我心目中最棒的 10 个 Python 库

如上所示，虽然终端应用程序可以做成很漂亮的样子。但是，你可能还需要一个真正的GUI。

Dear PyGui是一个便于使用、功能强大的Python GUI框架。但是它与其他的Python GUI却有着根本上的不同。

它使用了即时模式范式和计算机的GPU来实现动态界面。即时模式范式在视频游戏中非常流行，这意味着它的动态GUI不需要保留任何数据，而是逐帧独立绘制的。同时，它还使用GPU来建构动态界面。

Dear PyGui还可以绘图、创建主题、创建2D游戏，还拥有一些小工具，比如说内置文档、日志记录、源代码查看器之类的，这些小工具可以协助App的开发。

支持它的系统有：Windows 10（DirectX 11），Linux（OpenGL 3）和macOS（Metal）等。

开源地址：https://github.com/hoffstadt/DearPyGui

# 4、PrettyErrors

---

PrettyErrors是一个精简Python错误信息的工具，特点是界面十分简洁友好。

它最显著的功能是支持在终端进行彩色输出，标注出文件栈踪迹，发现错误信息，过滤掉冗余信息，提取出关键部分，并且进行彩色标注，从而提高开发者的效率。

而且它可以不用安装，直接被导入项目中使用，但是需要先配置一些参数，其导入和配置的参数如下：

开源地址：https://github.com/onelivesleft/PrettyErrors

# 5、Diagrams

---

程序员在编程的时候，有时候需要跟同事解释他设计的程序代码之间复杂的结构关系，然而这不是一两句话能说清楚的，需要画表或者做脉络图。

一般情况下，程序员使用GUI工具处理图表，并将文稿进行可视化处理。但是还有更好的方法，比如说使用Diagrams库。

Diagrams让不需要任何设计类工具，直接在Python代码中绘制云系统结构。它们的图标来自多家云服务商，包括AWS, Azure, GCP等。

仅需几行代码，就可以简单地创造出箭头符号和结构图。

由于它使用Graphviz来渲染图，所以还需要先安装好Graphviz。

开源地址：https://github.com/mingrammer/diagrams

# 6、Hydra and OmegaConf

---

在做机器学习项目的时候，需要做一大堆的环境配置工作。因此，在一些复杂的应用程序中，配置管理工作也相应变得复杂。

Hydra可以使配置工作变得简单。它能够从命令行或者配置文件中覆盖部分出来，无需维护相似的配置文件，用组合的方式进行配置，从而加快了实验运行速度。

Hydra兼容性强，拥有含插件的结构，能够很好地与开发者的操作文件融合。它的插件还可以实现直接通过命令行，就把代码发布到AWS或者其他云端系统。

Hydra也离不开OmegaConf，两者关系密不可分，OmegaConf为Hydra的分层配置系统提供了协同的API，二者协同运作可支持YAML、配置文件、对象、CLI参数等。

开源地址：https://github.com/facebookresearch/hydra，https://github.com/omry/omegaconf

# 7、PyTorch Lightning

---

PyTorch Lightning也是Facebook的一个研究成果。它是一个轻巧的PyTorch包装器，用于高性能AI研究，其最重要的特征是能够解析PyTorch代码，让代码研究成分和工程成分的分离。

它的扩展模型可以在任何硬件（CPU、GPU、TPU）上运行，且容易被复制，删除了大量的文件样本，保持了自身的灵活性，运行速度快。

Lightning能够使DL / ML研究的40多个部分实现自动化，例如GPU训练、分布式GPU（集群）训练、TPU训练等等……

因为Lightning将可以将文件自动导出到ONNX或TorchScript，所以它适用于进行快速推理的AI研究员、BERT或者自监督学习的研究团队等。

开源地址：https://github.com/PyTorchLightning/PyTorch-lightning

# 8、Hummingbird

---

Hummingbird是微软的一项研究成果，它能够将已经训练好的ML模型汇编成张量计算，从而不需要设计新的模型。

还允许用户使用神经网络框架（例如PyTorch）来加速传统的ML模型。

它的推理API跟sklearn范例十分相似，都可以重复使用现有的代码，但是它是用Hummingbird生成的代码去实现的。

Hummingbird还在Sklearn API之后提供了一个方便的统一推理API。这样就可以将Sklearn模型与Hummingbird生成的模型互换，而无需更改推理代码。

它之所以被重点关注，还因为它能够支持多种多样的模型和格式。

到目前为止，Hummingbird支持PyTorch、TorchScript、ONNX和TVM等各种ML模型。

开源地址：https://github.com/microsoft/hummingbird

# 9、HiPlot

---

由于ML模型变得越来越复杂，还有很多超参数，于是就需要用到HiPlot。HiPlot是今年3月Facebook发行的一个库，主要用于处理高维数据。

Facebook AI通过几十个超参数和10万多个实验，利用HiPlot，来分析深度神经网络。

它是用平行图和其他的图像方式，帮助AI研究者发现高维数据的相关性和模型，是一款轻巧的交互式可视化工具。

HiPlot与其他可视化工具相比，有其特有的优点：

首先，它的互动性强，因为平行图是交互式的，所以能够满足多种情况下的图像可视化。

其次，它简单易用，可以通过IPython Notebook或者通过带有“ hiplot”命令的服务直接使用。

它还有具有可扩展性。默认情况下，HiPlot的Web服务可以解析CSV或JSON文件，还可以为其提供自定义Python解析器，将实验转换为HiPlot实验。

开源地址：

https://github.com/facebookresearch/hiplot

参考链接：

https://ai.facebook.com/blog/hiplot-high-dimensional-interactive-plots-made-easy

# 10、Scalene

---

Scalene是一个用于Python脚本的CPU和内存分析器，能够正确处理多线程代码，还能区分Python代码和本机代码的运行时间。

你不需要修改代码，只需运行Scalene脚本，它就会生成一个文本形式的报告，显示出每一行代码的CPU和内存的使用情况。通过这个文本报告，开发人员可以提高代码的效率。

Scalene的速度快、准确率高，还能够对高耗能的代码行进行标注。

开源地址

https://github.com/emeryberger/scalene

除了以上10个，还有多个高性能的Python库被点名了，例如Norfair、Quart、Alibi-detect、Einops……等等，详情查看底部链接。

那么，你今年有发现好用的Python库吗？

如果有的话，请在评论区一起分享一下呀~

参考链接

https://tryolabs.com/blog/2020/12/21/top-10-python-libraries-of-2020/

https://www.upgrad.com/blog/reasons-why-python-popular-with-developers/

推荐阅读:

入门: 最全的零基础学Python的问题  | 零基础学了8个月的Python  | 实战项目 |学Python就是这条捷径

干货:爬取豆瓣短评，电影《后来的我们》 | 38年NBA最佳球员分析 |   从万众期待到口碑扑街！唐探3令人失望  | 笑看新倚天屠龙记 | 灯谜答题王 ｜用Python做个海量小姐姐素描图 ｜碟中谍这么火，我用机器学习做个迷你推荐系统电影

趣味:弹球游戏  | 九宫格  | 漂亮的花 | 两百行Python《天天酷跑》游戏!

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。