بتل کد Battle Codeدارد باز می‌شود…

آموزش پایتون

کتابخانه‌های معروف پایتون: معرفی، نصب با pip و مثال

۱۰ دقیقه مطالعه · ۳۰ مهر ۱۴۰۵

فهرست مطالب
  1. کتابخانه در پایتون یعنی چه؟
  2. کتابخانه‌ی استاندارد: همراه خود پایتون
  3. نصب کتابخانه با pip
  4. کتابخانه‌های معروف پایتون، گروه‌به‌گروه
  5. جدول خلاصه: کدام کتابخانه برای چه کاری؟
  6. کتابخانه‌ی درست را چطور انتخاب کنم و یاد بگیرم؟
  7. سؤال‌های پرتکرار

کتابخانه‌ی پایتون (library) مجموعه‌ای از کدهای آماده است که دیگران نوشته‌اند و تو با یک دستور import در برنامه‌ات به کار می‌بری، تا لازم نباشد همه‌چیز را از صفر بنویسی. بعضی کتابخانه‌ها مثل math، random و turtle همراه خود پایتون می‌آیند (کتابخانه‌ی استاندارد) و هزاران کتابخانه‌ی دیگر مثل NumPy، pandas، matplotlib، scikit-learn و Requests را با pip نصب می‌کنند. در بتل کد ۵۰ کتابخانه‌ی معروف را می‌شود با یک دکمه در خود مرورگر نصب کرد.

در این مقاله می‌بینیم کتابخانه دقیقاً چیست، فرق کتابخانه‌ی استاندارد با کتابخانه‌های نصبی کجاست و pip چطور کار می‌کند. بعد کتابخانه‌های معروف را در پنج گروه مرور می‌کنیم: داده و ریاضی، نمودار و عکس، هوش مصنوعی، وب و فایل، و ابزارهای دیگر؛ هر گروه با یک مثال کوتاه و واقعی. در آخر یک جدول خلاصه داریم که می‌گوید هر کتابخانه به چه دردی می‌خورد.

کتابخانه در پایتون یعنی چه؟

فرض کن می‌خواهی کیک بپزی. می‌توانی آرد را خودت آسیاب کنی و شکر را خودت بسازی، اما منطقی‌تر است آرد و شکر آماده بخری و وقتت را روی خود کیک بگذاری. کتابخانه همان مواد آماده است: کسی قبلاً کد حساب رادیکال، کشیدن نمودار یا خواندن صفحه‌ی وب را نوشته، آزمایش کرده و در اختیار همه گذاشته است.

در پایتون به هر فایل کد که بشود import کرد ماژول (module) می‌گویند و به مجموعه‌ای از ماژول‌ها که با هم کار می‌کنند بسته (package). در صحبت روزمره به هر دو «کتابخانه» می‌گوییم. سه شکل رایج وارد کردن کتابخانه این‌هاست:

import math
from statistics import mean

print(math.sqrt(144))
print(round(math.pi, 2))
print(mean([12, 18, 15]))

خروجی:

12.0
3.14
15
  • import math کل کتابخانه را می‌آورد و هر چیزی را با اسم کتابخانه صدا می‌زنی: math.sqrt.
  • from statistics import mean فقط یک تابع را می‌آورد و می‌شود مستقیم نوشت mean.
  • import numpy as np کتابخانه را با یک اسم کوتاه می‌آورد. اسم‌های کوتاهی مثل np، pd و plt بین برنامه‌نویس‌ها قرارداد شده‌اند و در همه‌ی آموزش‌ها همین‌ها را می‌بینی.

