Python 常用第三方库，PP 根据工作经验分了下类，仅供参考：
后端框架类、办公类、数据分析类、爬虫类、GIS 类、人工智能类等。
一、后端框架类
1、Django
Django 是 Python 中最为流行的 Web 框架之一，它提供了完整的 Web 开发支持，包括 ORM、模板引擎、路由、中间件等功能。
2、Flask
Flask 是 Python 中最为常用的 Web 框架之一，它提供了轻量级的 Web 开发支持，同时也支持 RESTful API 的开发。
3、FastAPI
FastAPI 是一个用于构建 API 的现代、快速（高性能）的 web 框架，使用 Python 3.8+ 并基于标准的 Python 类型提示。
二、办公类
1、openpyxl
openpyxl 是一个处理 Microsoft Excel 文档的 Python 第三方库，它支持读写的 Excel 的 xls、xlsx、xlsm、xltx、xltm 等格式文件，并进一步处理 Excel 文件中的工作表、表单和数据单元。
2、xlrd
xlrd 模块可以用于读取 Excel 的数据，速度非常快，推荐使用！
3、xlwt
xlwt 可以用于写入新的 Excel 表格或者在原表格基础上进行修改，速度也很快，但是只支持 xls 格式！
4、xlutils
xlutils 可用于拷贝原 excel 或者在原 excel 基础上进行修改，并保存。
三、数据分析类
1、numpy
numpy 是 Python 的一种开源数值计算扩展第三方库，用于处理数据类型相同的多维数组（ndarray），简称“数组”。这个库可用来存储和处理大型矩阵，比 Python 语言提供的列表结构要高效的多。
2、pandas
pandas 是基于 numpy 扩展的第一个重要的第三方库，它是为解决数据分析任务创建的。提供了一批标准的数据模型和大量快速便捷处理数据的函数和方法，提供了高效地操作大型数据集所需的工具。
3、scipy
scipy 是一款方便、易用、转为科学和工程设计的 Python 工具包，是在 numpy 库的基础上增加了众多的数学、科学以及工程计算中常用的库函数。
4、Matplotlib
Matplotlib 是 Python 中最常用的绘图库之一，它可以生成各种类型的统计图表，如折线图、散点图、柱状图等，支持各种格式的输出。
四、爬虫类
1、Requests
Requests 是 Python 中最为常用的 HTTP 库之一，它提供了简洁的 API，使得开发者可以轻松地进行 HTTP 请求的发送和处理。
2、Httpx
Httpx 是 Python 3 的全功能 HTTP 客户端，它提供同步和异步 API，并支持 HTTP/1.1 和 HTTP/2。
3、Scrapy
Scrapy 是 Python 中最为常用的爬虫框架之一，它提供了完整的爬虫开发支持，包括 HTTP 请求、数据解析、数据存储等功能。
4、Beautiful Soup
Beautiful Soup 是 Python 中最为常用的 HTML 解析库之一，它可以将 HTML 文档解析为 Python 对象，使得开发者可以更加方便地进行数据解析和数据提取。
5、Playwright
Playwright 是微软在 2020 年初开源的新一代自动化测试工具，它的功能类似于 Selenium、Pyppeteer 等，都可以驱动浏览器进行各种自动化操作。它的功能也非常强大，对市面上的主流浏览器都提供了支持，API 功能简洁又强大。虽然诞生比较晚，但是现在发展得非常火热。
6、DrissionPage
DrissionPage 是基于 python 的网页自动化工具。既能控制浏览器，也能收发数据包。可兼顾浏览器自动化的便利性和 requests 的高效率。功能强大，内置无数人性化设计和便捷功能。语法简洁而优雅，代码量少。
五、GIS 类
1、GDAL
GDAL 是读写大量的栅格空间数据格式的广泛应用的开源库。
2、shapefile
shapefile 是 GIS 中非常重要的一种数据类型，在 ArcGIS 中被称为要素类 (Feature Class)，主要包括点(point)、线(polyline) 和多边形(polygon)。
3、shapely
shapely 是专门做图形计算的包，基本上图形线段，点的判断包里都有，实现的几何对象的基本类型是点、曲线和曲面。
六、人工智能类
1、TensorFlow
TensorFlow 提供了深度学习相关的算法和工具，例如神经网络、卷积神经网络、循环神经网络等，是人工智能领域中广泛使用的库。
2、PyTorch
PyTorch 是 Facebook 开发的机器学习框架，它也支持各种深度学习算法的实现和封装，同时也提供了一些高层次的 API，使得开发者可以更加轻松地使用 PyTorch 进行深度学习。
欢迎大家补充~
