这是我的第462篇原创文章。

一、引言

Python作为一门“ batteries-included ”（自带电池）的语言，其设计哲学之一就是提供丰富的内置功能。根据官方文档统计，Python标准库包含约200个模块，这些模块随Python解释器一同发布，无需额外安装即可使用。

二、如何区分标准库与第三方库？

区分的关键在于来源与分发方式：

1. 标准库

   由Python Software Foundation维护，集成在Python安装包中，位于Lib/目录下，可通过import直接使用。

2. 第三方库

   由社区或组织开发，需通过pip install等方式手动安装，存储于site-packages目录。

2.1 查看文件夹

判断方法如下：

import sys
print(sys.path)
# 查看导入路径，标准库位于Python安装根目录下的Lib中

结果：

2.2 代码判断

核心代码：

import sys
print(sys.stdlib_module_name)

结果：

进阶：

import sys

# Python 3.10+ 的标准库模块集合
stdlib_modules = sys.stdlib_module_names

# 判断某个模块是否为标准库
def is_stdlib(module_name):
    return module_name in stdlib_modules

# 示例
print(is_stdlib('os'))        # True
print(is_stdlib('numpy'))     # False
print(is_stdlib('requests'))  # False

三、区别

标准库 (Standard Library)：随 Python 解释器一起安装，无需额外下载。

特性	说明
安装	安装 Python 时自动包含
维护	Python 核心开发团队维护
稳定性	高度稳定，向后兼容性强
文档	官方文档 完整
导入	直接 import 使用

常用标准库示例

模块	用途
os/ sys	操作系统接口、系统参数
datetime	日期和时间处理
json/ csv	数据格式解析
re	正则表达式
collections	高级数据结构（如 Counter, deque）
itertools/ functools	函数式编程工具
urllib/ http	网络请求（基础）
sqlite3	嵌入式数据库
logging	日志记录
unittest	单元测试

标准库直接使用

import json
import datetime
data ={"time": datetime.datetime.now().isoformat()}
print(json.dumps(data, ensure_ascii=False))

第三方库 (Third-Party Libraries)：由社区或企业开发，需通过包管理工具单独安装。

特性	说明
安装	通过 pip、conda 等工具安装
维护	社区、公司或个人维护
更新频率	快，版本迭代频繁
生态	数量庞大（PyPI 上有 50万+ 包）
导入	先安装，再 import

常用第三方库示例

领域	代表库
Web 开发	Django, Flask, FastAPI
数据分析	NumPy, Pandas, Polars
机器学习	Scikit-learn, TensorFlow, PyTorch
网络请求	Requests, httpx, aiohttp
爬虫	Scrapy, BeautifulSoup4
异步编程	asyncio（标准库）+ aiohttp / celery
ORM	SQLAlchemy, Tortoise-ORM
环境管理	python-dotenv, pydantic-settings

安装第三方库

pip install requests pandas numpy

使用

import requests
import pandas as pd
response = requests.get("https://api.example.com/data")
df = pd.DataFrame(response.json())

四、核心对比

核心对比

维度	标准库	第三方库
获取成本	零（已内置）	需网络下载
功能覆盖	基础且通用	专业且丰富
性能优化	一般	常针对特定场景优化（如 NumPy 的 C 扩展）
依赖风险	无	存在版本冲突、弃用风险
代码体积	不增加体积	会增加部署包大小
安全审计	经过严格审查	需自行评估

如何选择？

1. 优先标准库：如果标准库能满足需求（如简单的文件操作、日期处理），优先使用，减少依赖。

2. 评估第三方库：当需要高性能、专业功能时（如科学计算、Web 框架），选择成熟、社区活跃的第三方库。

3. 平衡依赖：生产环境中，过多的第三方库会增加维护成本和安全风险，需权衡。

作者简介：

读研期间发表6篇SCI数据挖掘相关论文，现在某研究院从事数据算法相关科研工作，结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。需要数据集和源码的小伙伴可以关注底部公众号添加作者微信。