Python 有着大量优秀的三方库，功能十分强大。可以在 Awesome Python 上找自己需要的库，下面列出几个经典的库。
Requests 是一个 HTTP 库，用 Python 编写，真正的为人类着想。Python 标准库中的 urllib2 模块提供了你所需要的大多数 HTTP 功能，但是它的 API 太渣了。它需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务。
>>> r = requests.get('https://api.github.com/user', auth=('user', 'pass'))
>>> r.status_code
200
>>> r.headers['content-type']
'application/json; charset=utf8'
>>> r.encoding
'utf-8'
>>> r.text
u'{"type":"User"...'
爬过豆瓣的音乐库，还有Coursera的课程下载脚本，还有V2EX的自动登录脚本。
Beautiful Soup 是一个可以从 HTML 或 XML 文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航，查找，修改文档的方式。
使用BeautifulSoup解析一段 HTML 代码，得到一个 BeautifulSoup 的对象，然后就可以浏览结构化数据。
Matplotlib 是Python最流行的绘图库之一，使用起来非常方便，可以高度定制绘图模型，允许用户绘制点线图、条线图/直方图、3D图形，甚至是更复杂的图表。
pylab 是 matplotlib 面向对象绘图库的一个接口，考虑用默认配置在同一张图上绘制正弦和余弦函数图像，如下：
from pylab import *
X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
C,S = np.cos(X), np.sin(X)
plot(X,C)
plot(X,S)
show()
Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。NumPy 的主要对象是同种元素的多维数组（numpy.ndarray）。在NumPy中维度(dimensions)叫做轴(axes)，轴的个数叫做秩(rank)。
ndarray对象属性有：
- ndarray.ndim：数组的维数（即数组轴的个数），等于秩。最常见的为二维数组（矩阵）。
- ndarray.shape：指示数组在每个维度上大小的整数元组（这个元组的长度就是维度的数目，即ndim属性）。例如一个n排m列的矩阵，它的shape属性将是(n,m)。
- ndarray.size：数组元素的总个数，等于shape属性中元组元素的乘积。
- ndarray.dtype：一个用来描述数组中元素类型的对象，可以通过创造或指定dtype使用标准Python类型。另外NumPy提供它自己的数据类型。
- ndarray.itemsize：数组中每个元素的字节大小。例如，一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits，每个字节长度为8，所以64/8，占用8个字节）。
可以使用array函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来。
>>> from numpy import *
>>> a = array( [2,3,4] )
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int32')
可使用双重序列来表示二维的数组，三重序列表示三维数组，以此类推。
>>> b = array( [ (1.5,2,3), (4,5,6) ] )
>>> b.ndim
2
>>> b
array([[ 1.5, 2. , 3. ],
[ 4. , 5. , 6. ]])
通常，刚开始时数组的元素未知，而数组的大小已知。因此，NumPy提供了一些使用占位符创建数组的函数。这些函数有助于满足除了数组扩展的需要，同时降低了高昂的运算开销。
用函数zeros可创建一个全是0的数组，用函数ones可创建一个全为1的数组，函数empty创建一个内容随机并且依赖与内存状态的数组。默认创建的数组类型(dtype)都是float64。
>>> d = zeros((3,4))
>>> d.dtype
dtype('float64')
>>> d
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>> d.itemsize
8
也可以制定数组中的元素类型：
ones( (2,3,4), dtype=int16 ) #手动指定数组中元素类型
NumPy 还提供一个类似range的函数（arange）返回一个数列形式的数组:
>>> arange(10,40,5)
array([10, 15, 20, 25, 30, 35])
>>> arange(40.1,40.3,0.05)
array([ 40.1 , 40.15, 40.2 , 40.25])
当arange使用浮点数参数时，由于浮点数精度有限，通常无法预测获得的元素个数。因此，最好使用函数linspace去接收我们想要的元素个数来代替用range来指定步长。
>>> linspace(-1, 0, 7)
array([-1. , -0.83333333, -0.66666667, -0.5 , -0.33333333,
-0.16666667, 0. ])
当输出一个数组时，NumPy以特定的布局用类似嵌套列表的形式显示：
- 第一行从左到右输出
- 每行依次自上而下输出
- 每个切片通过一个空行与下一个隔开
一维数组被打印成行，二维数组成矩阵，三维数组成矩阵列表。
>>> a = arange(6)
>>> print a
[0 1 2 3 4 5]
>>> b = arange(12).reshape(4,3)
>>> print b
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组(有些操作符如+=和*=用来更改已存在数组而不创建一个新的数组)。
>>> a = array([20,30,40,50])
>>> b = arange(4)
>>> a-b
array([20, 29, 38, 47])
>>> b ** 2
array([0, 1, 4, 9])
>>> 10*sin(a)
array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])
>>> a < 35
array([ True, True, False, False], dtype=bool)
与其他矩阵语言不同，NumPy中的乘法运算符*按元素逐个计算，矩阵乘法可以使用dot函数或创建矩阵对象实现。
>>> a = arange(10).reshape(2,5)
>>> b = arange(10).reshape(5,2)
>>> dot(a,b)
array([[ 60, 70],
[160, 195]])
和Python中列表一样，一维数组可以进行索引、切片和迭代操作。多维数组可以每个轴有一个索引，这些索引由一个逗号分割的元组给出。当少于提供的索引数目少于轴数时，已给出的数值按秩的顺序复制，确失的索引则默认为是整个切片：
>>> d = arange(12).reshape(2,2,3)
>>> d
array([[[ 0, 1, 2],
[ 3, 4, 5]],
[[ 6, 7, 8],
[ 9, 10, 11]]])
>>> d[:,:,1]
array([[ 1, 4],
[ 7, 10]])
>>> d[:,1,:]
array([[ 3, 4, 5],
[ 9, 10, 11]])
>>> d[:,1]
array([[ 3, 4, 5],
[ 9, 10, 11]])
>>> m_a = np.matrix('1 2 3; 4 5 6')
>>> m_b = np.matrix('1 2; 3 4; 5 6')
>>> m_a * m_b
matrix([[22, 28],
[49, 64]])
>>> m_a
matrix([[1, 2, 3],
[4, 5, 6]])
>>> m_a.T
matrix([[1, 4],
[2, 5],
[3, 6]])