這篇文章我推薦 10個實用的 Python 庫，每一個都是同類庫下的佼佼者，試用過后保準你會愛上，要學就學這樣的庫。

　　這里面有FastAPI的升級版Typer、將CLI變成彩色的Rich、基于GUI框架的Dear PyGui、還有精簡報錯信息的PrettyErrors……

　　下面就讓我們一起來看看吧~

　　1、Typer

　　Typer跟FastAPI的原理相同，都是Python上用來構建API服務的一個高性能框架。

　　它是FastAPI的升級版，不僅能夠準確地記錄代碼，還能夠輕松地進行CLI驗證。

　　Typer易于學習和使用，不需要用戶閱讀復雜的教程文檔即可上手。支持編輯器(如VSCode)代碼自動補全，提高開發人員的開發效率，減少bug的數量。

　　其次，Typer還能配合命令行神器Click使用，就可以利用Click的優點和插件，實現更復雜的功能。

　　開源地址：https://github.com/tiangolo/typer

　　2、Rich

　　誰規定CLI界面一定得是黑白的?它也可以是彩色的。

　　Rich API不僅能夠在終端輸出提供豐富的彩色文本和精美的格式，還提供了精美的表格、進度條、編輯器、追蹤器、語法高亮等。如下圖所示。

　　它還可以安裝在Python REPL上，所有的數據結構都可以漂亮地輸出或標注。

　　總而言之，它是彩色的、漂亮的、強大的。

　　Rich兼容性也不錯，適用于Linux，Mac和Windows等多種系統。真彩色/表情符號可與新的Windows終端一起使用。

　　但是請注意，Rich必須要Python 3.6.1或以上版本。

　　開源地址：https://github.com/willmcgugan/rich

　　3、Dear PyGui

　　如上所示，雖然終端應用程序可以做成很漂亮的樣子。但是，你可能還需要一個真正的GUI。

　　Dear PyGui是一個便于使用、功能強大的Python GUI框架。但是它與其他的Python GUI卻有著根本上的不同。

　　它使用了即時模式范式和計算機的GPU來實現動態界面。即時模式范式在視頻游戲中非常流行，這意味著它的動態GUI不需要保留任何數據，而是逐幀獨立繪制的。同時，它還使用GPU來建構動態界面。

　　Dear PyGui還可以繪圖、創建主題、創建2D游戲，還擁有一些小工具，比如說內置文檔、日志記錄、源代碼查看器之類的，這些小工具可以協助App的開發。

　　支持它的系統有：Windows 10(DirectX 11)，Linux(OpenGL 3)和macOS(Metal)等。開源地址：https://github.com/hoffstadt/DearPyGui

