# 示例代碼
message = "Hello, World!"
print(message)
# 使用場景
# 當你需要在控制臺輸出信息時使用。

# 示例代碼
my_list = [1, 2, 3, 4, 5]
length = len(my_list)
print(f"The length of the list is: {length}")
# 使用場景
# 當你需要知道容器（如列表、字典、字符串等）中元素的數量時使用。

# 示例代碼
data = 42
print(type(data))  # 輸出:
# 使用場景
# 當你需要檢查變量或對象的數據類型時使用。

# 示例代碼
number_str = "100"
number_int = int(number_str)
number_float = float(number_str)
print(f"Integer: {number_int}, Float: {number_float}")  # 輸出: Integer: 100, Float: 100.0
# 使用場景
# 當你需要將數據從一種類型轉換為另一種類型時使用。

# 示例代碼
name = input("Please enter your name: ")
print(f"Hello, {name}!")
# 使用場景
# 當你需要從用戶那里獲取輸入時使用。

# 示例代碼
for i in range(5):
    print(i)  # 輸出: 0 1 2 3 4
# 使用場景
# 當你需要生成一系列連續的數字，通常用于循環計數時使用。

# 示例代碼
numbers_list = list(range(5))
numbers_tuple = tuple(numbers_list)
numbers_set = set(numbers_list)
numbers_dict = dict(enumerate(numbers_list))
print(f"List: {numbers_list}")
print(f"Tuple: {numbers_tuple}")
print(f"Set: {numbers_set}")
print(f"Dict: {numbers_dict}")
# 使用場景
# 當你需要創建特定類型的容器時使用。

# 示例代碼
unsorted_list = [5, 2, 9, 1, 5, 6]
sorted_list = sorted(unsorted_list)
print(sorted_list)  # 輸出: [1, 2, 5, 5, 6, 9]
# 使用場景
# 當你需要對可迭代對象進行排序時使用。

# 示例代碼
numbers = [5, 2, 9, 1, 5, 6]
print(f"Max: {max(numbers)}, Min: {min(numbers)}")  # 輸出: Max: 9, Min: 1
# 使用場景
# 當你需要找到序列中的最大值或最小值時使用。

# 示例代碼
numbers = [5, 2, 9, 1, 5, 6]
total = sum(numbers)
print(f"Sum: {total}")  # 輸出: Sum: 28
# 使用場景
# 當你需要計算所有元素的總和時使用。

# 示例代碼
def square(x):
    return x * x
numbers = [1, 2, 3, 4]
squared_numbers = map(square, numbers)
print(list(squared_numbers))  # 輸出: [1, 4, 9, 16]
# 使用場景
# 當你需要將一個函數應用于可迭代對象中的每個元素并返回結果時使用。

# 示例代碼
def is_even(x):
    return x % 2 == 0
numbers = [1, 2, 3, 4, 5, 6]
even_numbers = filter(is_even, numbers)
print(list(even_numbers))  # 輸出: [2, 4, 6]
# 使用場景
# 當你需要篩選出滿足條件的元素時使用。

# 示例代碼
names = ["Alice", "Bob", "Charlie"]
ages = [25, 30, 35]
pairs = zip(names, ages)
print(list(pairs))  # 輸出: [('Alice', 25), ('Bob', 30), ('Charlie', 35)]
# 使用場景
# 當你需要將多個可迭代對象中的元素配對時使用。

# 示例代碼
with open('example.txt', 'w') as file:
    file.write("This is a test.")
# 使用場景
# 當你需要讀寫文件時使用。

# 示例代碼
help(str.split)  # 顯示關于str.split的幫助文檔
# 使用場景
# 當你需要查看某個對象或模塊的幫助文檔時使用。

# 示例代碼
print(dir(str))  # 列出字符串類的所有屬性和方法
# 使用場景
# 當你想知道一個對象有哪些屬性和方法時使用。

import numpy as np
# 創建一個數組
array = np.array([1, 2, 3, 4, 5])
print(array)  # 輸出: [1 2 3 4 5]
# 使用場景
# NumPy 是用于科學計算的基礎庫，特別適用于處理大量數值數據。
# 它提供了高效的多維數組對象和各種操作這些數組的函數。

import pandas as pd
# 創建一個簡單的DataFrame
data = {'Name': ['John', 'Anna', 'Peter'], 'Age': [28, 24, 35]}
df = pd.DataFrame(data)
print(df)
# 使用場景
# Pandas 提供了強大的數據結構（如DataFrame）來處理和分析結構化數據。
# 它非常適合于數據分析、數據清洗和數據預處理。

import matplotlib.pyplot as plt
# 繪制一個簡單的折線圖
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
plt.plot(x, y)
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Simple Line Plot')
plt.show()
# 使用場景
# Matplotlib 是一個非常強大的繪圖庫，可以用來創建靜態、動態及交互式的可視化圖表。
# 它廣泛應用于科研論文、報告等需要高質量圖形的地方。

