用python寫工具

python當然可以開發軟體，Python的主要用途之一就是軟體開發。
1.基於控制台的應用程序
Python可用於開發基於控制台的應用程序。 例如：IPython。
2.基於音頻或視頻的應用程序
Python在多媒體部分開發，證明是非常方便的。 一些成功的應用是：TimPlayer，cplay等。
3.3D CAD應用程序
Fandango是一個真正使用Python編寫的應用程序，提供CAD的全部功能。
4.Web應用程序
Python也可以用於開發基於Web的應用程序。 一些重要的開發案例是：PythonWikiEngines，Pocoo，PythonBlogSoftware等，如國內的成功應用案例有：豆瓣，知乎等。
5.企業級應用
Python可用於創建可在企業或組織中使用的應用程序。一些實時應用程序是：OpenErp，Tryton，Picalo等。
6.圖像應用
使用Python可以開發圖像應用程序。 開發的應用有：VPython，Gogh，imgSeek等。

㈣ 5款程序員常用的Python開發工具

很多Python學習者想必都會有如下感悟：最開始學習Python的時候，因為沒有去探索好用的工具，吃了很多苦頭。後來工作中深刻體會到，合理使用開發的工具的便利和高效。今天，我就把Python程序員使用頻率比較高的5款開發工具推薦給大家，希望對大家的工作和學習有幫助。
一、最強終端：Upterm
本來想推薦 fish 或者 zsh，但其實這兩個我也主要是貪圖自動補全這個特性。最近在用的這個 Upterm 其實很簡單好用，它是一個全平台的終端，可以說是終端里的 IDE，有著強大的自動補全功能。之前的名字叫 BlackWindow，跡模有人跟他說輪和這個名字不利於社區推廣，改名叫 Upterm 之後現在已經17000+ Star了。
二、互動式解釋器：Ptpython
一個互動式的 Python 解釋器。支持語法高亮、提示甚至是 vim 和 emacs 的鍵入模式。其實我們在課程里提供的在線終端也內置了ptpython。
相關推薦：《Python視頻教程》
三、包管理必備：Anaconda
強烈推薦Anaconda ，它能幫你安裝好許多麻煩的東西，包括： Python 環境、pip 包管理工具、常用的庫、配置好環境路徑等等。這些事情小白自己一個個去做的話，容易遇到各種問題，帶來挫敗感。如果你想用Python搞數據方面的事情，就安裝它就好了，它甚至開發了一套JIT的解釋器Numba。所以 Anaconda有了JIT之後，對線上科學計算效率要求比較高的東西也可以搞了。
四、編輯器：Sublime3
小白的話當然還是推薦從PyCharm開始上手，但有時候寫一些輕量的小腳本，就會想用輕量級一點的工具。Sublime3很多地方都有了極大的提升，並且用起來比原來還要簡單。配合安裝Anaconda或CodeIntel插件，可以讓 Sublime擁有近乎IDE的體驗。
五、前端在線編輯器：CodeSandbox
雖然這個不算是真正意義上的Python開發工具，但如果後端工程師想寫前端的話，這個在線編輯器太方便了，簡直是節省了後端工程師的生命啊！不用安裝npm的幾千個包了，它已經在雲端完成了，采讓你直接就可以上手寫代碼、看效果。對於 React、Vue 這些主流前端框架都支持臘州盯。算是一個補充推薦吧。

㈤ 有哪些值得推薦的Python開發工具_python開發出來的工具

Virtual

首先Python似乎沒有類似Maven/Ant這樣的項目管理工具。那麼當一台機器上有多個python項目，且這些python項目各自有不同的依賴，不想互相干擾時怎麼辦呢？

官方做法是使用Virtual將每個項目互相隔離開。一般啟納情況下，我們使用python解釋器運行python腳本或mole：

>pythonmyScript.py

運行的目錄就是安裝的python解釋器，即python.exe所在的目錄。而Virtual就是給每個項目都生成一個項目獨有的目錄，這個目錄里包含python解釋器，python標准類庫和其他各式各樣的必要文件。這樣每個項目就可以使用不同的解釋器和類庫，且互不幹擾。

