Python 是一种解释性、广泛使用的高级编程语言，支持面向对象的编程风格、过程式的编程风格和函数式编程风格。

    # 数据类型：
    x = 10            # int  
    y = 10.5          # float  
    z = "Hello"       # str  

    # 列表：
    my_list = [1, 2, 3, 4]  
    my_list.append(5)  

    # 字典：
    my_dict = {"name": "Alice", "age": 25}  
    my_dict["city"] = "New York"  

    # 循环：
    for i in range(5):  
        print(i)  

    # 函数：
    def square(x):  
        return x ** 2  

    # Lambda 表达式：
    add = lambda a, b: a + b

NumPy 是一个用于 Python 的数值计算库。它支持数组、矩阵和各种数学运算。

    import numpy as np  

    # 创建数组  
    arr = np.array([1, 2, 3, 4])  
    zeros = np.zeros((2, 3))  
    ones = np.ones((2, 3))  

    # 计算  
    arr_sum = np.sum(arr)  
    arr_mean = np.mean(arr)  
    arr_std = np.std(arr)  

    # 切片操作  
    slice_arr = arr[1:3]

Pandas 是一个用于数据处理和分析的库。它提供 Series 和 DataFrame 等数据结构，能够高效地处理结构化数据集。

    import pandas as pd  

    # 创建 DataFrame  
    data = {"Name": ["Alice", "Bob"], "Age": [25, 30]}  
    df = pd.DataFrame(data)  

    # 读取/写入数据  
    csv_data = pd.read_csv("data.csv")  
    df.to_csv("output.csv", index=False)  

    # 分析数据  
    df.info()  
    df.describe()  

    # 筛选行  
    filtered_df = df[df['Age'] > 25]  

    # 按名称分组并计算平均值  
    grouped = df.groupby("Name").mean()

4. matplotlib和seaborn

Matplotlib 和 Seaborn 是用来做数据可视化的库。Matplotlib 提供基本的绘图工具，而 Seaborn 提供高级统计图表。

import matplotlib.pyplot as plt  
import seaborn as sns  

# 示例折线图  
plt.plot([1, 2, 3], [4, 5, 6])  
plt.title("示例折线图")  
plt.show()  

# Seaborn 热力图  
# 生成随机数据  
data = np.random.rand(4, 4)  
# 示例热度图  
sns.heatmap(data, annot=True)  
plt.show()

Scikit-learn 是一个用于机器学习的库。它提供了数据预处理和模型选择的工具，包括线性回归、分类和聚类等在内的各种算法。

    from sklearn.model_selection import train_test_split  
    from sklearn.linear_model import LinearRegression  
    from sklearn.metrics import mean_squared_error  

    # 数据分割  
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  

    # 训练  
    model = LinearRegression()  
    model.fit(X_train, y_train)  

    # 评估模型  
    predictions = model.predict(X_test)  
    mse = mean_squared_error(y_test, predictions)

数据清理包括处理缺失值、去重以及提高数据质量。预处理包括缩放、编码和转换数据，以供机器学习使用。

    # 填充缺失值  
    df.fillna(0, inplace=True)  
    # 删除缺失值  
    df.dropna(inplace=True)  

    # 标签编码  
    from sklearn.preprocessing import LabelEncoder  
    encoder = LabelEncoder()  
    df['Category'] = encoder.fit_transform(df['Category'])  

    # 标准化  
    from sklearn.preprocessing import StandardScaler  
    scaler = StandardScaler()  
    scaled_data = scaler.fit_transform(df)

API 允许程序与网络服务交互。Python 的 requests 库简化了常用的 HTTP 请求方法，例如 GET 和 POST 请求。

代码:

    import requests  

    # 发出 GET 请求  
    response = requests.get("https://api.example.com/data")  
    if response.status_code == 200:  
        data = response.json()  

    # 发出 POST 请求  
    payload = {"key": "value"}  
    response = requests.post("https://api.example.com/data", json=payload)

SQLite 是一个轻量级的数据库管理系统。Python 的 sqlite3 库通过编程来执行 SQL 操作。

    import sqlite3

    # 连接到数据库
    conn = sqlite3.connect("database.db")
    cursor = conn.cursor()

    # 执行这些查询
    cursor.execute("CREATE TABLE IF NOT EXISTS users (id INTEGER, name TEXT)")
    cursor.execute("INSERT INTO users VALUES (1, 'Alice')")

    # 读取数据
    cursor.execute("SELECT * FROM users")
    rows = cursor.fetchall()

    conn.commit()
    conn.close()

正则表达式（简称regex）是一种用于匹配和处理字符串的模式。Python中的re库支持正则表达式。

    import re  

    # 匹配模式（正则表达式）：  
    pattern = r"\d+"  
    result = re.findall(pattern, "123 Main Street")  

    # 替换模式（正则表达式）：  
    new_text = re.sub(r"\d+", "#", "123 Main Street")

文件操作允许你读取、写入和操作文件。Python 内置的 open() 函数使得文件操作变得简单易行。

代码：

    # 打开文件来读
    with open("data.txt", "r") as file:
        content = file.read()

    # 写文件
    with open("output.txt", "w") as file:
        # 准备将 'Hello, World!' 写入新文件
        file.write("Hello, World!")

这份快捷参考表是数据分析师和开发人员常用的 Python 任务和库的快速参考指南。

谢谢！👍

感谢你花时间查看这份速查表。希望它能成为你Python开发旅程中的宝贵资源。如果你觉得它有用，请给它点个赞👍 — 这对我非常重要！

如果你有任何建议、反馈或改进的想法，欢迎分享。我一直希望能让这变得更好、更实用，更有助于大家。

编程愉快！🚀