以下是 Python 常用框架的分类解析：

---

一、Web 开发框架

1. Django

• 定位：全能型框架，内置 ORM、模板引擎、路由系统等
• 特点：
  • 开箱即用（如自带后台管理、用户认证）
  • 遵循 MVC 设计模式（MTV 变体）
  • 适合中大型项目（如 CMS、电商平台）
• 代码示例：

  from django.http import HttpResponse
  
  def hello(request):
      return HttpResponse("Hello Django!")
  

2. Flask

• 定位：轻量级微框架，核心简洁但可扩展
• 特点：
  • 无强制依赖库（开发者自由选择插件）
  • 路由设计直观（如 @app.route('/')）
  • 适合小型服务或 API 开发
• 代码示例：

  from flask import Flask
  app = Flask(__name__)
  
  @app.route('/')
  def home():
      return "Hello Flask!"
  

3. FastAPI

• 定位：高性能异步框架，专为 API 设计
• 特点：
  • 基于 ASGI 标准（支持异步请求）
  • 自动生成 OpenAPI 文档
  • 数据验证依赖 Pydantic
• 代码示例：

  from fastapi import FastAPI
  app = FastAPI()
  
  @app.get("/")
  async def root():
      return {"message": "Hello FastAPI"}
  

---

二、数据科学框架

1. NumPy

• 核心功能：多维数组计算
• 典型应用：
  • 数值运算（如矩阵乘法）
  • 科学计算基础库
• 示例操作：

  import numpy as np
  arr = np.array([1, 2, 3])
  print(arr * 2)  # 输出: [2 4 6]
  

2. Pandas

• 核心功能：数据处理与分析
• 核心结构：
  • DataFrame（表格型数据结构）
  • Series（一维带标签数组）
• 典型操作：

  import pandas as pd
  data = pd.DataFrame({"A": [1, 2], "B": [3, 4]})
  print(data.describe())  # 统计摘要
  

3. Scikit-learn

• 定位：机器学习算法库
• 功能覆盖：
  • 分类、回归、聚类
  • 数据预处理（如标准化）
• 示例流程：

  from sklearn.ensemble import RandomForestClassifier
  model = RandomForestClassifier()
  model.fit(X_train, y_train)  # 训练模型
  

---

三、深度学习框架

1. TensorFlow

• 特点：
  • 谷歌开发，支持分布式训练
  • 生态完整（如 TensorBoard 可视化）
• 典型应用：

  import tensorflow as tf
  model = tf.keras.Sequential([
      tf.keras.layers.Dense(128, activation='relu')
  ])
  

2. PyTorch

• 特点：
  • 动态计算图（更灵活调试）
  • 学术界广泛使用
• 代码风格：

  import torch
  model = torch.nn.Linear(10, 2)
  output = model(torch.randn(3, 10))
  

---

四、测试框架

1. pytest

• 优势：
  • 简洁语法（如 assert 直接断言）
  • 丰富插件生态
• 示例测试：

  def test_addition():
      assert 1 + 1 == 2
  

---

五、网络爬虫框架

Scrapy

• 核心组件：
  • Spider（定义爬取规则）
  • Pipeline（数据清洗与存储）
• 工作流示例：

  import scrapy
  class BlogSpider(scrapy.Spider):
      name = 'blog'
      start_urls = ['https://example.com']
      
      def parse(self, response):
          titles = response.css('h2::text').getall()
          yield {"titles": titles}
  

---

选择建议

1. Web 开发：
   • 快速构建 → Django
   • 轻量 API → Flask / FastAPI
2. 数据分析：Pandas + NumPy
3. 深度学习：PyTorch（研究） / TensorFlow（生产）
4. 爬虫：Scrapy（结构化数据抓取）

通过框架组合，可高效应对不同场景需求。