創建過程也很簡單。首先找到pyvenv.py所在的目錄，這個文件通常在安裝目錄的自目錄Toolsscripts下。這是一個生成Virtual的工具。然後運行：

>pyvenvtutorial-env

運行後就會生成一個名為「tutorial-env」的目錄。找到這個目錄，可以發現正如官網所說，這個目錄包含運行python項目所必須的一切文件。使用在各自Virtual目錄里包含的解釋器來運行特定的python項目就可以了。同時，對於那些每個項目使用的特定的依賴(packages或mole),則加入到各自Virtual目錄的類庫子目錄中就可以了。這里需要注意的是。創建完Virtual後，還需要激活。做法很簡單，在上例tutorial-env目錄下執行下的命令即可：

>tutorial-env/Scripts/activate

PIP

PIP是官方提供的安裝python第三方類庫(packages/mole)的工具。它可以去PPI(pythonpackagesindex)查找或下載第三方類庫。網址是：pypi.python.org/pypi

找到上例Virtual目錄下的pip.exe並運行：

>pipinstalllib_name

即可安裝，其他功能請自行查看手冊。如果是在滾敗python的安裝目錄下運行pip，則類庫可以被非Virtual的所有項目使用。PIP安裝的大旁顫其實是package。

.txt

在Virtual目錄下運行:

>pipfreeze>.txt

可以生產一個當前項目所有依賴類庫及其版本的list文件，文件名就是.txt(當然也可以用別的名字)。文件內容大致如下：

novas==3.1.1.3

numpy==1.9.2

requests==2.7.0

使用.txt的好處就是：

The..「install-r「：

>pipinstall-r.txt

這樣就可以方便的管理項目依賴了。如果不使用requirements.txt，直接使用versioncontrol存儲VirtualEnvironments目錄，其他程序員直接下載該目錄就可以開始項目開發的做法也可以。

㈥ 如何用python寫 數據分析工具

• 數據導入

• 導入本地的或者web端的CSV文件；

• 數據變換；

• 數據統計描述；

• 假設檢驗

• 單樣本t檢驗；

• 可視化；

• 創建自定義函數。

數據導入

這是很關鍵的一步，為了後續的分析我們首先需要導入數據。通常來說，數據是CSV格式，就算不是，至少也可以轉換成CSV格式。在Python中，我們的操作如下：

Python

1

2

3

4

5

6

7

8

import pandas as pd

# Reading data locally

df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')

# Reading data from web

data_url = "t/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"

df = pd.read_csv(data_url)

為了讀取本地CSV文件，我們需要pandas這個數據分析庫中的相應模塊。其中的read_csv函數能夠讀取本地和web數據。

數據變換

既然在工作空間有了數據，接下來就是數據變換。統計學家和科學家們通常會在這一步移除分析中的非必要數據。我們先看看數據：

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

# Head of the data

print df.head()

# OUTPUT

0 12432934148330010553

1 41589235 4287806335257

2 17871922 19551074 4544

317152 14501 3536 1960731687

4 12662385 25303315 8520

# Tail of the data

print df.tail()

# OUTPUT

74 2505 20878 3519 1973716513

7560303 40065 7062 1942261808

76 63116756 3561 1591023349

7713345 38902 2583 1109668663

78 2623 18264 3745 1678716900

對R語言程序員來說，上述操作等價於通過print(head(df))來列印數據的前6行，以及通過print(tail(df))來列印數據的後6行。當然Python中，默認列印是5行，而R則是6行。因此R的代碼head(df, n = 10)，在Python中就是df.head(n = 10)，列印數據尾部也是同樣道理。

在R語言中，數據列和行的名字通過colnames和rownames來分別進行提取。在Python中，我們則使用columns和index屬性來提取，如下：

Python

1

2

3

4

5

6

7

8

9

10

11

# Extracting column names

print df.columns

# OUTPUT

Index([u'Abra', u'Apayao', u'Benguet', u'Ifugao', u'Kalinga'], dtype='object')

