這是第六屆年度 Python 庫排行榜。這個(gè)排行榜的依據是什么？規則很簡(jiǎn)單。我們尋找的庫需要滿(mǎn)足下列條件：

1. 它們是在 2020 年推出或普及的。

2. 它們從發(fā)布后就一直有良好的維護。

3. 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(xué)習 / 數據科學(xué)庫的極大影響，雖然有些庫對非數據科學(xué)家來(lái)說(shuō)確實(shí)很有用。另外，盡管我們有 10 個(gè)主要的精選（以及一個(gè)獎勵），但我們還是決定增加一個(gè)新的“榮譽(yù)提名”部分，以便公平對待我們發(fā)現但又不能遺漏的其他庫。

1.Typer

你不必總是要編寫(xiě) CLI 應用程序，但是在編寫(xiě) CLI 時(shí)，最好是無(wú)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(lái)了 Typer：一個(gè)新的庫，通過(guò)利用 Python 3.6+ 的類(lèi)型提示功能，可以編寫(xiě)命令行界面。

這個(gè)設計確實(shí)使 Typer 脫穎而出。除確保你的代碼被正確地記錄下來(lái)外，你還可以通過(guò)最少的努力來(lái)獲得一個(gè)帶有驗證的 CLI 接口。使用類(lèi)型提示，你可以在 Python 編輯器中獲得自動(dòng)完成功能（比如 VSCode），從而提高工作效率。

為增強 Typer 功能，它的內部是基于 Click 開(kāi)發(fā)的，Click 是非常著(zhù)名的，并且已經(jīng)通過(guò)了實(shí)戰檢驗。這意味著(zhù)，它可以利用其所有的優(yōu)點(diǎn)、社區和插件，同時(shí)用較少的樣板代碼從簡(jiǎn)單的開(kāi)始，并在需要時(shí)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(guò)的作品。

GitHub 項目地址：https://github.com/tiangolo/typer

2. Rich

接著(zhù) CLI 的話(huà)題，誰(shuí)說(shuō)終端應用程序必須是單調的白色，如果你是一個(gè)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(kāi)復雜的表格？輕松地展示華麗的進(jìn)度條？Markdown？Emojis？Rich 都能滿(mǎn)足你的要求。請看下面的截圖，來(lái)了解一下它的功能。

毫無(wú)疑問(wèn)，這個(gè)庫將終端應用的使用體驗提高到了一個(gè)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(shí)候這還不夠，你需要一個(gè)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(chēng)為即時(shí)模式的范例，它在電子游戲中很流行。這基本上意味著(zhù)動(dòng)態(tài) GUI 是逐幀獨立繪制的，無(wú)需持久化任何數據。這樣，這個(gè)工具與其他 Python GUI 框架就有了本質(zhì)上的區別。它性能優(yōu)異，并用計算機的 GPU 來(lái)促進(jìn)高動(dòng)態(tài)界面的構建，這在工程、模擬、游戲或數據科學(xué)應用中是經(jīng)常需要的。

不需要非常陡峭的學(xué)習曲線(xiàn)，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(jiǎn)單的樂(lè )趣。這是讓你思考的庫之一：為什么以前沒(méi)有人想到這個(gè)問(wèn)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換為更適合人類(lèi)眼睛解析的東西。再也不用掃描整個(gè)屏幕來(lái)尋找異常的罪魁禍首了……現在，你就可以一眼發(fā)現它！

GitHub 項目地址：https://github.com/onelivesleft/PrettyErrors

5. Diagrams

我們程序員喜歡解決問(wèn)題和編碼。但是有時(shí)候，我們需要把復雜的架構設計作為項目文檔的一部分來(lái)向其他同事解釋。傳統上，我們會(huì )求助于 GUI 工具，通過(guò)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(guò)直接在 Python 代碼中繪制云系統架構， Diagrams 允許你不使用任何設計工具。AWS、 Azure、 GCP 等多個(gè)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(jiǎn)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(guò)標準 git，你可以跟蹤版本控制的更改！開(kāi)發(fā)人員將會(huì )非常高興。

