2020年10個不錯的Python庫
這是第六屆年度 Python 庫排行榜。這個排行榜的依據(jù)是什么？規(guī)則很簡單。我們尋找的庫需要滿足下列條件：
它們是在 2020 年推出或普及的。
它們從發(fā)布后就一直有良好的維護。
它們非常炫酷，很值得一看。
免責聲明：今年，我們的選擇受到機器學習 / 數(shù)據(jù)科學庫的極大影響，雖然有些庫對非數(shù)據(jù)科學家來說確實很有用。另外，盡管我們有 10 個主要的精選（以及一個獎勵），但我們還是決定增加一個新的“榮譽提名”部分，以便公平對待我們發(fā)現(xiàn)但又不能遺漏的其他庫。
1.Typer
你不必總是要編寫 CLI 應用程序，但是在編寫 CLI 時，最好是無障礙的體驗。繼 FastAPI 巨大成功之后，Sebastián Ramírez 用同樣的原則為我們帶來了 Typer：一個新的庫，通過利用 Python 3.6+ 的類型提示功能，可以編寫命令行界面。
這個設計確實使 Typer 脫穎而出。除確保你的代碼被正確地記錄下來外，你還可以通過最少的努力來獲得一個帶有驗證的 CLI 接口。使用類型提示，你可以在 Python 編輯器中獲得自動完成功能（比如 VSCode），從而提高工作效率。
為增強 Typer 功能，它的內(nèi)部是基于 Click 開發(fā)的，Click 是非常著名的，并且已經(jīng)通過了實戰(zhàn)檢驗。這意味著，它可以利用其所有的優(yōu)點、社區(qū)和插件，同時用較少的樣板代碼從簡單的開始，并在需要時添加更多的復雜性。
一如既往，它的文檔真的很出色，可以作為其他項目的典范。這絕對是不容錯過的作品。
GitHub 項目地址：https://github.com/tiangolo/typer
2. Rich
接著 CLI 的話題，誰說終端應用程序必須是單調(diào)的白色，如果你是一個真正的 hacker，就必須是綠色的？那黑色呢？
你想為你的終端輸出加上顏色和樣式嗎？在一瞬間打開復雜的表格？輕松地展示華麗的進度條？Markdown？Emojis？Rich 都能滿足你的要求。請看下面的截圖，來了解一下它的功能。
毫無疑問，這個庫將終端應用的使用體驗提高到了一個全新的水平。
GitHub 項目地址：https://github.com/willmcgugan/rich
3. Dear PyGui
就像我們看到的那樣，終端應用可以做到很華麗，但有時候這還不夠，你需要一個真正的 GUI。為此，Dear PyGui 應運而生，它是流行的 Dear ImGui C++ 項目的 Python 移植。
Dear PyGui 使用了一種被稱為即時模式的范例，它在電子游戲中很流行。這基本上意味著動態(tài) GUI 是逐幀獨立繪制的，無需持久化任何數(shù)據(jù)。這樣，這個工具與其他 Python GUI 框架就有了本質(zhì)上的區(qū)別。它性能優(yōu)異，并用計算機的 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)科學應用中是經(jīng)常需要的。
不需要非常陡峭的學習曲線，Dear PyGui 就能使用，并且可以在 Windows 10（DirectX 11）、Linux（OpenGL 3）和 MacOS（Metal）上運行。
GitHub 項目地址：https://github.com/hoffstadt/DearPyGui
4. PrettyErrors
簡單的樂趣。這是讓你思考的庫之一：為什么以前沒有人想到這個問題？
PrettyErrors 只做一件事，而且做到了極致。在支持彩色輸出的終端中，它將隱秘的棧跟蹤轉(zhuǎn)換為更適合人類眼睛解析的東西。再也不用掃描整個屏幕來尋找異常的罪魁禍首了……現(xiàn)在，你就可以一眼發(fā)現(xiàn)它！
GitHub 項目地址：https://github.com/onelivesleft/PrettyErrors
5. Diagrams
我們程序員喜歡解決問題和編碼。但是有時候，我們需要把復雜的架構(gòu)設計作為項目文檔的一部分來向其他同事解釋。傳統(tǒng)上，我們會求助于 GUI 工具，通過這種方式，我們就可以在圖表和可視化方面做一些努力，并將其用于演示和文檔。但是，這種方式并非唯一。