　　4、PrettyErrors

　　PrettyErrors是一個精簡Python錯誤信息的工具，特點是界面十分簡潔友好。

　　它最顯著的功能是支持在終端進行彩色輸出，標注出文件棧蹤跡，發現錯誤信息，過濾掉冗余信息，提取出關鍵部分，并且進行彩色標注，從而提高開發者的效率。

　　而且它可以不用安裝，直接被導入項目中使用，但是需要先配置一些參數，其導入和配置的參數如下：

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

　　5、Diagrams

　　程序員在編程的時候，有時候需要跟同事解釋他設計的程序代碼之間復雜的結構關系，然而這不是一兩句話能說清楚的，需要畫表或者做脈絡圖。

　　一般情況下，程序員使用GUI工具處理圖表，并將文稿進行可視化處理。但是還有更好的方法，比如說使用Diagrams庫。

　　Diagrams讓不需要任何設計類工具，直接在Python代碼中繪制云系統結構。它們的圖標來自多家云服務商，包括AWS, Azure, GCP等。

　　僅需幾行代碼，就可以簡單地創造出箭頭符號和結構圖。

　　由于它使用Graphviz來渲染圖，所以還需要先安裝好Graphviz。

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

　　6、Hydra and OmegaConf

　　在做機器學習項目的時候，需要做一大堆的環境配置工作。因此，在一些復雜的應用程序中，配置管理工作也相應變得復雜。

　　Hydra可以使配置工作變得簡單。它能夠從命令行或者配置文件中覆蓋部分出來，無需維護相似的配置文件，用組合的方式進行配置，從而加快了實驗運行速度。

　　Hydra兼容性強，擁有含插件的結構，能夠很好地與開發者的操作文件融合。它的插件還可以實現直接通過命令行，就把代碼發布到AWS或者其他云端系統。

　　Hydra也離不開OmegaConf，兩者關系密不可分，OmegaConf為Hydra的分層配置系統提供了協同的API，二者協同運作可支持YAML、配置文件、對象、CLI參數等。

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

　　7、PyTorch Lightning

　　PyTorch Lightning也是Facebook的一個研究成果。它是一個輕巧的PyTorch包裝器，用于高性能AI研究，其最重要的特征是能夠解析PyTorch代碼，讓代碼研究成分和工程成分的分離。

　　它的擴展模型可以在任何硬件(CPU、GPU、TPU)上運行，且容易被復制，刪除了大量的文件樣本，保持了自身的靈活性，運行速度快。

　　Lightning能夠使DL / ML研究的40多個部分實現自動化，例如GPU訓練、分布式GPU(集群)訓練、TPU訓練等等……

　　因為Lightning將可以將文件自動導出到ONNX或TorchScript，所以它適用于進行快速推理的AI研究員、BERT或者自監督學習的研究團隊等。

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

　　8、Hummingbird

　　Hummingbird是微軟的一項研究成果，它能夠將已經訓練好的ML模型匯編成張量計算，從而不需要設計新的模型。

　　還允許用戶使用神經網絡框架(例如PyTorch)來加速傳統的ML模型。

　　它的推理API跟sklearn范例十分相似，都可以重復使用現有的代碼，但是它是用Hummingbird生成的代碼去實現的。

　　Hummingbird還在Sklearn API之后提供了一個方便的統一推理API。這樣就可以將Sklearn模型與Hummingbird生成的模型互換，而無需更改推理代碼。

　　它之所以被重點關注，還因為它能夠支持多種多樣的模型和格式。

　　到目前為止，Hummingbird支持PyTorch、TorchScript、ONNX和TVM等各種ML模型。

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

　　9、HiPlot

　　由于ML模型變得越來越復雜，還有很多超參數，于是就需要用到HiPlot。HiPlot是今年3月Facebook發行的一個庫，主要用于處理高維數 據。

　　Facebook AI通過幾十個超參數和10萬多個實驗，利用HiPlot，來分析深度神經網絡。

　　它是用平行圖和其他的圖像方式，幫助AI研究者發現高維數據的相關性和模型，是一款輕巧的交互式可視化工具。

　　HiPlot與其他可視化工具相比，有其特有的優點：

　　首先，它的互動性強，因為平行圖是交互式的，所以能夠滿足多種情況下的圖像可視化。

　　其次，它簡單易用，可以通過IPython Notebook或者通過帶有“ hiplot”命令的服務直接使用。

　　它還有具有可擴展性。默認情況下，HiPlot的Web服務可以解析CSV或JSON文件，還可以為其提供自定義Python解析器，將實驗轉換為HiPlot實驗。

　　開源地址：https://github.com/facebookresearch/hiplot

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

　　10、Scalene

　　Scalene是一個用于Python腳本的CPU和內存分析器，能夠正確處理多線程代碼，還能區分Python代碼和本機代碼的運行時間。

　　你不需要修改代碼，只需運行Scalene腳本，它就會生成一個文本形式的報告，顯示出每一行代碼的CPU和內存的使用情況。通過這個文本報告，開發人員可以提高代碼的效率。

　　Scalene的速度快、準確率高，還能夠對高耗能的代碼行進行標注。

　　開源地址 https://github.com/emeryberger/scalene

　　除了以上10個，還有多個高性能的Python庫被點名了，例如Norfair、Quart、Alibi-detect、Einops……等等，詳情查看底部鏈接。

　　那么，你今年有發現好用的Python庫嗎?