在非 SQL 部分中, Python 的标准 pickle 模块提供了一个简单的对象持久化系统-它允许程序轻松地将整个 Python 对象保存和还原到文件和类似文件的对象。在 Web 上, 您还可以找到名为 ZODB 和 Durus 的第三方开源系统, 为 Python 脚本提供完整的面向对象的数据库系统;其他, 如 SQLObject 和 SQLAlchemy, 实现对象关系映射器 (ORMs), 将 Python 的类模型移植到关系表上;PyMongo 是 MongoDB 的一个接口, 它是一种高性能、非 SQL、开放源码的 JSON 样式文档数据库, 它将数据存储在结构非常类似于 python 自己的列表和字典中, 其文本可以使用 python 自己的标准库 json 模块进行分析和创建。
此外, 其他系统还提供了更专业的方法来存储数据, 包括在 Google App 引擎中使用数据存储, 通过 Python 类来建模和提供广泛的可扩展性, 以及其他新兴云存储选项, 如 Azure、PiCloud、OpenStack 和 Stackato。
Rapid Prototyping (快速原型)对于 python 程序, 用 python 和 C 编写的组件看起来是一样的。因此, 最初可以在 Python 中原型系统, 然后将所选组件移动到编译语言 (如 c 或 c++) 以进行传递。与某些原型工具不同, Python 在原型凝固后不需要完全重写。不需要 C + + 等语言效率的系统部分可以保持在 Python 中编码, 便于维护和使用。
Numeric and Scientific Programmingpython 在数字编程中也被大量使用, 这是一种传统上不被认为是脚本语言范围的领域, 但已经发展成为 python 最引人注目的用例之一。这里突出的是, 前面提到的 Python 的 NumPy 高性能数字编程扩展包括诸如数组对象的高级工具、标准数学库的接口等等。通过将 python 与以编译语言编码的数字例程集成为速度, NumPy 将 python 转换为复杂而易于使用的数字编程工具, 通常可以替换传统编译语言 (如 FORTRAN 或 C++) 编写的现有代码。
Python 支持动画、3D 可视化、并行处理等其他数字工具。例如, 流行的 SciPy 和 ScientificPython 扩展提供了更多的科学编程工具库, 并将 NumPy 作为核心组件使用。Python 的 PyPy 实现也在数字领域中得到了牵引, 部分原因是此域中常见的排序的大量算法代码可以在 PyPy 中快速运行, 通常速度快10X 到 100X。
Gaming, Images, Data Mining, Robots, Excel 等Python 通常应用在更多的域中, 而不是可以在这里覆盖。例如, 您将找到允许您使用 Python 执行以下操作的工具:
游戏编程和多媒体：pygame, cgkit, pyglet, PySoy, Panda3D, ...
通过 PySerial 扩展, 在 Windows、Linux 和更多端口上进行串口通信
使用 PyRo 工具包进行机器人控制编程
使用 NLTK 包进行自然语言分析
树莓派 (Raspberry Pi) 和 Arduino 板上的仪器仪表工具
移动 (Mobile) 计算: Python 端口到谷歌 Android 和苹果 iOS 平台
Excel 电子表格功能和宏编程: PyXLL 或 DataNitro 加载项
媒体文件内容和元数据标签处理 (Media file content and metadata tag processing): PyMedia, ID3, PIL/Pillow 等
人工智能: PyBrain 神经网络库和 Milk 机器学习工具包
专家系统: PyCLIPS, Pyke, Pyrolog, pyDatalog
网络监视 (Network monitoring): zenoss, 使用 Python 进行编写和自定义
Python 脚本设计和建模: PythonCAD、PythonOCC、FreeCAD 和其他
文件处理和生成 (Document processing and generation): ReportLab, Sphinx, Cheetah, PyPDF 等等
使用 Mayavi、matplotlib、VTK、VPython 等进行数据可视化
xml 分析: xml 库包、xmlrpclib 模块和第三方扩展
JSON, CSV 文件处理: json and csv modules
数据挖掘: 使用 Orange 框架、Pattern bundle、Scrapy 和自定义代码