2020年優(yōu)秀10款Python工具包，個個都是精品
2020已經過去，在過去的一年里，又有非常多優(yōu)秀的Python庫涌現出來。
相對于numpy、TensorFlow、pandas這些已經經過多年維護、迭代，對于大多數Python開發(fā)者耳熟能詳的庫不同。
今天要給大家介紹的是誕生于2020年的新鮮Python庫，而且，本文介紹的這10個Python庫一直都受到非常好的維護。
廢話不多說，下面開始本文的正式內容!
1. Typer
或許，你并非經常編寫 CLI 應用程序，但是當你編寫時，有可能會遇到很多障礙。
繼FastAPI的巨大成功之后，tiangolo用同樣的原則為我們帶來了Typer[1]：一個新的庫，它能讓你利用Python 3.6+的類型提示功能來編寫命令行接口。
這個設計確實讓Typer脫穎而出。除了確保你的代碼是正確的文檔，你還可以通過小小的改動得到一個帶有驗證的CLI接口。
而且通過使用類型提示，你可以在你的Python編輯器中獲得自動完成(比如VSCode)，這將提高你的工作效率。
為了增強它的功能，Typer在另外一款非常知名的CLI工具Click的基礎之上做了很多優(yōu)化和改善。這意味著它可以利用它的所有優(yōu)點、社區(qū)和插件，同時以較少的模板代碼開始簡單的工作。
2. Rich
順著CLI的話題，在使用終端時，往往是單調的白色，這非常不利于分辨和閱讀。
你想給你的終端輸出添加色彩和與眾不同的風格嗎?打印復雜的表格?顯示漂亮的進度條?Markdown?Emojis?
Rich[2]都能滿足你的要求。
請看示例截圖，了解一下它的功能。
3. Dear PyGui
雖然，正如我們所看到的，終端應用可以很好看，但有時這還不夠，你需要一個真正的GUI。
為此，Dear PyGui[3]應運而生，它是流行的Dear ImGui C++項目的Python移植。
Dear PyGui利用了在視頻游戲中流行的所謂即時模式范式。
這意味著動態(tài)GUI是一幀一幀獨立繪制的，不需要持久化任何數據。這使得這個工具與其他Python GUI框架有著本質上的區(qū)別。
它具有很高的性能，并使用計算機的GPU來促進高動態(tài)界面的構建，這在工程、模擬、游戲或數據科學應用中是經常需要的。
4. PrettyErrors
這是一個讓你覺得："怎么以前沒有人想到它?"的Python庫。
PrettyErrors[4]只做了一件事，而且做得很好。
在支持彩色輸出的終端中，它將混亂的報錯信息轉化為更適合我們人類的眼睛來解析的東西。
不再苦苦掃描整個屏幕，定位報錯信息......現在你可以一目了然地找到它。
5. Diagrams
我們程序員喜歡解決問題和編碼。
但有時，作為非常需要的項目文檔的一部分，我們需要向其他同事解釋復雜的架構設計。
傳統(tǒng)上，我們已經求助于GUI工具，我們可以在圖表和可視化上下功夫，把它放在演示和文檔中。
但這不是唯一的方式。
Diagrams[5]可以讓你不用任何設計工具，直接在Python代碼中繪制云系統(tǒng)架構。
只需要幾行代碼，就可以繪制一幅亮眼的架構圖。
6. Hydra and OmegaConf
在做機器學習項目的研究和實驗時，總有無數的設置需要嘗試。
在一些應用中，配置管理變得非常復雜。如果有一種結構化的方式來處理這種復雜性，會極大的提高開發(fā)效率。
Hydra[6]是一個工具，它允許你以可組合的方式構建配置，并從命令行或配置文件中覆蓋某些部分。
- python train_model.py variation=option_a,option_b
- ├── variation
- │ ├── option_a.yaml
- │ └── option_b.yaml
- ├── base.yaml
- └── train_model.py
另一款工具，OmegaConf[7]為分層配置系統(tǒng)的基礎提供了一致的API，支持YAML、配置文件、對象和CLI參數等不同來源。
7. PyTorch Lightning
每一個能夠提高數據科學團隊生產力的工具都是價值連城的。
沒有理由讓在數據科學項目中工作的人每次都要重新發(fā)明輪子，反復思考如何更好地組織項目中的代碼，使用一些不太好維護的 "PyTorch boilerplate"，或者用潛在的控制權換取使用更高級別的抽象。
Lightning[8]通過將科學與工程脫鉤，有助于提高生產力。它有點像TensorFlow的Keras，在某種意義上，它使你的代碼更加簡潔。
然而，它并沒有奪走你的控制權。它仍然是PyTorch，你可以使用所有常用的API。
這個庫可以幫助團隊利用軟件工程的良好實踐，圍繞組件的組織和明確的責任，構建高質量的代碼，可以輕松地擴展到多個GPU、TPU和CPU上進行訓練。
這個庫可以幫助數據科學團隊中那些初級成員產生更好的結果，同時，更有經驗的成員也會喜歡它，因為在不放棄控制權的前提下，提高了整體生產力。
8. Hummingbird
不是所有的機器學習都是深度學習。很多時候，你的模型由scikit-learn中實現的比較傳統(tǒng)的算法組成(比如隨機森林)，或者你使用梯度提升方法，比如流行的LightGBM和XGBoost。
然而，在深度學習領域正在發(fā)生很多變化。像PyTorch這樣的框架正在以令人窒息的速度前進，硬件設備也在優(yōu)化，以更快的速度和更低的功耗運行張量計算。如果我們能夠利用這些工作，更快、更高效地運行我們的傳統(tǒng)方法，豈不美哉?
這就是Hummingbird[9]的用武之地。
微軟的這個新庫可以將你訓練好的傳統(tǒng)ML模型編譯成張量計算。
這很好，因為它可以讓你擺脫重新設計模型的需要。
截至目前，Hummingbird支持轉換到PyTorch、TorchScript、ONNX和TVM，以及各種ML模型和矢量器。
9. HiPlot
幾乎每一位數據科學家在其職業(yè)生涯的某個階段都曾處理過高維數據。
不幸的是，人類的大腦并沒有足夠的能力直觀地處理這種數據，所以我們必須借助其他技術。
今年年初，Facebook發(fā)布了HiPlot[10]，這是一個幫助發(fā)現高維數據中的相關性和模式的庫，使用平行圖和其他圖形方式來表示信息。在他們的發(fā)布博文中解釋了這個概念，但基本上是一種很好的、方便的可視化和過濾高維數據的方法。
HiPlot是交互式的，可擴展的，你可以從你的標準Jupyter Notebooks或通過它自己的服務器使用它。
10. Scalene
隨著Python庫的生態(tài)系統(tǒng)越來越復雜，我們發(fā)現自己編寫了越來越多的依賴于C擴展和多線程代碼的代碼。
在對比性能時，這就成了一個問題，因為CPython內置的剖析工具不能正確處理多線程和本地代碼。
這時，Scalene[11]就來救場了。
Scalene是一個針對Python腳本的CPU和內存剖析工具，它能夠正確處理多線程代碼，并區(qū)分運行Python和本地代碼的時間。
你不需要修改你的代碼，你只需要用scalene從命令行運行你的腳本，它就會為你生成一個文本或HTML報告，顯示每行代碼的CPU和內存使用情況。
結語
一款好用的工具，能夠讓開發(fā)者事半功倍。
對于Python這種極度依賴第三方工具包的編程語言更是如此。
因為有了這些優(yōu)秀的工具，才使得Python生態(tài)得以完善和狀態(tài)。
