python編譯庫

❶ python庫有哪些

Python比較常見的庫有：Arrow、Behold、Click、Numba、Matlibplot、Pillow等：

1、Arrow

Python中處理時間的庫有datetime，但是它過於簡單，使用起來不夠方便和智能，而Arrow可以說非常的方便和智能。它可以輕松地定位幾個小時之前的時間，可以輕松轉換時區時間，對於一個小時前，2個小時之內這樣人性化的信息也能夠准確解讀。

2、Behold

調試程序是每個程序員必備的技能，對於腳本語言，很多人習慣於使用print進行調試，然而對於大項目來說，print的功能還遠遠不足，我們希望有一個可以輕松使用，調試方便，對變數監視完整，格式已於查看的工具，而Behold就是那個非常好用的調試庫。

3、Click

現在幾乎所有的框架都有自己的命令行腳手架，Python也不例外，那麼如何快速開發出屬於自己的命令行程序呢?答案就是使用Python的Click庫。Click庫對命令行api進行了大量封裝，你可以輕松開發出屬於自己的CLI命令集。終端的顏色，環境變數信息，通過Click都可以輕松進行獲取和改變。

4、Numba

如果你從事數學方面的分析和計算，那麼Numba一定是你必不可少的庫。Numpy通過將高速C庫包裝在Python介面中來工作，而Cython使用可選的類型將Python編譯為C以提高性能。但是Numba無疑是最方便的，因為它允許使用裝飾器選擇性地加速Python函數。

5、Matlibplot

做過數據分析，數據可視化的數學學生一定知道matlab這個軟體，這是一個收費的數學商用軟體，在Python中，Matlibplot就是為了實現這個軟體中功能開發的第三方Python庫。並且它完全是免費的，很多學校都是用它來進行數學教學和研究的。

6、Pillow

圖像處理是任何時候我們都需要關注的問題，平時我們看到很多ps中的神技，比如調整畫面顏色，飽和度，調整圖像尺寸，裁剪圖像等等，這些其實都可以通過Python簡單完成，而其中我們需要使用的庫就是Pillow。

7、pyqt5

Python是可以開發圖形界面程序的。而pyqt就是一款非常好用的第三方GUI庫，有了它，你可以輕松開發出跨平台的圖形應用程序，其中qtdesigner設計器，更是加速了我們開發圖形界面的速度。

除了上述介紹的之外，Python還有很多庫，比如：Pandas、NumPy、SciPy、Seaborn、Keras等。

❷ python程序文件test.py編譯後的文件名

python編譯可執行文件的擴展名
python程序的擴展名有.py、.pyc、.pyo和.pyd。.py是源文件,.pyc是源文件編譯後的文件,.pyo是源文件優化編譯後的文件,.pyd是其他語言寫的python庫。 擴展名 在寫Python程序時我們常見的擴展名是py, pyc,其實還有其他幾種擴展名。下面是幾種擴展名的用法。 py:py就是最基本的源碼擴展名。windows下直接雙擊運行會調用python.exe執行。 pyw:pyw是另一種源碼擴展名,跟py唯一的區別是在windows下雙擊pyw擴展名的源碼會調用pythonw.exe執行源碼,這種執行方式不會有命令行窗口。主要用於GUI程序發布時不需要看到控制台信息的情況。 pyc:在執行python代碼時經常會看到同目錄下自動生成同名的pyc文件。這是python源碼編譯後的位元組碼,一般會在代碼執行時自動生成你代碼中引用的py文件的pyc文件。這個文件可以直接執行,用文本編輯器打開也看不到源碼。 pyo:pyo是跟pyc類似的優化編碼後的文件。 pyd:pyd並非從python程序生成,而是其他語言寫成的可以被python調用的擴展。

❸ Python 最重要的庫都有哪些

第一、NumPy

NumPy是Numerical
Python的簡寫，是Python數值計算的基石。它提供多種數據結構、演算法以及大部分涉及Python數值計算所需的介面。NumPy還包括其他內容：

①快速、高效的多維數組對象ndarray

②基於元素的數組計算或數組間數學操作函數

③用於讀寫硬碟中基於數組的數據集的工具

④線性代數操作、傅里葉變換以及隨機數生成

除了NumPy賦予Python的快速數組處理能力之外，NumPy的另一個主要用途是在演算法和庫之間作為數據傳遞的數據容器。對於數值數據，NumPy數組能夠比Python內建數據結構更為高效地存儲和操作數據。