通過直接在 Python 代碼中繪制云系統(tǒng)架構(gòu)， Diagrams 允許你不使用任何設計工具。AWS、 Azure、 GCP 等多個云供應商都可以輕松地使用它的一些圖標。這使得創(chuàng)建箭頭和組變得非常簡單。真的，它只有幾行代碼！
基于代碼的 Diagrams 最好的地方是什么？通過標準 git，你可以跟蹤版本控制的更改！開發(fā)人員將會非常高興。
GitHub 項目地址：https://github.com/mingrammer/diagrams
6. Hydra 與 OmegaConf
當進行機器學習項目的研究和實驗時，總是有無數(shù)的設置需要嘗試。配置管理可以變得非常復雜，并且在重要的應用程序中非常快速。要是能找到處理這類復雜問題的結(jié)構(gòu)方法該多好啊。
Hydra 是一種工具，它可以讓你以一種可組合的方式構(gòu)建配置，并從命令行或配置文件中覆蓋某些部分。
為了說明使用該庫所能簡化的一些常見任務，假設我們正在實驗的模型有一個基礎架構(gòu)，并且有多種變體。通過 Hydra，就可以定義一個基礎配置，然后使用它們的變體運行多個作業(yè)。
python train_model.py variation=option_a,option_b
Hydra 的表親 OmegaConf 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(shù)等不同的源。
它們是 21 世紀進行配置管理的必備之選。
7. PyTorch Lightning
任何能夠提高數(shù)據(jù)科學團隊生產(chǎn)力的工具都是價值連城。從事數(shù)據(jù)科學項目的人沒有理由每次都要“重新發(fā)明輪子”，反復思考怎樣才能更好地組織項目中的代碼，怎樣才能使用維護得不好的“PyTorch 樣本代碼”，怎樣才能用潛在的控制來換取更高層次的抽象。
Lightning 通過將科學與工程脫鉤來幫助提高生產(chǎn)力。這有點像 TensorFlow 的 Keras，從某種程度上說，這可以讓代碼更簡潔。但這并不會剝奪你的控制權(quán)。PyTorch 仍然是 PyTorch，可以使用常用 API。
這個庫可以幫助團隊利用軟件工程的良好實踐，組織組件并明確職責，構(gòu)建高質(zhì)量的代碼，從而方便地擴展到多個 GPU、 TPU 和 CPU 進行訓練。
一個庫，可以幫助數(shù)據(jù)科學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，因為它可以在不放棄控制權(quán)的情況下，提高整體生產(chǎn)力。
GitHub 項目地址：
https://github.com/PyTorchLightning/PyTorch-lightning
8. Hummingbird
并非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(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。
但是，在深度學習領域，已經(jīng)有了許多進展。諸如 PyTorch 這樣的框架正在以驚人的速度發(fā)展，硬件設備也在優(yōu)化，以更快的速度進行更低功耗的張量計算。如果我們能夠利用這些努力，使我們的傳統(tǒng)方法運行得更快更有效，豈不美哉？
這就是 Hummingbird 的用武之地。Microsoft 的這個新庫可以將你訓練好的傳統(tǒng)機器學習模型編譯成張量計算。這樣做非常好，因為這樣就無需重新設計模型。
截至目前，Hummingbird 支持向 PyTorch、TorchScript、ONNX 和 TVM，以及各種機器學習模型和矢量器的轉(zhuǎn)換。推理 API 也非常類似于 Sklearn 范式，它可以讓你重用現(xiàn)有的代碼，但是將實現(xiàn)改為由 Hummingbird 生成。這是一個值得關(guān)注的工具，因為它獲得了對模式模型和格式的支持！
GitHub 項目地址：
https://github.com/microsoft/hummingbird
9. HiPlot