کتابخانه‌ی استاندارد: همراه خود پایتون

پایتون را معمولاً «با باتری‌های همراه» (batteries included) توصیف می‌کنند؛ یعنی وقتی پایتون را نصب می‌کنی، ده‌ها ماژول آماده هم همراهش می‌آید که بدون نصب جداگانه کار می‌کنند. این‌ها چند تا از پرکاربردترین‌هایشان هستند:

ماژولکارشنمونه
randomعدد و انتخاب تصادفیrandom.randint(1, 6)
mathرادیکال، توان، عدد پیmath.sqrt(16)
turtleنقاشی با لاک‌پشتturtle.forward(100)
timeصبر کردن و زمانtime.sleep(1)
datetimeتاریخ و ساعتdatetime.date.today()
statisticsمیانگین، میانه، مدstatistics.median(scores)
jsonذخیره و خواندن دادهjson.dumps(data)
csvفایل‌های جدولیcsv.reader(file)
collectionsشمارنده و ساختارهای داده‌ی کاربردیCounter(votes)

مثلاً برای شمردن رأی‌ها لازم نیست خودت حلقه و دیکشنری بنویسی؛ Counter از ماژول collections این کار را یک‌جا انجام می‌دهد:

from collections import Counter

votes = ["pizza", "kebab", "pizza", "salad", "pizza", "kebab"]
print(Counter(votes).most_common(2))

خروجی:

[('pizza', 3), ('kebab', 2)]

اگر اولین بار است با ماژول‌ها کار می‌کنی، random بهترین شروع است. مقاله‌ی ماژول random در پایتون آن را کامل توضیح می‌دهد و در دوره‌ی پایتون بتل کد، جلسه‌ی تاس بریز! آن را با بازی و تاس یاد می‌دهد.

نصب کتابخانه با pip

کتابخانه‌هایی که جزو کتابخانه‌ی استاندارد نیستند، در یک مخزن بزرگ و رایگان به اسم PyPI (فهرست بسته‌های پایتون) نگه داشته می‌شوند. ابزار pip که همراه پایتون نصب می‌شود، آن‌ها را از این مخزن دانلود و نصب می‌کند. این دستورها را در خط فرمان (نه داخل برنامه‌ی پایتون) می‌نویسی:

pip install numpy
pip list
pip install --upgrade numpy
pip uninstall numpy

دستور اول NumPy را نصب می‌کند، دومی فهرست کتابخانه‌های نصب‌شده را نشان می‌دهد، سومی آن را به‌روز می‌کند و چهارمی پاکش می‌کند. اگر روی کامپیوترت چند نسخه‌ی پایتون داری، نوشتن python -m pip install numpy مطمئن می‌شود که کتابخانه برای همان پایتونی نصب شود که اجرایش می‌کنی. اگر کتابخانه‌ای را بدون نصب import کنی، پایتون خطای ModuleNotFoundError می‌دهد.

نصب کتابخانه در بتل کد

در بتل کد پایتون داخل مرورگر اجرا می‌شود و pip لازم نیست. در صفحه‌ی کتابخانه‌های پایتون ۵۰ کتابخانه در همان پنج گروهی که پایین‌تر می‌بینی چیده شده‌اند. هر کدام را که لازم داری با دکمه‌ی «نصب» اضافه کن؛ فقط یک بار دانلود می‌شود و بعد بدون اینترنت هم کار می‌کند. چیزهایی که هر کتابخانه لازم دارد خودکار همراهش نصب می‌شوند و دکمه‌ی «امتحانش کن» یک مثال آماده را در ویرایشگر آنلاین پایتون باز می‌کند. کتابخانه‌هایی مثل random، math، turtle و json همیشه نصب‌اند و در برنامه‌ی ویندوزی بتل کد هم همه‌ی کتابخانه‌ها از قبل نصب شده‌اند.

کتابخانه‌ای را نصب کن که واقعاً لازمش داری. بعضی کتابخانه‌ها چند ده مگابایت حجم دارند و نصب همه با هم فقط اینترنت و حافظه را هدر می‌دهد.

