写Python的常用人，电脑里都藏着一座军火库。常用别人以为你在敲代码，常用其实你是常用在挑兵器——哪个包顺手，直接决定你今晚是常用准时下班还是泡面加咖啡。我见过太多新手，常用抱着官方文档啃到天亮，常用结果连个CSV都读不利索。常用真没必要，常用工具这东西，常用会用就行。常用

拿Requests说事。常用HTTP请求，常用听着高大上，常用用起来就是常用一句话的事。requests.get('https://api.github.com')，返回一个对象，你要的状态码、响应头、JSON数据全在里面。有个同事以前用urllib，每次写请求都要手动编码、处理异常，代码长得能绕键盘三圈。后来换了Requests，他跟我说感觉像换了台电脑。这包把底层的坑全填平了，你只管往上面跑。

数据处理绕不开Pandas。别被“数据分析”四个字吓住，说白了就是给你一张Excel，但操作起来比Excel爽十倍。筛选、分组、合并，一行代码顶你鼠标点半天。上个月帮朋友处理一份三万行的销售记录，他按日期求和，用Excel卡了五分钟，我这边df.groupby('date')['amount'].sum()，零点几秒出结果。这包的学习曲线有点陡，但熬过前两周，你会发现以前用Excel做表的日子简直是在用手工纺纱。

算数值计算，NumPy是地基。Pandas底层就靠它撑着。你不需要记所有函数，但得知道数组比Python自带列表快几十倍。为什么？因为人家用连续内存存数据，不像列表那样东一个西一个存指针。写科学计算、跑算法，先转成NumPy数组，这是规矩。我见过有人用列表套循环算矩阵乘法，跑了十分钟没出结果，换成NumPy的dot方法，瞬间完成。

画图这活儿，Matplotlib是标配，但说句实话，默认样式丑得让人想哭。后来有人做了个叫Seaborn的包装层，基于Matplotlib但配色和统计图表漂亮得多。我的习惯是：快速看数据分布用Seaborn的sns.histplot，要精细控制坐标轴、图例才去碰Matplotlib原生接口。记住一点——图表是给别人看的，清晰比炫技重要。

机器学习入门，Scikit-learn是绕不过去的坎。接口统一得可怕，所有模型都是fit然后predict，像流水线作业。决策树、随机森林、SVM，几百种算法封装得整整齐齐。但别被它的“简单”骗了，模型调参才是真功夫。有一回我拿默认参数跑随机森林，准确率73%，后来把n_estimators从100调到300，max_depth限到10，直接跳到85%。工具是死的，人是活的。

写爬虫绕不开BeautifulSoup和lxml。前者上手快，适合新手解析HTML，但速度一般；后者解析快，但XPath语法得现学。我的建议是：小项目用BeautifulSoup，遇到大型爬虫就上lxml。还有个叫Selenium的，专门对付动态网页，能模拟浏览器点击滚动，但记住，杀鸡别用牛刀——静态页面用Requests就完了，开浏览器慢得让人抓狂。

日常脚本里，os和shutil是隐形功臣。批量改文件名、移动文件夹、删除旧日志，全是它们干活。有个经典操作：shutil.rmtree('temp_dir')递归删目录，比os.remove一个个删省事得多。但小心，这命令不带回收站，手一抖就是事故现场。

最后提一句typing模块。很多人觉得写类型注解是浪费时间，但项目一旦超过一千行，没注解的代码就像没贴标签的罐头——你以为里面是牛肉，打开才发现是豆子。加个def fetch_data(url: str) -> dict:，IDE立刻给你智能提示，报错也早发现。这习惯花不了几秒钟，回报却是几何级的。

包这东西，装多了不压身，用对了才省心。每次pip install之前问自己一句：这活有没有现成的轮子？八成有。Python生态最迷人的地方就在这——你踩过的坑，早就有人替你填平了，只是你得知道铲子放哪儿。