开发者社区> 问答> 正文

盘点年度 Python 类库 Top 10

盘点年度 Python 类库 Top 10

1. HTTPX

如果你是一名经常与 api 交互的 Python 死忠粉,可能会很熟悉 requests 类库。然而,异步范式在高性能现代应用程序中越来越常见,如果你使用的正是异步范式,requests 可不会给你带来什么好处。

为了解决这个问题, Tom Christie 和他的合作者为我们带来了 HTTPX,它是用于下个十年的新一代异步 HTTP 客户端。

HTTPX 延续了 requests 的用法,为你提供了标准特性以及 HTTP/2 和 HTTP/1 支持。除此之外,还包括使用 ASGI 协议直接调用 Python Web 应用程序以及完全类型注解等其他特性。

你需要同时发出大量请求?那么 HTTPX 就是新的首选。

注意:目前仍在 alpha 版本中考虑 HTTPX,现只作为异步客户端开发。在未来,将再重新引入同步客户端。

2. Starlette

Starlette 是一个轻量级的 ASGI 框架 / 工具包,具有包括 WebSocket 和 GraphQL 支持,进程内后台任务和真正的高性能等一系列特性。除此之外,还有 100% 类型注解的代码库和无依赖。可以把它看作是一版非常轻量的、现代的和异步的 Flask。

你还可以灵活地选用它,决定是将其作为一个完整的 web 框架来使用,还是仅仅作为一个 ASGI 工具包来使用。

它运行在一个 ASGI 服务器上,比如 uvicorn,它去年也排进了 Top 10。如果你正在考虑开发一款新的 Web 应用程序,那么你一定要给 Starlette 一个崭露头角的机会。

3. FastAPI

Starlette 很棒,但它非常简约,且非常开放。这给了你很大的自由,但有时,你只是需要一个把事情做得又对又快的框架。

Sebastian Ramirez 的 FastAPI 正是这样的一款框架。无论在哪层意义上讲,它都可称得上 快。

这款新框架基于的是 OpenAPI 标准,用于构建具有 Python 高性能特性和自动交互文档的 API。它默认支持 Swagger UI 和 ReDoc,使你能够直接从浏览器调用和测试你的 API,从而加快开发时间。使用此框架构建 API 既快速又简单。

这个库还利用了现代 Python 的最佳实践之一:类型提示。FastAPI 在很多方面都使用类型提示,但是最酷的特性之一是由 Pydantic 提供支持的自动数据校验和转换。

FastAPI 是基于 Starlette 构建的,其性能与 NodeJS 和 Go 相当,而且它还支持原生 WebSocket 和 GraphQL。

最后,但并非最不重要的是,它拥有一些为开源库编写的 最好的技术文档。说真的,强烈建议看一看。

4. Immutables

MagicStack 的工作人员回归,他们使用了简单优雅的不可变映射类型 (“冻结的字典”)。

谁能从中受益呢?其底层数据结构是一个哈希数组映射的字典树 (HAMT),在 Haskell 等函数式编程语言中使用。最有趣的是,对于 set() 和 get() 操作,它们都提供了 O(log N) 性能,对于相对较小的映射来说其实就是 O(1)。

如果你的应用程序使用了更大的字典,可以使用 bump 提高性能,这个酷酷的新库可以值得关注。

5. Pyodide

Pyodide 是一个真正能让你大吃一惊的项目。它使用 WebAssembly 将 Python 科学栈引入浏览器,将科学计算提升到了一个全新的水平。

想要用 NumPy 处理一些数字吗?使用 Pandas 处理一些较大的数据流?使用 NumPy 标制结果?幸有 Pyodide,现在你可以在浏览器中轻松实现所有这些功能,甚至更多。

除此之外,更好的消息是:它的 packages 目录列出了超过 35 个当前可用的包。不夸张地说,天空是其唯一限制。

6. Modin

Modin 的座右铭是通过改变一行代码来扩展你的 Pandas 工作流程,真的,就这么简单。只需安装 Modin,改变你的导入语句,在当下拥有多核处理器的笔记本电脑上就能获得高达 4 倍的速度优势。

它是怎么做到的?现在来揭晓这个秘密。Modin 实现了自己的 modin.pandas.DataFrame 对象,它是一个轻量级并行 DataFrame。这个对象的使用是透明的,因为它与 Pandas 是 api 兼容的,并且它是在后台运行的,它将使用 Ray 或 Dask 之类的计算引擎来分发数据和计算。

有时候,只需要对你的代码做一些小的修改就能使速度获得极大的提升,Modin 就是个很好的证明。

7. Streamlit

在每个重大的机器学习项目中,都有一个你最终需要与模型和数据进行手动交互的时间点。与花费数小时和数千行代码开发应用程序不同,Streamlit 使你能够快速构建应用程序来共享你的模型和分析。现在,创建一个与你的数据和模型的输出进行交互和可视化的 UI 简直易如反掌。