第二、pandas

pandas提供了高級數據結構和函數，這些數據結構和函數的設計使得利用結構化、表格化數據的工作快速、簡單、有表現力。它出現於2010年，幫助Python成為強大、高效的數據分析環境。常用的pandas對象是DataFrame，它是用於實現表格化、面向列、使用行列標簽的數據結構;以及Series，一種一維標簽數組對象。

pandas將表格和關系型資料庫的靈活數據操作能力與Numpy的高性能數組計算的理念相結合。它提供復雜的索引函數，使得數據的重組、切塊、切片、聚合、子集選擇更為簡單。由於數據操作、預處理、清洗在數據分析中是重要的技能，pandas將是重要主題。

第三、matplotlib

matplotlib是最流行的用於制圖及其他二維數據可視化的Python庫，它由John D.
Hunter創建，目前由一個大型開發者團隊維護。matplotlib被設計為適合出版的制圖工具。

對於Python編程者來說也有其他可視化庫，但matplotlib依然使用最為廣泛，並且與生態系統的其他庫良好整合。

第四、IPython

IPython項目開始於2001年，由Fernando
Pérez發起，旨在開發一個更具交互性的Python解釋器。在過去的16年中，它成為Python數據技術棧中最重要的工具之一。

盡管它本身並不提供任何計算或數據分析工具，它的設計側重於在交互計算和軟體開發兩方面將生產力最大化。它使用了一種執行-探索工作流來替代其他語言中典型的編輯-編譯-運行工作流。它還提供了針對操作系統命令行和文件系統的易用介面。由於數據分析編碼工作包含大量的探索、試驗、試錯和遍歷，IPython可以使你更快速地完成工作。

第五、SciPy

SciPy是科學計算領域針對不同標准問題域的包集合。以下是SciPy中包含的一些包：

①scipy.integrate數值積分常式和微分方程求解器

②scipy.linalg線性代數常式和基於numpy.linalg的矩陣分解

③scipy.optimize函數優化器和求根演算法

④scipy.signal信號處理工具

⑤scipy.sparse稀疏矩陣與稀疏線性系統求解器

SciPy與Numpy一起為很多傳統科學計算應用提供了一個合理、完整、成熟的計算基礎。

第六、scikit-learn

scikit-learn項目誕生於2010年，目前已成為Python編程者首選的機器學習工具包。僅僅七年，scikit-learn就擁有了全世界1500位代碼貢獻者。其中包含以下子模塊：

①分類：SVM、最近鄰、隨機森林、邏輯回歸等

②回歸：Lasso、嶺回歸等

③聚類：K-means、譜聚類等

④降維：PCA、特徵選擇、矩陣分解等

⑤模型選擇：網格搜索、交叉驗證、指標矩陣

⑥預處理：特徵提取、正態化

scikit-learn與pandas、statsmodels、IPython一起使Python成為高效的數據科學編程語言。

❹ 學python用什麼編譯器啊，哪位大佬推薦一下

1、CPython
是Python語言規范的參考實現，能夠優先獲得Python語言的最新、最強的功能，CPython是由C語言編寫而成，不但可以從Python代碼中調用C代碼的函數，還可以直接在Python中使用大量現有的C代碼庫。
2、Brython
Brython可用於在瀏覽器中運行包含了Python 3腳本的Web應用。
3、PyPy Python
雖然第一個推薦的是在Python中使用最廣泛的編譯器，但卻不是最快的，PyPy採用的是即時的編譯概念，在代碼執行前，就直接編譯為機器代碼，因此其執行速度提高了近4倍。
4、Jython或JPython
使用率第二高，Jython最初被稱為JPython，是通過Python語言來實現Java虛擬機的，開發者既可以將現有的Java包和代碼庫，導入自己的Python程序中，還可以在Java程序中嵌入Python腳本。
5、Cython
Cython與CPython不同，更像是一個超集，允許開發者在代碼中結合C和Python，從而生成C語言代碼類型的輸出，以供任何一種C/C++編譯器進行後續編譯。
6、Skulpt
流行的速度非常快，主要目的是提供一種良好的在線式Python編譯器，也可以通過讓Web應用引擎包含Skulpt，以方便開發者編寫出被用於前端的Python腳本。
7、PyJS
是另一款完全用Python去開發Web應用的編譯工具，在後台，PyJS會在使用內置的Ajax框架之前，將Python代碼編譯為JavaScript。
8、WinPython
是Python的"即用型"發行版，也就意味著用戶無需安裝，即可在Windows PC上運行，作為另一種Python的實現，WinPython編譯器不僅帶來了Python執行環境，而且還包含了諸如：Scipy、Numpy、以及Pandas等各種Python庫。