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
# 加載數據集
iris = datasets.load_iris()
X, y = iris.data, iris.target
# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 創建并訓練KNN分類器
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)
# 預測
predictions = knn.predict(X_test)
print(predictions)
# 使用場景
# Scikit-learn 是一個簡單而有效的機器學習庫，包含了大量的監督和無監督學習算法。
# 它常被用于快速原型設計和實現機器學習模型。

這里以 TensorFlow 為例：
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# 構建一個簡單的神經網絡模型
model = Sequential([
    Dense(10, activatinotallow='relu', input_shape=(784,)),
    Dense(10, activatinotallow='softmax')
])
# 編譯模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
# 打印模型概述
model.summary()
# 使用場景
# TensorFlow 和 PyTorch 是兩個主流的深度學習框架，支持構建復雜的神經網絡模型。
# 它們廣泛應用于圖像識別、自然語言處理等領域。

import requests
# 發送GET請求
response = requests.get('https://api.github.com')
print(response.status_code)  # 輸出狀態碼
print(response.json())  # 輸出響應內容為JSON格式
# 使用場景
# Requests 庫使得發送HTTP請求變得非常容易。
# 它常用于與Web API進行交互，比如獲取或提交數據。

from bs4 import BeautifulSoup
import requests
# 獲取網頁內容
url = 'http://example.com'
page = requests.get(url).text
soup = BeautifulSoup(page, 'html.parser')
# 查找所有的鏈接
links = soup.find_all('a')
for link in links:
    print(link.get('href'))
# 使用場景
# Beautiful Soup 用于解析HTML和XML文檔，從中提取信息。
# 它經常被用在網頁抓取和數據挖掘項目中。

這里以 Flask 為例：
from flask import Flask, render_template
app = Flask(__name__)
@app.route('/')
def home():
    return "Hello, World!"
if __name__ == '__main__':
    app.run(debug=True)
# 使用場景
# Flask 和 Django 是Python的Web框架，用于快速開發Web應用。
# Flask 更輕量級且靈活，適合小型項目；Django 功能更全面，適合大型應用。

from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmaker
Base = declarative_base()
class User(Base):
    __tablename__ = 'users'
    id = Column(Integer, primary_key=True)
    name = Column(String)
    age = Column(Integer)
engine = create_engine('sqlite:///example.db')
Base.metadata.create_all(engine)
Session = sessionmaker(bind=engine)
session = Session()
# 添加新用戶
new_user = User(name='Alice', age=30)
session.add(new_user)
session.commit()
# 查詢所有用戶
users = session.query(User).all()
for user in users:
    print(user.name, user.age)
# 使用場景
# SQLAlchemy 是一個ORM工具，它允許開發者通過類來定義數據庫表，并以面向對象的方式操作數據庫。
# 它簡化了數據庫操作，提高了代碼的可讀性和維護性。

from scipy.optimize import minimize
# 定義目標函數
def objective(x):
    return x[0]**2 + x[1]**2
# 初始猜測值
x0 = [2, 3]
# 最小化目標函數
result = minimize(objective, x0)
print(result.x)  # 輸出最小值對應的x
# 使用場景
# SciPy 包含了許多科學計算中常用的數學算法，如優化、積分、插值等。
# 它是科學計算領域的一個重要工具。

pip install pillow

from PIL import Image, ImageFilter, ImageDraw, ImageFont
# 打開一張圖片
image = Image.open("example.jpg")
# 顯示圖片
image.show()
# 轉換圖片模式
gray_image = image.convert("L")
gray_image.show()
# 應用濾鏡
blurred_image = image.filter(ImageFilter.BLUR)
blurred_image.show()
# 縮放圖片
resized_image = image.resize((100, 100))
resized_image.show()
# 旋轉圖片
rotated_image = image.rotate(90)
rotated_image.show()
# 在圖片上繪制文字
draw = ImageDraw.Draw(image)
font = ImageFont.truetype("arial.ttf", 24)
draw.text((10, 10), "Hello, Pillow!", fnotallow=font, fill=(255, 0, 0))
# 保存處理后的圖片
image.save("output.jpg")
# 使用場景
# Pillow 適用于需要進行圖像處理的各種應用，如圖像編輯軟件、網站中的圖片處理等。
# 它可以讀取和寫入多種圖像格式，并提供了豐富的圖像處理功能。

pip install opencv-python

import cv2
import numpy as np
# 讀取圖片
image = cv2.imread("example.jpg")
# 顯示圖片
cv2.imshow("Original Image", image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 轉換成灰度圖
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("Gray Image", gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 應用高斯模糊
blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0)
cv2.imshow("Blurred Image", blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 邊緣檢測
edges = cv2.Canny(blurred_image, 50, 150)
cv2.imshow("Edges", edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 保存處理后的圖片
cv2.imwrite("output_edges.jpg", edges)
# 捕捉攝像頭視頻
cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    if not ret:
        break
    # 顯示每一幀
    cv2.imshow("Video Capture", frame)
    # 按 'q' 鍵退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()
# 使用場景
# OpenCV 廣泛應用于計算機視覺任務，包括圖像處理、視頻分析、物體檢測、人臉識別等。
# 它在科研、工業自動化、安全監控等領域都有廣泛應用。