# Extracting row names or the index

print df.index

# OUTPUT

Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78], dtype='int64')

數據轉置使用T方法，

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

# Transpose data

print df.T

# OUTPUT

01 23 45 67 89

Abra1243 41581787171521266 5576 927215401039 5424

Apayao2934 92351922145012385 7452109917038138210588

Benguet148 42871955 353625307712796 24632592 1064

Ifugao3300

... 69 70 71 72 73 74 75 76 77

Abra ...12763 247059094 620913316 250560303 631113345

Apayao ...376251953235126 6335386132087840065 675638902

Benguet... 2354 4045 5987 3530 2585 3519 7062 3561 2583

Ifugao ... 9838171251894015560 774619737194221591011096

Kalinga...

78

Abra2623

Apayao 18264

Benguet 3745

Ifugao 16787

Kalinga16900

Other transformations such as sort can be done using<code>sort</code>attribute. Now let's extract a specific column. In Python, we do it using either<code>iloc</code>or<code>ix</code>attributes, but<code>ix</code>is more robust and thus I prefer it. Assuming we want the head of the first column of the data, we have

其他變換，例如排序就是用sort屬性。現在我們提取特定的某列數據。Python中，可以使用iloc或者ix屬性。但是我更喜歡用ix，因為它更穩定一些。假設我們需數據第一列的前5行，我們有：

Python

1

2

3

4

5

6

7

8

9

print df.ix[:, 0].head()

# OUTPUT

0 1243

1 4158

2 1787

317152

4 1266

Name: Abra, dtype: int64

順便提一下，Python的索引是從0開始而非1。為了取出從11到20行的前3列數據，我們有：

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

print df.ix[10:20, 0:3]

# OUTPUT

AbraApayaoBenguet

109811311 2560

1127366 15093 3039

12 11001701 2382

13 7212 11001 1088

14 10481427 2847

1525679 15661 2942

16 10552191 2119

17 54376461734

18 10291183 2302

1923710 12222 2598

20 10912343 2654

上述命令相當於df.ix[10:20, ['Abra', 'Apayao', 'Benguet']]。

為了舍棄數據中的列，這里是列1(Apayao)和列2(Benguet)，我們使用drop屬性，如下：

Python

1

2

3

4

5

6

7

8

9

print df.drop(df.columns[[1, 2]], axis = 1).head()

# OUTPUT

AbraIfugaoKalinga

0 1243330010553

1 4158806335257

2 17871074 4544

317152 1960731687

4 12663315 8520

axis參數告訴函數到底舍棄列還是行。如果axis等於0，那麼就舍棄行。

統計描述

下一步就是通過describe屬性，對數據的統計特性進行描述：

Python

1

2

3

4

5

6

7

8

9

10

11

12

print df.describe()

# OUTPUT

AbraApayaoBenguetIfugao Kalinga

count 79.000000 79.00000079.000000 79.000000 79.000000

mean 12874.37974716860.6455703237.39240512414.62025330446.417722

std16746.46694515448.1537941588.536429 5034.28201922245.707692

min927.000000401.000000 148.000000 1074.000000 2346.000000

25% 1524.000000 3435.5000002328.000000 8205.000000 8601.500000

50% 5790.00000010588.0000003202.00000013044.00000024494.000000

75%13330.50000033289.0000003918.50000016099.50000052510.500000

max60303.00000054625.0000008813.00000021031.00000068663.000000

假設檢驗

Python有一個很好的統計推斷包。那就是scipy裡面的stats。ttest_1samp實現了單樣本t檢驗。因此，如果我們想檢驗數據Abra列的稻穀產量均值，通過零假設，這里我們假定總體稻穀產量均值為15000，我們有：

Python

1

2

3

4

5

6

7

from scipy import stats as ss

# Perform one sample t-test using 1500 as the true mean

print ss.ttest_1samp(a = df.ix[:, 'Abra'], popmean = 15000)

# OUTPUT

(-1.1281738488299586, 0.26270472069109496)