کتابخانه‌های معروف پایتون، گروه‌به‌گروه

داده و ریاضی

NumPy پایه‌ی تقریباً همه‌ی کارهای علمی پایتون است. آرایه‌های NumPy مثل لیست‌اند، اما می‌شود روی همه‌ی عددهایشان یک‌جا حساب کرد:

import numpy as np

scores = np.array([12, 18, 15, 20, 9])
print("Average:", scores.mean())
print("Best:", scores.max())
print("Doubled:", scores * 2)

خروجی:

Average: 14.8
Best: 20
Doubled: [24 36 30 40 18]

به scores * 2 دقت کن: با یک لیست معمولی، این کار لیست را دو بار پشت هم تکرار می‌کرد، اما در NumPy هر عدد دو برابر می‌شود.

pandas برای کار با جدول است؛ چیزی شبیه اکسل، اما با کد. می‌شود فایل CSV را خواند، مرتب کرد، فیلتر کرد و میانگین هر ستون را گرفت:

import pandas as pd

table = pd.DataFrame({
    "name": ["Sara", "Ali", "Mina", "Reza"],
    "score": [18, 15, 20, 19],
})
print(table.sort_values("score", ascending=False))
print("Average:", table["score"].mean())

خروجی:

   name  score
2  Mina     20
3  Reza     19
0  Sara     18
1   Ali     15
Average: 18.0

عددهای سمت چپ شماره‌ی ردیف‌ها در جدول اصلی‌اند که بعد از مرتب کردن جابه‌جا شده‌اند. در همین گروه SciPy برای آمار و ریاضی علمی و SymPy برای ریاضی نمادین هست؛ مثلاً SymPy معادله‌ی درجه‌دو را مثل خودت روی کاغذ حل می‌کند و جواب دقیق می‌دهد.

نمودار و عکس

matplotlib معروف‌ترین کتابخانه‌ی نمودار است و با آن نمودار خطی، میله‌ای و دایره‌ای می‌کشی. آموزش کاملش را در مقاله‌ی رسم نمودار با matplotlib نوشته‌ایم. برای ساختن و ویرایش عکس هم Pillow هست:

from PIL import Image, ImageDraw

picture = Image.new("RGB", (200, 120), "skyblue")
pen = ImageDraw.Draw(picture)
pen.ellipse((70, 20, 130, 80), fill="gold")
pen.rectangle((0, 90, 200, 120), fill="green")
picture.save("sunny.png")
print(picture.size)

خروجی:

(200, 120)

این کد یک عکس ۲۰۰ در ۱۲۰ پیکسلی می‌سازد: آسمان آبی، یک خورشید طلایی و یک نوار سبز چمن. نکته‌ی جالب این است که اسم بسته Pillow است، اما با PIL وارد می‌شود. در بتل کد اگر به جای save بنویسی picture.show()، عکس در پنجره‌ی خروجی نشان داده می‌شود. OpenCV برای بینایی کامپیوتر (مثل پیدا کردن لبه‌ها در عکس) و WordCloud برای ساختن ابر کلمات هم در همین گروه‌اند.

هوش مصنوعی

scikit-learn دروازه‌ی ورود به یادگیری ماشین است. با چند خط یک مدل می‌سازی، با مثال آموزشش می‌دهی و از آن پیش‌بینی می‌خواهی:

from sklearn.tree import DecisionTreeClassifier

# [height cm, weight kg] -> 0 = cat, 1 = dog
animals = [[25, 4], [30, 5], [60, 25], [70, 30]]
kinds = [0, 0, 1, 1]
model = DecisionTreeClassifier().fit(animals, kinds)
print("dog" if model.predict([[65, 28]])[0] else "cat")

خروجی:

dog

مدل از چهار مثال یاد گرفته که حیوان‌های بلندتر و سنگین‌تر سگ‌اند و حیوان تازه را درست حدس می‌زند. NLTK برای پردازش زبان و متن است و XGBoost و LightGBM مدل‌های قوی‌تری برای داده‌های جدولی می‌سازند. کتابخانه‌های بزرگ یادگیری عمیق مثل PyTorch و TensorFlow هم وجود دارند که معمولاً روی کامپیوتر نصب می‌شوند. اگر این حوزه برایت جذاب است، مقاله‌ی هوش مصنوعی با پایتون را بخوان.