❺ 如何從Boost.Python的靜態編譯庫

編譯前提是安裝Python2.2以上： （1）將$(BOOST)\tools\jam\src\bin.ntx86下的bjam.exe拷貝至$(BOOST)目錄下。 （2）編譯：bjam –-toolset=msvc –-with-python –-build-type=complete stage。 （3）編譯結果是生成dll和lib文件。

❻ python 「編譯的」 Python 文件的理解是什麼

為了加快載入模塊的速度，Python 會在 __pycache__ 目錄下以 mole.version.pyc 名字緩存每個模塊編譯後的版本，這里的版本編制了編譯後文件的格式。它通常會包含 Python 的版本號。例如，在 CPython 3.3 版中，spam.py 編譯後的版本將緩存為 __pycache__/spam.cpython-33.pyc。這種命名約定允許有不同發布和不同版本的 Python 編譯的模塊同時存在。
Python 會檢查源文件與編譯版的修改日期以確定它是否過期並需要重新編譯。這是完全自動化的過程。同時，編譯後的模塊是跨平台的，所以同一個庫可以在不同架構的系統之間共享。
Python 不檢查在兩個不同環境中的緩存。首先，它會永遠重新編譯而且不會存儲直接從命令行載入的模塊。其次，如果沒有源模塊它不會檢查緩存。若要支持沒有源文件（只有編譯版）的發布，編譯後的模塊必須在源目錄下，並且必須沒有源文件的模塊。
部分高級技巧:
為了減少一個編譯模塊的大小，你可以在 Python 命令行中使用 -O 或者 -OO。-O 參數刪除了斷言語句，-OO 參數刪除了斷言語句和 __doc__ 字元串。
因為某些程序依賴於這些變數的可用性，你應該只在確定無誤的場合使用這一選項。「優化的」 模塊有一個 .pyo 後綴而不是 .pyc 後綴。未來的版本可能會改變優化的效果。
來自 .pyc 文件或 .pyo 文件中的程序不會比來自 .py 文件的運行更快；.pyc 或 .pyo 文件只是在它們載入的時候更快一些。
compileall 模塊可以為指定目錄中的所有模塊創建 .pyc 文件（或者使用 -O 參數創建 .pyo 文件）。
在 PEP 3147 中有很多關這一部分內容的細節，並且包含了一個決策流程。

❼ Python交叉編譯失敗怎麼回事

1、在源碼 python2.7.3/Moles/Setup.dist 搜索zlib ，打開該模塊
2、繼續下去，又提示缺少zlib.h,也就是我們的交叉編譯庫中缺少zlib頭文件和庫文件
3、在http://www.zlib.net/ 下載zlib源碼，交叉編譯zlib
由於zlib 編譯不支持--host選項，所以在zlib目錄下執行如下命令
~/zlib1.2.8/# mkdir _install
~/zlib1.2.8/#CC=arm-xxxxx（你的交叉編譯器） ./configure --host=./_install（最好是絕對路徑，我偷懶了，這個是安裝目錄）
~/zlib1.2.8/# make && make install
你會在_install目錄下發現include 和 lib 目錄
下一步，我們回到第1步
為了防止交叉編譯鏈污染，我們在python目錄下創建otherinclude otherlib
把zlib下的include和lib下的內容分別按照對應名字拷貝過來
4.在Moles/setup 找到我們前面setup.dist那句話，添加 -L../otherlib -I../otherinclude 這個應該都懂的
直接make
5,如果你之前make distclean過了，沒有setup文件，請修改setup.dist.文件，重新configure！

❽ Python 編譯器與解釋器

編譯器是整體編譯再執行，而解釋器是邊解釋便執行。

舉個簡單的例子，編譯器就相當於你買了一桶海底撈，那麼所有海底撈食材都是整體「編譯」好，只要通過倒水（執行）就可以吃，而解釋器相當於你去海底撈門店，然後菜是一道一道上（一條一條解釋這是啥菜），你是一道一道放入湯中吃（執行）。

編譯器 的特點是：

解釋器 的特點是：

python的源文件通過解釋器進行模塊的載入及鏈接，然後將解釋完成的位元組碼存入內存，提供給CPU進行操作，然後寫入本地的.pyc文件,其觸發條件是判斷 是否存在.pyc文件+比較源文件與編譯的.pyc文件的時間戳