)構(gòu)（如DataFrame）來處理和分析結(jié)構(gòu)化數(shù)據(jù)。
# 它非常適合于數(shù)據(jù)分析、數(shù)據(jù)清洗和數(shù)據(jù)預(yù)處理。

import matplotlib.pyplot as plt
# 繪制一個簡單的折線圖
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
plt.plot(x, y)
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Simple Line Plot')
plt.show()
# 使用場景
# Matplotlib 是一個非常強(qiáng)大的繪圖庫，可以用來創(chuàng)建靜態(tài)、動態(tài)及交互式的可視化圖表。
# 它廣泛應(yīng)用于科研論文、報告等需要高質(zhì)量圖形的地方。

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
# 加載數(shù)據(jù)集
iris = datasets.load_iris()
X, y = iris.data, iris.target
# 劃分訓(xùn)練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 創(chuàng)建并訓(xùn)練KNN分類器
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)
# 預(yù)測
predictions = knn.predict(X_test)
print(predictions)
# 使用場景
# Scikit-learn 是一個簡單而有效的機(jī)器學(xué)習(xí)庫，包含了大量的監(jiān)督和無監(jiān)督學(xué)習(xí)算法。
# 它常被用于快速原型設(shè)計和實現(xiàn)機(jī)器學(xué)習(xí)模型。

這里以 TensorFlow 為例：
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# 構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)模型
model = Sequential([
    Dense(10, activatinotallow='relu', input_shape=(784,)),
    Dense(10, activatinotallow='softmax')
])
# 編譯模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
# 打印模型概述
model.summary()
# 使用場景
# TensorFlow 和 PyTorch 是兩個主流的深度學(xué)習(xí)框架，支持構(gòu)建復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型。
# 它們廣泛應(yīng)用于圖像識別、自然語言處理等領(lǐng)域。

import requests
# 發(fā)送GET請求
response = requests.get('https://api.github.com')
print(response.status_code)  # 輸出狀態(tài)碼
print(response.json())  # 輸出響應(yīng)內(nèi)容為JSON格式
# 使用場景
# Requests 庫使得發(fā)送HTTP請求變得非常容易。
# 它常用于與Web API進(jìn)行交互，比如獲取或提交數(shù)據(jù)。

from bs4 import BeautifulSoup
import requests
# 獲取網(wǎng)頁內(nèi)容
url = 'http://example.com'
page = requests.get(url).text
soup = BeautifulSoup(page, 'html.parser')
# 查找所有的鏈接
links = soup.find_all('a')
for link in links:
    print(link.get('href'))
# 使用場景
# Beautiful Soup 用于解析HTML和XML文檔，從中提取信息。
# 它經(jīng)常被用在網(wǎng)頁抓取和數(shù)據(jù)挖掘項目中。

這里以 Flask 為例：
from flask import Flask, render_template
app = Flask(__name__)
@app.route('/')
def home():
    return "Hello, World!"
if __name__ == '__main__':
    app.run(debug=True)
# 使用場景
# Flask 和 Django 是Python的Web框架，用于快速開發(fā)Web應(yīng)用。
# Flask 更輕量級且靈活，適合小型項目；Django 功能更全面，適合大型應(yīng)用。

from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmaker
Base = declarative_base()
class User(Base):
    __tablename__ = 'users'
    id = Column(Integer, primary_key=True)
    name = Column(String)
    age = Column(Integer)
engine = create_engine('sqlite:///example.db')
Base.metadata.create_all(engine)
Session = sessionmaker(bind=engine)
session = Session()
# 添加新用戶
new_user = User(name='Alice', age=30)
session.add(new_user)
session.commit()
# 查詢所有用戶
users = session.query(User).all()
for user in users:
    print(user.name, user.age)
# 使用場景
# SQLAlchemy 是一個ORM工具，它允許開發(fā)者通過類來定義數(shù)據(jù)庫表，并以面向?qū)ο蟮姆绞讲僮鲾?shù)據(jù)庫。
# 它簡化了數(shù)據(jù)庫操作，提高了代碼的可讀性和維護(hù)性。

from scipy.optimize import minimize
# 定義目標(biāo)函數(shù)
def objective(x):
    return x[0]**2 + x[1]**2
# 初始猜測值
x0 = [2, 3]
# 最小化目標(biāo)函數(shù)
result = minimize(objective, x0)
print(result.x)  # 輸出最小值對應(yīng)的x
# 使用場景
# SciPy 包含了許多科學(xué)計算中常用的數(shù)學(xué)算法，如優(yōu)化、積分、插值等。
# 它是科學(xué)計算領(lǐng)域的一個重要工具。

pip install pillow

from PIL import Image, ImageFilter, ImageDraw, ImageFont
# 打開一張圖片
image = Image.open("example.jpg")
# 顯示圖片
image.show()
# 轉(zhuǎn)換圖片模式
gray_image = image.convert("L")
gray_image.show()
# 應(yīng)用濾鏡
blurred_image = image.filter(ImageFilter.BLUR)
blurred_image.show()
# 縮放圖片
resized_image = image.resize((100, 100))
resized_image.show()
# 旋轉(zhuǎn)圖片
rotated_image = image.rotate(90)
rotated_image.show()
# 在圖片上繪制文字
draw = ImageDraw.Draw(image)
font = ImageFont.truetype("arial.ttf", 24)
draw.text((10, 10), "Hello, Pillow!", fnotallow=font, fill=(255, 0, 0))
# 保存處理后的圖片
image.save("output.jpg")
# 使用場景
# Pillow 適用于需要進(jìn)行圖像處理的各種應(yīng)用，如圖像編輯軟件、網(wǎng)站中的圖片處理等。
# 它可以讀取和寫入多種圖像格式，并提供了豐富的圖像處理功能。

pip install opencv-python

import cv2
import numpy as np
# 讀取圖片
image = cv2.imread("example.jpg")
# 顯示圖片
cv2.imshow("Original Image", image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 轉(zhuǎn)換成灰度圖
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("Gray Image", gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 應(yīng)用高斯模糊
blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0)
cv2.imshow("Blurred Image", blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 邊緣檢測
edges = cv2.Canny(blurred_image, 50, 150)
cv2.imshow("Edges", edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 保存處理后的圖片
cv2.imwrite("output_edges.jpg", edges)
# 捕捉攝像頭視頻
cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    if not ret:
        break
    # 顯示每一幀
    cv2.imshow("Video Capture", frame)
    # 按 'q' 鍵退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()
# 使用場景
# OpenCV 廣泛應(yīng)用于計算機(jī)視覺任務(wù)，包括圖像處理、視頻分析、物體檢測、人臉識別等。
# 它在科研、工業(yè)自動化、安全監(jiān)控等領(lǐng)域都有廣泛應(yīng)用。