2020已經(jīng)過去，在過去的一年里，又有非常多優(yōu)秀的Python庫涌現(xiàn)出來。

[[375292]]

相對于numpy、TensorFlow、pandas這些已經(jīng)經(jīng)過多年維護、迭代，對于大多數(shù)Python開發(fā)者耳熟能詳?shù)膸觳煌?/p>

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(nèi)容!

1. Typer

或許，你并非經(jīng)常編寫 CLI 應(yīng)用程序，但是當(dāng)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(shè)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(chǔ)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(diào)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(fēng)格嗎?打印復(fù)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(yīng)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(yīng)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(shù)據(jù)。這使得這個工具與其他Python GUI框架有著本質(zhì)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(gòu)建，這在工程、模擬、游戲或數(shù)據(jù)科學(xué)應(yīng)用中是經(jīng)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(zhuǎn)化為更適合我們?nèi)祟惖难劬斫馕龅臇|西。

不再苦苦掃描整個屏幕，定位報錯信息......現(xiàn)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(fù)雜的架構(gòu)設(shè)計。

傳統(tǒng)上，我們已經(jīng)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(shè)計工具，直接在Python代碼中繪制云系統(tǒng)架構(gòu)。

只需要幾行代碼，就可以繪制一幅亮眼的架構(gòu)圖。

6. Hydra and OmegaConf

在做機器學(xué)習(xí)項目的研究和實驗時，總有無數(shù)的設(shè)置需要嘗試。

在一些應(yīng)用中，配置管理變得非常復(fù)雜。如果有一種結(jié)構(gòu)化的方式來處理這種復(fù)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(gòu)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(chǔ)提供了一致的API，支持YAML、配置文件、對象和CLI參數(shù)等不同來源。

7. PyTorch Lightning

每一個能夠提高數(shù)據(jù)科學(xué)團隊生產(chǎn)力的工具都是價值連城的。

沒有理由讓在數(shù)據(jù)科學(xué)項目中工作的人每次都要重新發(fā)明輪子，反復(fù)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(quán)換取使用更高級別的抽象。

Lightning[8]通過將科學(xué)與工程脫鉤，有助于提高生產(chǎn)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(quán)。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(zé)任，構(gòu)建高質(zhì)量的代碼，可以輕松地擴展到多個GPU、TPU和CPU上進行訓(xùn)練。

這個庫可以幫助數(shù)據(jù)科學(xué)團隊中那些初級成員產(chǎn)生更好的結(jié)果，同時，更有經(jīng)驗的成員也會喜歡它，因為在不放棄控制權(quán)的前提下，提高了整體生產(chǎn)力。

8. Hummingbird

不是所有的機器學(xué)習(xí)都是深度學(xué)習(xí)。很多時候，你的模型由scikit-learn中實現(xiàn)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(xué)習(xí)領(lǐng)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(shè)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(xùn)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(shè)計模型的需要。

截至目前，Hummingbird支持轉(zhuǎn)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(shù)據(jù)科學(xué)家在其職業(yè)生涯的某個階段都曾處理過高維數(shù)據(jù)。

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(shù)據(jù)，所以我們必須借助其他技術(shù)。

今年年初，F(xiàn)acebook發(fā)布了HiPlot[10]，這是一個幫助發(fā)現(xiàn)高維數(shù)據(jù)中的相關(guān)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(shù)據(jù)的方法。

HiPlot是交互式的，可擴展的，你可以從你的標(biāo)準(zhǔn)Jupyter Notebooks或通過它自己的服務(wù)器使用它。

10. Scalene

隨著Python庫的生態(tài)系統(tǒng)越來越復(fù)雜，我們發(fā)現(xiàn)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(nèi)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(nèi)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(nèi)存使用情況。

結(jié)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)。