وب و فایل

Requests با یک خط از یک آدرس اینترنتی داده می‌گیرد (از سایت‌هایی که اجازه می‌دهند) و Beautiful Soup کد HTML یک صفحه را می‌خواند تا تیترها و لینک‌هایش را پیدا کنی:

from bs4 import BeautifulSoup

page = "<h1>My site</h1><a href='a.html'>A</a><a href='b.html'>B</a>"
soup = BeautifulSoup(page, "html.parser")
print(soup.h1.text)
print([link["href"] for link in soup.find_all("a")])

خروجی:

My site
['a.html', 'b.html']

در این گروه PyYAML برای فایل‌های تنظیمات، SQLAlchemy برای کار با پایگاه داده و Jinja برای پر کردن قالب‌های متن و HTML هم هستند. برای ساختن بخش سرور سایت‌ها، چارچوب‌هایی مثل Django و Flask رایج‌اند که روی کامپیوتر یا سرور نصب می‌شوند.

ابزارهای دیگر

بعضی کتابخانه‌ها در هیچ گروهی جا نمی‌شوند اما خیلی به کار می‌آیند. NetworkX با گراف‌ها کار می‌کند؛ مثلاً کوتاه‌ترین راه بین دو نقطه‌ی یک نقشه:

import networkx as nx

city = nx.Graph()
city.add_weighted_edges_from([("Home", "School", 5), ("Home", "Park", 2), ("Park", "School", 2)])
print(nx.shortest_path(city, "Home", "School", weight="weight"))
print(nx.shortest_path_length(city, "Home", "School", weight="weight"))

خروجی:

['Home', 'Park', 'School']
4

راه مستقیم خانه تا مدرسه ۵ واحد است، اما از پارک ۲ به اضافه‌ی ۲ می‌شود و کوتاه‌تر است. tqdm برای حلقه‌های طولانی نوار پیشرفت می‌کشد، Rich جدول و متن زیبا در خروجی چاپ می‌کند و dateutil و pytz کار با تاریخ و منطقه‌ی زمانی را ساده می‌کنند.

جدول خلاصه: کدام کتابخانه برای چه کاری؟

کتابخانهبا چه اسمی import می‌شودبه چه دردی می‌خورد
NumPynumpyحساب سریع با آرایه‌ها و ماتریس‌ها
pandaspandasجدول داده، CSV، مرتب‌سازی و فیلتر
SciPyscipyآمار، بهینه‌سازی، انتگرال
SymPysympyحل معادله و ریاضی نمادین
matplotlibmatplotlibنمودار خطی، میله‌ای، دایره‌ای
PillowPILساختن و ویرایش عکس
OpenCVcv2بینایی کامپیوتر
scikit-learnsklearnیادگیری ماشین
NLTKnltkپردازش زبان و متن
Requestsrequestsگرفتن داده از اینترنت
Beautiful Soupbs4خواندن HTML
SQLAlchemysqlalchemyپایگاه داده
NetworkXnetworkxگراف و کوتاه‌ترین مسیر
tqdmtqdmنوار پیشرفت
Richrichخروجی رنگی و جدول زیبا

کتابخانه‌ی درست را چطور انتخاب کنم و یاد بگیرم؟

کتابخانه‌ها ابزارند، نه جای پایه‌ها. کسی که لیست، حلقه، دیکشنری و تابع را خوب بلد نیست، با pandas یا scikit-learn فقط کد کپی می‌کند و وقتی خطایی پیش بیاید گیر می‌کند. اگر هنوز در این مرحله‌ای، دوره‌ی پایتون را جلو ببر و بعد سراغ کتابخانه‌ها برو. مقاله‌ی نقشه‌ی راه یادگیری پایتون نشان می‌دهد هر کتابخانه در کدام مرحله به کارت می‌آید.

