Python 模組懶人包：內建、標準函式庫、第三方模組
當您開始學習 Python 時，可能會對「內建」、「標準函式庫」、「第三方模組」這些名詞感到困惑。它們有什麼區別？哪些可以直接使用，哪些需要 import，哪些又需要先安裝？本文將為您詳細解答，並提供常用的列表。
內建 (Built-in) - 不用 import
Python 內建了許多功能，這些功能是語言的核心部分，您可以直接使用，無需任何額外的導入操作。
基本資料型別 (Data Types)
int(整數)float(浮點數)str(字串)bool(布林值)list(串列)tuple(元組)dict(字典)set(集合)NoneType(None)
內建函數 (Built-in Functions)
以下列出一些常用的內建函數 (並非全部)：
| 類別 | 函數 |
|---|---|
| 數值運算 | abs(), max(), min(), sum(), round(), pow() |
| 型別轉換 | int(), float(), str(), bool(), list(), tuple(), dict(), set() |
| 輸出入 | print(), input() |
| 序列/集合操作 | len(), sorted(), reversed(), all(), any() |
| 迭代相關 | range(), enumerate(), zip(), map(), filter() |
| 檔案 | open() |
| 其他 | type(), help(), dir(), id(), isinstance() |
內建常數 (Built-in Constants)
TrueFalseNone
運算子 (Operators)
- 算術運算子：
+,-,*,/,//,%,** - 比較運算子：
==,!=,>,<,>=,<= - 邏輯運算子：
and,or,not - 賦值運算子：
=,+=,-=,*=,/=,//=,%=,**= - 成員運算子：
in,not in - 身分運算子:
is,is not - 位元運算子:
&,|,^,~,<<,>>
流程控制 (Flow Control)
if,elif,elsefor,whilebreak,continuepass
例外處理
-
try,except,finally,raise
標準函式庫 (Standard Library) - 需要 import
Python 標準函式庫包含了大量的模組，提供了各種功能，但這些模組 *需要* 使用 import 語句導入後才能使用。
以下列出一些常用的標準函式庫模組：
| 模組 | 功能 |
|---|---|
math | 數學函數 |
random | 產生隨機數 |
datetime | 處理日期和時間 |
os | 作業系統相關功能 |
sys | 系統相關功能 |
re | 正規表達式 |
json | 處理 JSON 資料 |
csv | 讀寫 CSV 檔案 |
collections | 提供額外的資料結構 |
itertools | 迭代器相關工具 |
functools | 高階函數 |
urllib | 處理 URL (通常會用第三方模組 requests 取代) |
unittest | 單元測試 |
argparse | 命令列參數解析 |
logging | 日誌 |
範例：
import math
print(math.sqrt(16)) # 使用 math 模組中的 sqrt 函數
import random
print(random.randint(1, 10)) # 產生 1 到 10 之間的隨機整數
常用第三方模組 (Third-party Modules) - 需要 import (通常需要先安裝)
第三方模組是由 Python 社群開發者編寫的，提供了更多更專門的功能。使用前通常需要先安裝 (例如使用 pip install module_name)，然後再 import。
以下是最受歡迎且用途廣泛的第三方模組 (Colab 中許多已預先安裝)：
| 模組名稱 | 功能 | 應用範圍 |
|---|---|---|
| NumPy | 提供高效的多維陣列物件和數學函數，進行數值運算。 | 科學計算、數據分析、機器學習 (底層基礎) |
| Pandas | 提供 DataFrame 物件，用於資料處理和分析，類似 Excel 試算表。 | 資料清理、轉換、分析、探索性資料分析 (EDA) |
| Matplotlib | Python 的基礎繪圖函式庫，可繪製各種靜態、互動式圖表。 | 資料視覺化、科學繪圖、數據分析 |
| Seaborn | 基於 Matplotlib，提供更高階的 API 和美觀的預設樣式。 | 統計圖表、資料視覺化、探索式資料分析 |
| Scikit-learn | 提供各種機器學習演算法和工具，用於分類、迴歸、聚類、降維等。 | 機器學習、模型訓練、預測、模式識別 |
| Requests | 簡化 HTTP 請求 (GET, POST 等) 的發送，方便與網站和 API 互動。 | 網路爬蟲、API 測試、Web 服務互動 |
| BeautifulSoup | 用於解析 HTML 和 XML 文件，方便從網頁中提取資料。 | 網路爬蟲、資料清理 (HTML 格式) |
| Flask/FastAPI | 輕量級的 Web 框架，用於快速建立網站和 API。 | 小型網站、RESTful API、快速原型開發 |
| TensorFlow/PyTorch | 深度學習框架，用於建立和訓練神經網路模型。 | 深度學習、影像辨識、自然語言處理、強化學習 |
| gspread | 輕鬆讀寫 Google Sheet。 | 自動化 Google Sheet 操作 |
| openpyxl | 讀寫 Excel 檔案。 | 自動化 Excel 操作 |
| yfinance | 取得Yahoo Finance 股票資料。 | 金融數據分析 |
| TA-Lib | 計算技術指標。 | 量化交易、金融數據分析 |
| mplfinance | 繪製金融圖表(K線圖)。 | 金融數據可視化 |
範例 (Colab 環境)：
# Colab 中通常已預先安裝 NumPy, Pandas, Matplotlib
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 建立 NumPy 陣列
arr = np.array([1, 2, 3])
print(arr)
# 建立 Pandas DataFrame
data = {'col1': [1, 2], 'col2': [3, 4]}
df = pd.DataFrame(data)
print(df)
# 繪製簡單的折線圖
plt.plot([1, 2, 3], [4, 5, 6])
plt.show()
# 如果需要安裝其他模組 (例如 Requests)
# !pip install requests # 在 Colab 的程式碼儲存格中執行
import requests
response = requests.get('https://www.example.com')
print(response.status_code)
總結
Python 提供了豐富的功能，包括內建功能、標準函式庫和第三方模組。了解它們之間的區別，以及何時需要 import，是 Python 程式設計的基礎。 隨著您學習的深入，您會越來越熟悉這些工具，並能更有效地利用 Python 來解決各種問題。