معرفی پنج کتابخانه ضروری پایتون

معرفی

پایتون یکی از محبوب‌ترین زبان‌های برنامه‌نویسی دنیا است و دلیل این محبوبیت، سادگی، خوانایی و وجود کتابخانه‌های قدرتمند آن می‌باشد. در این مقاله پنج کتابخانه‌ کلیدی را بررسی می‌کنیم که در اکثر پروژه‌های پایتونی مورد استفاده قرار می‌گیرند: NumPy، Pandas، Requests، BeautifulSoup و Flask.

معرفی NumPy

NumPy پایه‌ای‌ترین کتابخانه پایتون برای محاسبات عددی و کار با آرایه‌ها و ماتریس‌هاست. این کتابخانه امکان انجام عملیات پیچیده ریاضی را با سرعت بسیار بالا فراهم می‌کند.

ویژگی‌ها و کارکردها

پشتیبانی از آرایه‌های چندبعدی، عملیات برداری، توابع ریاضی پیشرفته و ابزارهایی برای تغییر شکل و ترکیب آرایه‌ها.

مثال کد

import numpy as np

a = np.array([1, 2, 3, 4])
b = a * 2

M = np.array([[1, 2], [3, 4]])
print(np.sqrt(M))
print(M.sum(axis=1))

کاربردها

محاسبات ماتریسی در هوش مصنوعی، تحلیل داده علمی، و پردازش تصویر.

معرفی Pandas

Pandas کتابخانه‌ای بسیار محبوب برای کار با داده‌های ساخت‌یافته است. این کتابخانه با ساختار DataFrame مدیریت داده‌ها را مشابه اکسل اما بسیار قدرتمندتر انجام می‌دهد.

ویژگی‌ها و کارکردها

خواندن و نوشتن انواع فرمت‌های داده، فیلترگذاری، گروه‌بندی، عملیات آماری و پاکسازی داده‌ها.

مثال کد

import pandas as pd

df = pd.DataFrame({
    "Name": ["Ali", "Sara", "Reza"],
    "Age": [25, 30, 22],
    "City": ["Tehran", "Mashhad", "Isfahan"]
})

older = df[df["Age"] > 25]
df["Age_next_year"] = df["Age"] + 1

کاربردها

تحلیل داده، داده‌کاوی، پاکسازی داده، و آماده‌سازی داده برای مدل‌های یادگیری ماشین.

معرفی Requests

Requests ساده‌ترین و محبوب‌ترین کتابخانه پایتون برای ارسال درخواست‌های HTTP و کار با APIهاست.

ویژگی‌ها و کارکردها

ارسال درخواست‌های GET و POST، مدیریت هدرها، کوکی‌ها و کار با JSON.

مثال کد

import requests

url = "https://jsonplaceholder.typicode.com/posts"
response = requests.get(url)
data = response.json()

post_response = requests.post(url, json={"title": "Hello"})

کاربردها

ساخت ربات‌های جمع‌آوری داده، ارتباط با APIها و توسعه بخش بک‌اند.

معرفی BeautifulSoup

BeautifulSoup کتابخانه‌ای قدرتمند برای وب‌اسکرپینگ و استخراج داده از HTML و XML است.

ویژگی‌ها و کارکردها

جستجو در تگ‌ها، استخراج متن و لینک‌ها و امکان ترکیب با Requests برای دریافت محتوای وب.

مثال کد

from bs4 import BeautifulSoup
import requests

resp = requests.get("https://example.com")
soup = BeautifulSoup(resp.text, "html.parser")

for h1 in soup.find_all("h1"):
    print(h1.text)

کاربردها

استخراج تیترها، لینک‌ها و داده‌های صفحات وب، وب‌اسکرپینگ و تحلیل اطلاعات وب.

معرفی Flask

Flask یک فریم‌ورک سبک و مینیمال برای ساخت وب‌اپلیکیشن‌ها و APIهاست که آزادی عمل بالایی به توسعه‌دهنده می‌دهد.

ویژگی‌ها و کارکردها

مسیریابی ساده، پشتیبانی از قالب‌های Jinja2 و افزونه‌های متعدد.

مثال کد

from flask import Flask, jsonify, request

app = Flask(__name__)

@app.route("/")
def home():
    return "سلام دنیا!"

@app.route("/echo", methods=["POST"])
def echo():
    return jsonify({"you_sent": request.json})

app.run(debug=True)

کاربردها

ساخت وب‌سایت‌های سبک، طراحی API، و ایجاد داشبوردها.

جمع‌بندی

کتابخانه‌های NumPy، Pandas، Requests، BeautifulSoup و Flask از مهم‌ترین ابزارهای هر برنامه‌نویس پایتونی هستند. با یادگیری این کتابخانه‌ها می‌توانید انواع پروژه‌های داده‌محور، وب‌اسکرپینگ، API و وب‌اپلیکیشن‌های سبک بسازید.

منابع و مستندات

مستندات رسمی NumPy
https://numpy.org/doc/
توضیح کامل آرایه‌ها، توابع ریاضی و محاسبات برداری در NumPy.

مستندات رسمی Pandas
https://pandas.pydata.org/docs/
آموزش DataFrame، فیلتر داده، گروه‌بندی و توابع آماری.

مستندات رسمی Requests
https://docs.python-requests.org/en/latest/
آموزش ارسال درخواست‌های HTTP، مدیریت کوکی‌ها و تعامل با APIها.

مستندات رسمی BeautifulSoup
https://beautiful-soup-4.readthedocs.io/en/latest/
آموزش پارس کردن HTML و XML و استخراج داده‌ها از وب‌سایت‌ها.

مستندات رسمی Flask
https://flask.palletsprojects.com/en/stable/
آموزش ساخت وب‌اپلیکیشن و API با فریم‌ورک سبک Flask.

Real Python — آموزش وب‌اسکرپینگ و Requests
https://realpython.com/beautiful-soup-web-scraper-python/
آموزش پروژه‌محور ترکیب Requests و BeautifulSoup.

W3Schools — آموزش Pandas
https://www.w3schools.com/python/pandas/default.asp
آموزش ساده و عملی Pandas برای مبتدی‌ها.