چند پیشنهاد برای وقتی که آماده‌ای:

  • از نیازت شروع کن. اول بپرس «می‌خواهم چه بسازم؟» بعد کتابخانه‌اش را پیدا کن. نمودار می‌خواهی؟ matplotlib. جدول داده؟ pandas.
  • هر بار یک کتابخانه. چند هفته با یکی کار کن تا راحت شوی، بعد سراغ بعدی برو.
  • با مثال کوچک شروع کن. مثال‌های همین مقاله یا مثال صفحه‌ی هر کتابخانه در بتل کد را اجرا کن، یک عدد را عوض کن و ببین چه می‌شود.
  • مستندات را بخوان. هر کتابخانه‌ی معروف یک سایت راهنما دارد که معمولاً با یک بخش «شروع سریع» (Quickstart) آغاز می‌شود.
  • کتابخانه‌ی محبوب‌تر را انتخاب کن. کتابخانه‌ای که آدم‌های بیشتری با آن کار می‌کنند آموزش‌ها و جواب‌های بیشتری در اینترنت دارد.

قبل از نصب یک کتابخانه، ببین کتابخانه‌ی استاندارد همان کار را انجام نمی‌دهد. برای میانگین گرفتن از چند عدد، statistics کافی است و لازم نیست NumPy نصب کنی.

سؤال‌های پرتکرار

فرق ماژول، بسته و کتابخانه چیست؟

ماژول یک فایل پایتون است که می‌شود آن را import کرد و بسته مجموعه‌ای از ماژول‌هاست که در یک پوشه کنار هم قرار گرفته‌اند. «کتابخانه» اسم عمومی‌تری است که در صحبت روزمره برای هر دو به کار می‌رود.

چطور بفهمم یک کتابخانه نصب است یا نه؟

ساده‌ترین راه این است که آن را import کنی. اگر خطای ModuleNotFoundError گرفتی، نصب نیست. در خط فرمان هم دستور pip list همه‌ی کتابخانه‌های نصب‌شده را نشان می‌دهد.

آیا کتابخانه‌های پایتون رایگان‌اند؟

بیشتر کتابخانه‌های معروف پایتون، از جمله همه‌ی کتابخانه‌هایی که در این مقاله آمده، رایگان و متن‌باز هستند. با این حال هر کتابخانه مجوز (license) خودش را دارد که برای کارهای تجاری بهتر است خوانده شود.

چرا اسم نصب و اسم import بعضی کتابخانه‌ها فرق دارد؟

اسم بسته در PyPI و اسم ماژولی که import می‌شود را سازنده‌ها جداگانه انتخاب می‌کنند. مثلاً pip install pillow اما import PIL، یا pip install scikit-learn اما import sklearn. جدول بالا اسم import چند کتابخانه‌ی معروف را نشان می‌دهد.

برای شروع کدام کتابخانه را یاد بگیرم؟

اول کتابخانه‌ی استاندارد، به‌خصوص random، math و turtle. بعد از یاد گرفتن پایه‌ها، matplotlib و NumPy شروع خوبی‌اند، چون نتیجه‌شان را فوری می‌بینی و تقریباً در همه‌ی حوزه‌های داده و هوش مصنوعی به کار می‌آیند.

آیا بدون نصب پایتون می‌شود از کتابخانه‌ها استفاده کرد؟

بله. در بتل کد پایتون در مرورگر اجرا می‌شود و ۵۰ کتابخانه‌ی معروف را می‌شود از صفحه‌ی کتابخانه‌ها نصب کرد؛ هر کدام یک بار دانلود می‌شود و بعد بدون اینترنت هم کار می‌کند.

همین حالا روی Battle Code تمرین کن

مقاله‌های دیگر

همه‌ی مقاله‌ها