返回下述值組成的元祖：

• t : 浮點或數組類型
  t統計量

• prob : 浮點或數組類型
  two-tailed p-value 雙側概率值

通過上面的輸出，看到p值是0.267遠大於α等於0.05，因此沒有充分的證據說平均稻穀產量不是150000。將這個檢驗應用到所有的變數，同樣假設均值為15000，我們有：

Python

1

2

3

4

5

6

print ss.ttest_1samp(a = df, popmean = 15000)

# OUTPUT

(array([ -1.12817385, 1.07053437, -65.81425599,-4.564575, 6.17156198]),

array([2.62704721e-01, 2.87680340e-01, 4.15643528e-70,

1.83764399e-05, 2.82461897e-08]))

第一個數組是t統計量，第二個數組則是相應的p值。

可視化

Python中有許多可視化模塊，最流行的當屬matpalotlib庫。稍加提及，我們也可選擇bokeh和seaborn模塊。之前的博文中，我已經說明了matplotlib庫中的盒須圖模塊功能。

;

• 重復100次; 然後

• 計算出置信區間包含真實均值的百分比

Python中，程序如下：

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

import numpy as np

import scipy.stats as ss

def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

m = np.zeros((rep, 4))

for i in range(rep):

norm = np.random.normal(loc = mu, scale = sigma, size = n)

xbar = np.mean(norm)

low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

if (mu > low) & (mu < up):

rem = 1

else:

rem = 0

m[i, :] = [xbar, low, up, rem]

inside = np.sum(m[:, 3])

per = inside / rep

desc = "There are " + str(inside) + " confidence intervals that contain "

"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

return {"Matrix": m, "Decision": desc}

上述代碼讀起來很簡單，但是循環的時候就很慢了。下面針對上述代碼進行了改進，這多虧了Python專家，看我上篇博文的15條意見吧。

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

import numpy as np

import scipy.stats as ss

def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))

xbar = norm.mean(1)

low = xbar - scaled_crit

up = xbar + scaled_crit

rem = (mu > low) & (mu < up)

m = np.c_[xbar, low, up, rem]

inside = np.sum(m[:, 3])

per = inside / rep

desc = "There are " + str(inside) + " confidence intervals that contain "

"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

return {"Matrix": m, "Decision": desc}

更新

那些對於本文ipython notebook版本感興趣的，請點擊這里。這篇文章由Nuttens Claude負責轉換成ipython notebook 。

㈦ Linux：Python編寫Linux自定義命令工具

摘要： Linux ， Python

工作中需要頻繁使用到一個字元串的md5，因此編寫一個md5命令工具，輸入字元串直接得到輸出，並且命令支持參數設置，比如是否事先格式化，指定不同參數可以支持多功能輸出，操作步驟如下

直接vim一個腳本，腳本名md5不需要.py後綴，這樣更像一個命令，注意在腳本第一行引入python解釋器，並設置utf-8編碼

其中-f支持先格式化再得到md5，-l支持傳入多個字元串用空格分開

賦予可執行許可權

測試是否符合要求

直接放置到 /usr/local/bin 目錄下（需要root許可權）

也可以使用軟連接的方式，推薦使用絕對路徑

之後就可以在環境變數中直接使用到md5命令

shebang ：中文翻譯「釋伴」，由 #! 開頭的字元串，出現在文本文件的 第一行 。類UNIX操作系統的程序載入器會分析shebang後的內容，將這些內容作為解釋命令，並調用該指令，並將載有 shebang的文件路徑作為該解釋器 的參數

比如 #!/bin/bash 就是使用/bin/bash作為解釋器運行腳本，如果以Python作為解釋器運行腳本先找到Python解釋器的路徑，一般在Linux自帶的 /usr/bin/python 是Python2版本，也可以指定其他Python版本 #!/opt/anaconda3/bin/python ，第二行為 # coding=utf-8 用來指定編碼格式，否則Python2輸出中文亂碼