Streamlit 提供了一种从 Python 脚本跳到生产级应用程序的快速方法,只需在代码中添加几行即可。

Streamlit 能与各种数据科学相关的工具一起工作,TensorFlow、Keras、PyTorch、Pandas,凡是你能想到的,它都可以。

8. Transformers

如果你正在从事任何与机器学习相关的工作,那么你可能已经听说了在过去一年中围绕 自然语言处理(NLP) 方面的重要进展。

许多新的和高性能的模型,如 BERT、 XLNet 或者 roBERTa,已经被开发出来,通过各种 NLP 任务 (如文本分类、机器翻译、命名实体识别等) 来显著提高技术水平。

对于实践者来说,重要的是拥有能够使用这些模型来支撑生产应用程序的工具,这些用起来并不复杂。对于研究人员来说,重要的是拥有能够调整内部机制的类库,这样就可以更轻巧地开发和试验新的模型,而不必浪费太多时间编写样板代码。

Hugging Face 有一帮杰出的人,他们为我们带来了 transformers,它是一个类库,其中包括打包、预先训练,并已经为使用最现代的 NLP 模型的实现做好了准备。TensorFlow 2.0 和 PyTorch 之间的互操作性帮助该类库迅速成为行业标准,支撑着研究和生产应用程序。它们的发展速度也非常快,随着研究人员的开发,经常有新的模型引入到这个类库中。

蛋糕上的樱桃:Hugging Face 团队开发了 DistilBERT,它是一个体积更小、速度更快、价格更低、重量更轻的纯净版 BERT。

你还在犹豫要不要使用 Hugging Face / Transformer 以切换到现代的 NLP?那么择日不如撞日,今天就是你的幸运日,看看他们伟大的 在线演示,可不要吝惜你的大姆指哟。

9. Detectron2

Facebook 的人工智能研究团队 (FAIR) 一直在推动 计算机视觉 (CV) 的极限,他们开发了新的模型,用于像对象检测、姿式预估、语义 / 实例划分,以及最近的全景分割等任务。

解决这些问题的可能性就像几年前的科幻小说一样。我们对 FAIR 抱有最好的期望,这一次他们设法再次震撼全场。

Detectron2 是备受期待的 Detectron 续作,它是用 PyTorch 从头开始构建的,装满了最先进的计算机视觉算法。

这样的类库尤其难于进行工程设计,因为它们必须支持不同类型的用例。就像 Hugging Face 的 Transformers 一样,费尔团队也很好地完成了 Detectron2 的设计,它采用了一种非常灵活和模块化的方式,使得它非常适合 CV 的研究应用。同时,它的使用极其简单,对于那些只想快速获得结果而不想干预内部机制的人来说非常理想。是的,你可以使用 Detectron2,让你的软件只用几行 Python 代码就能“理解”图像。

时间将会告诉我们,Detectron2 能否成功地营造一个充满活力的社区,而到目前为止,情况看来很有希望。它很可能成为 CV 应用程序的“首选”解决方案,因为在 CV 应用程序中,新的、更快、更好的模型是由研究人员创建的。如果你正在做任何类型的 CV 工作,一定要密切保持关注!

10. Metaflow

前方出现一个新生儿,一幅新面孔勉强挤进了 2019 年的名单!但是赞成别不把它当回事:尽管它才是在几周前刚刚发布的,但已经经过了 Netflix 的内部测试,历经两年时间的改进,他们才决定开放源代码。

Metaflow 是一个 Python 类库,用于帮助数据科学家和工程师构建用于现实世界的真实项目。它主要专注于减轻非技术数据科学家的技术负担,例如计算资源、并行执行、体系结构设计和版本控制等。Netflix 与 AWS 的合作,使你能够轻松定义复杂的数据流,同时对分布式计算提供开箱即用的支持。

我们已经在为 Tryolabs 内部的一些关键项目做了 Metaflow 评估。如果你有兴趣更多地了解这款工具,请查看 Netflix 的公开博客。

如果漏掉了你最喜欢的 Python 类库,请在下面发表评论。我们很想听听你的意见。

内容源于 | AI 前线

技术交流群

加入阿里云钉钉群享福利:每周技术直播,定期群内有奖活动、大咖问答

image

展开
收起
珍宝珠 2020-01-09 13:39:35 2105 0
1 条回答
写回答
取消 提交回答
  • 精于基础,广于工具,熟于业务。

    selenium,appnium是不是也值得拥有。

    2020-01-09 14:06:49
    赞同 展开评论 打赏
问答地址:
相关产品:
问答排行榜
最热
最新

相关电子书

更多
From Python Scikit-Learn to Sc 立即下载
Data Pre-Processing in Python: 立即下载
双剑合璧-Python和大数据计算平台的结合 立即下载