先来看一下 math 模块中包含内容，如下所示：
接下来具体看一下该模块的常用函数和常量。
ceil(x)
返回 x 的上限，即大于或者等于 x 的最小整数。看下示例：
floor(x)
返回 x 的向下取整，小于或等于 x 的最大整数。看下示例：
fabs(x)
返回 x 的绝对值。看下示例：
fmod(x, y)
返回 x/y 的余数，值为浮点数。看下示例：
factorial(x)
返回 x 的阶乘，如果 x 不是整数或为负数时则将引发 ValueError。看下示例：
pow(x, y)
返回 x 的 y 次幂。看下示例：
fsum(iterable)
返回迭代器中所有元素的和。看下示例：
gcd(x, y)
返回整数 x 和 y 的最大公约数。看下示例：
sqrt(x)
返回 x 的平方根。看下示例：
trunc(x)
返回 x 的整数部分。看下示例：
exp(x)
返回 e 的 x 次幂。看下示例：
log(x[, base])
返回 x 的对数，底数默认为 e。看下示例：
常量
tan(x)
返回 x 弧度的正切值。看下示例：
atan(x)
返回 x 的反正切值。看下示例：
sin(x)
返回 x 弧度的正弦值。看下示例：
asin(x)
返回 x 的反正弦值。看下示例：
cos(x)
返回 x 弧度的余弦值。看下示例：
acos(x)
返回 x 的反余弦值。看下示例：
decimal 模块为正确舍入十进制浮点运算提供了支持，相比内置的浮点类型 float，它能更加精确的控制精度，能够为精度要求较高的金融等领域提供支持。
decimal 在一个独立的 context 下工作，可以使用 getcontext() 查看当前上下文，如下所示：
从上面的结果中我们可以看到 prec=28，这就是默认的精度，我们可以使用 getcontext().prec = xxx 来重新设置精度。接下来通过具体示例看一下。
基本运算
执行结果：
上面结果是用了默认精度，我们重新设置下精度再来看一下：
执行结果：
random 模块可以生成随机数，我们来看一下其常用函数。
random()
返回 [0.0, 1.0) 范围内的一个随机浮点数。看下示例：
uniform(a, b)
返回 [a, b) 范围内的一个随机浮点数。看下示例：
randint(a, b)
返回 [a, b] 范围内的一个随机整数。看下示例：
randrange(start, stop[, step])
返回 [start, stop) 范围内步长为 step 的一个随机整数。看下示例：
choice(seq)
从非空序列 seq 返回一个随机元素。 看下示例：
shuffle(x[, random])
将序列 x 随机打乱位置。看下示例：
sample(population, k)
返回从总体序列或集合中选择的唯一元素的 k 长度列表，用于无重复的随机抽样。看下示例：
参考：
https://docs.python.org/3/library/numeric.html
1、系统内置模块
os模块：os模块包含普遍的操作系统功能
sys模块：提供了一系列有关Python运行环境的变量和函数
random模块：random模块用于生成随机数
time 模块: 主要包含各种提供日期、时间功能的类和函数
datetime模块：对time模块的一个高级封装
shutil模块：是一种高层次的文件操作工具
logging模块：将日志打印到了标准输出中
re模块：可以直接调用来实现正则匹配
pymysql模块：连接数据库,并实现简单的增删改查
threading模块：提供了更强大的多线程管理方案
queue模块：实现了多生产者,多消费者的队列
json模块：用于字符串和数据类型间进行转换json
2、开源(三方)模块
Requests：最富盛名的http库。每个Python程序员都应该有它。
Scrapy：从事爬虫相关的工作，这个库也是必不可少的。
NumPy：为Python提供了很多高级的数学方法。
matplotlib：一个绘制数据图的库。对于数据分析师非常有用。
Pygame：开发2D游戏的时候可以用上 。
Scapy：用Python写的数据包探测和分析库。
Django：开源Web开发框架，它鼓励快速开发,并遵循MVC设计，开发周期短。
Py2exe：将python脚本转换为windows上可以独立运行的可执行程序。
BeautifulSoup：基于Python的HTML/XML解析器，简单易用。
PyGtk：基于Python的GUI程序开发GTK+库。
3、自定义模块
自定义模块是自己写的模块，对某段逻辑或某些函数进行封装后供其他函数调用。
注意：自定义模块的命名一定不能和系统内置的模块重名了，否则将不能再导入系统的内置模块了。
例如：自定义了一个sys.py模块后，再想使用系统的sys模块是不能使用的。
1. NumpyPython没有提供数组功能，Numpy可以提供数组支持以及相应的高效处理函数，是Python数据分析的基础，也是SciPy、Pandas等数据处理和科学计算库最基本的函数功能库，且其数据类型对Python数据分析十分有用。
2. Pandas
Pandas是Python强大、灵活的数据分析和探索工具，包含Series、DataFrame等高级数据结构和工具，安装Pandas可使Python中处理数据非常快速和简单。
3. SciPy
SciPy是一组专门解决科学计算中各种标准问题域的包的集合，包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算等，这些对数据分析和挖掘十分有用。
4. Matplotlib
Matplotlib是强大的数据可视化工具和作图库，是主要用于绘制数据图表的Python库，提供了绘制各类可视化图形的命令字库、简单的接口，可以方便用户轻松掌握图形的格式，绘制各类可视化图形。
5. Scikit-Learn
Scikit-Learn是Python常用的机器学习工具包，提供了完善的机器学习工具箱，支持数据预处理、分类、回归、聚类、预测和模型分析等强大机器学习库，其依赖于Numpy、Scipy和Matplotlib等。
6. Keras
Keras是深度学习库，人工神经网络和深度学习模型，基于Theano之上，依赖于Numpy和Scipy，利用它可以搭建普通的神经网络和各种深度学习模型，如语言处理、图像识别、自编码器、循环神经网络、递归审计网络、卷积神经网络等。
7. Gensim
Gensim是用来做文本主题模型的库，常用于处理语言方面的任务，支持TF-IDF、LSA、LDA和Word2Vec在内的多种主题模型算法，支持流式训练，并提供了诸如相似度计算、信息检索等一些常用任务的API接口。
8. Scrapy
Scrapy是专门为爬虫而生的工具，具有URL读取、HTML解析、存储数据等功能，可以使用Twisted异步网络库来处理网络通讯，架构清晰，且包含了各种中间件接口，可以灵活的完成各种需求。更多python技术，推荐关注老男孩教育。