幾乎每一位數(shù)據(jù)科學家在其職業(yè)生涯中都會在某些時候處理高維數(shù)據(jù)。遺憾的是，人類的大腦并沒有足夠的能力來直觀地處理這類數(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，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，它使用平行圖和其他圖形方式來表示信息。這個概念在他們的發(fā)布博客文章中有過解釋，但是這基本上是一個很好的方法來可視化和過濾高維數(shù)據(jù)。
HiPlot 是交互式的、可擴展的，你可以在標準 Jupyter Notebooks 中使用 HiPlot，也可以通過自己的服務器來使用 HiPlot。
GitHub 項目地址：
https://github.com/facebookresearch/hiplot
10. Scalene
隨著 Python 庫的生態(tài)系統(tǒng)越來越復雜，我們發(fā)現(xiàn)自己編寫的代碼越來越依賴于 C 擴展和多線程代碼。當涉及到測量性能時，這會成為一個問題，因為 CPython 中內(nèi)置的分析器不能正確處理多線程代碼和原生代碼。
這時，Scalene 就來救場了。Scalene 是一個 CPU 和內(nèi)存分析器，它針對 Python 腳本，能夠正確地處理多線程代碼，并區(qū)分運行 Python 與原生代碼所花費的時間。無需修改代碼，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。
GitHub 項目地址：https://github.com/emeryberger/scalene
額外獎勵：Norfair
Norfair 是一個可定制的輕量級 Python 庫，用于實時對象跟蹤。換句話來說，它為每一個被檢測到的物體在不同的幀中分配了一個唯一的 id，允許你在它們隨時間移動的過程中識別它們。有了 Norfair，只需要幾行代碼就可以為任何探測器添加跟蹤功能?！叭魏翁綔y器”？是的。無論對象的表現(xiàn)形式是什么樣的：一個包圍盒（4 個坐標），一個單點中心點，人體姿態(tài)估計系統(tǒng)的輸出，或其他具有一定概率閾值以上變量的關(guān)鍵點的物體。
用于計算被跟蹤物體與檢測點之間距離的函數(shù)由用戶定義，如果你需要，完全可以自定義。
它的速度也很快，而且可以實時操作。然而，真正的優(yōu)勢在于它是非常模塊化的，你可以利用你現(xiàn)有的檢測代碼庫，只需幾行代碼即可添加跟蹤功能。
GitHub 項目地址：https://github.com/tryolabs/norfair
榮譽提名
quart：一個具有 Flask 兼容 API 的異步網(wǎng)絡框架。一些現(xiàn)有的 Flask 擴展甚至可以工作。
alibi-detect：監(jiān)控生產(chǎn)模型中的異常值和分布漂移，適用于表格數(shù)據(jù)、文本、圖像和時間序列。
einops：einops 在 2020 年普及，可以讓你為可讀和可靠的代碼編寫張量操作，支持 NumPy、PyTorch、TensorFlow 等。Karpathy 推薦的，你還需要什么嗎？
stanza：來自斯坦福的 60 多種語言的精確自然語言處理工具。多種可用的預訓練模型用于不同的任務。
datasets：來自 HuggingFace 的輕量級可擴展庫，可輕松共享和訪問數(shù)據(jù)集，以及用于自然語言處理等評估指標。
pytorch-forecasting：在現(xiàn)實世界的案例和研究中，利用神經(jīng)網(wǎng)絡簡化時間序列預測。
sktime：提供專門的時間序列算法和 scikit-learn 兼容工具，用于構(gòu)建、調(diào)整和評估復合模型。也可以查看他們的配套 sktime-dl 包，用于基于深度學習的模型。
netron：一個用于神經(jīng)網(wǎng)絡、深度學習和機器學習模型的可視化工具。支持的格式比我所知道的還要多。
pycaret：封裝了幾個常見的機器學習庫，使工作效率大大提高，并節(jié)省了數(shù)百行代碼。
tensor-sensor：通過改進錯誤信息和提供可視化，幫助你獲得張量數(shù)學的正確維度。