對於自定義腳本，推薦放置在 /usr/local/bin 目錄，有多個可執行文件目錄在環境變數中，區別如下：
/bin ： 包含二進制可執行文件，為系統最基本的命令，如ls等
/sbin ： 與/bin 類似，不同之處是其為root許可權命令文件
/usr/bin ： 系統預裝可執行文件，會隨著系統升級而改變
/usr/sbin ： 同上，不同之處是其為root許可權運用
/usr/local/bin ： 三級目錄，用戶自己的可執行文件，系統不管理
/usr/local/sbin ： root許可權用戶程序

㈧ 怎麼用python寫程序

1、安裝編譯器，將工具雙擊打開，按照默認方式安裝即可，安裝完成後再開始程序中找到IDLE快捷方式，打開，可以新建一個窗口，保存為py的文件格式。
2、如果要執行該文件，應該點擊菜單Run下的RunMoleF5按鈕即可。
3、如果要調試，應該仔細的查看命令行回饋回來的信息，注意出錯的位置，通過Alt加G命令迅速轉到出錯位置，仔細檢出並改正。

㈨ 有哪些值得推薦的 Python 開發工具

第一款：最強終端 Upterm
它是一個全平台的終端，可以說是終端里的IDE，有著強大的自動補全功能，之前的名字叫做：BlackWindow。有人跟他說這個名字不利於社區推廣，改名叫Upterm之後現在已經17000+Star了。
第二款：互動式解釋器 PtPython
一個互動式的Python解釋器，支持語法高亮、提示，甚至是VIM和emacs的鍵入模式。
第三款：包管理必備 Anaconda
強烈推薦：Anaconda。它能幫你安裝許多麻煩的東西，包括：Python環境、pip包管理工具、常用的庫、配置好環境路徑等等。這些小事情小白自己一個個去做的話，容易遇到各種問題，也容易造成挫敗感。如果你想用Python搞數據方面的事情，安裝它就可以了，它甚至開發了一套JIT的解釋器Numba。所以Anaconda有了JIT之後，對線上科學計算效率要求比較高的東西也可以搞定了。
第四款：編輯器 Sublime3
如果你是小白的話，推薦從PyCharm開始上手，但是有時候寫一些輕量的小腳本，就會想到輕量級一點的工具。Sublime3很多地方都有了極大的提升，並且用起來比原來還要簡單，配合安裝Anaconda或CodeIntel插件，可以讓Sublime3擁有近乎IDE的體驗。
第五款：前端在線編輯器 CodeSandbox
雖然這個不算是真正意義上的Python開發工具，但如果後端工程師想要寫前端的話，這個在線編輯器太方便了，節省了後端工程師的生命。不用安裝npm的幾千個包了，它已經在雲端完成了，才讓你直接就可以上手寫代碼、看效果。對於React、Vue這些主流前端框架都支持。
第六款：Python Tutor
Python Tutor是一個免費教育工具，可幫助學生攻克編程學習中的基礎障礙，理解每一行源代碼在程序執行時在計算機中的過程。通過這個工具，教師或學生可以直接在web瀏覽器中編寫Python代碼，並逐步可視化地運行程序。
第七款：IPython
如何進行互動式編程?沒錯，就是通過IPython。IPython相對於Python自帶的shell要好用的多，並且能夠支持代碼縮進、TAB鍵補全代碼等功能。如果進行互動式編程，這是不可缺少的工具。
第八款：Jupyter Notebook
Jupyter Notebook就像一個草稿本，能將文本注釋、數學方程、代碼和可視化內容全部組合到一個易於共享的文檔中，以Web頁面的方式展示，它是數據分析、機器學習的必備工具。
第九款：Pycharm
Pycharm是程序員常常使用的開發工具，簡單、易用，並且能夠設置不同的主題模式，根據自己的喜好來設置代碼風格。
第十款：Python Tutor
這個工具可能對初學者比較有用，而對於中高級程序員則用處較少。這個工具的特色是能夠清楚的理解每一行代碼是如何在計算機中執行的，中高級程序員一般通過分步調試可以實現類似的功能。這個工具對於最初接觸Python、最初來學習編程的同學還是非常有用的，初學者可以體驗一下。