GitHub 項目地址：https://github.com/mingrammer/diagrams

6. Hydra 與 OmegaConf

當進(jìn)行機器學(xué)習項目的研究和實(shí)驗時(shí)，總是有無(wú)數的設置需要嘗試。配置管理可以變得非常復雜，并且在重要的應用程序中非?？焖?。要是能找到處理這類(lèi)復雜問(wèn)題的結構方法該多好啊。

Hydra 是一種工具，它可以讓你以一種可組合的方式構建配置，并從命令行或配置文件中覆蓋某些部分。

為了說(shuō)明使用該庫所能簡(jiǎn)化的一些常見(jiàn)任務(wù)，假設我們正在實(shí)驗的模型有一個(gè)基礎架構，并且有多種變體。通過(guò) Hydra，就可以定義一個(gè)基礎配置，然后使用它們的變體運行多個(gè)作業(yè)。

python train_model.py variation=option_a,option_b

Hydra 的表親 OmegaConf 為分層配置系統的基礎提供了一致的 API，支持 YAML、配置文件、對象和 CLI 參數等不同的源。

它們是 21 世紀進(jìn)行配置管理的必備之選。

7. PyTorch Lightning

任何能夠提高數據科學(xué)團隊生產(chǎn)力的工具都是價(jià)值連城。從事數據科學(xué)項目的人沒(méi)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(lái)?yè)Q取更高層次的抽象。

Lightning 通過(guò)將科學(xué)與工程脫鉤來(lái)幫助提高生產(chǎn)力。這有點(diǎn)像 TensorFlow 的 Keras，從某種程度上說(shuō)，這可以讓代碼更簡(jiǎn)潔。但這并不會(huì )剝奪你的控制權。PyTorch 仍然是 PyTorch，可以使用常用 API。

這個(gè)庫可以幫助團隊利用軟件工程的良好實(shí)踐，組織組件并明確職責，構建高質(zhì)量的代碼，從而方便地擴展到多個(gè) GPU、 TPU 和 CPU 進(jìn)行訓練。

一個(gè)庫，可以幫助數據科學(xué)團隊中那些初級成員產(chǎn)生更好的結果，同時(shí)，更有經(jīng)驗的成員也會(huì )喜歡它，因為它可以在不放棄控制權的情況下，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(xué)習都是深度學(xué)習。很多時(shí)候，你的模型由 scikit-learn 中實(shí)現的比較傳統的算法組成（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(xué)習領(lǐng)域，已經(jīng)有了許多進(jìn)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(jìn)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(gè)新庫可以將你訓練好的傳統機器學(xué)習模型編譯成張量計算。這樣做非常好，因為這樣就無(wú)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(xué)習模型和矢量器的轉換。推理 API 也非常類(lèi)似于 Sklearn 范式，它可以讓你重用現有的代碼，但是將實(shí)現改為由 Hummingbird 生成。這是一個(gè)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

幾乎每一位數據科學(xué)家在其職業(yè)生涯中都會(huì )在某些時(shí)候處理高維數據。遺憾的是，人類(lèi)的大腦并沒(méi)有足夠的能力來(lái)直觀(guān)地處理這類(lèi)數據，所以我們必須借助其他技術(shù)。

今年年初，Facebook 發(fā)布了 HiPlot，這是一個(gè)幫助發(fā)現高維數據中的相關(guān)性和模式的庫，它使用平行圖和其他圖形方式來(lái)表示信息。這個(gè)概念在他們的發(fā)布博客文章中有過(guò)解釋?zhuān)沁@基本上是一個(gè)很好的方法來(lái)可視化和過(guò)濾高維數據。

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(guò)自己的服務(wù)器來(lái)使用 HiPlot。

GitHub 項目地址：

https://github.com/facebookresearch/hiplot

10. Scalene

隨著(zhù) Python 庫的生態(tài)系統越來(lái)越復雜，我們發(fā)現自己編寫(xiě)的代碼越來(lái)越依賴(lài)于 C 擴展和多線(xiàn)程代碼。當涉及到測量性能時(shí)，這會(huì )成為一個(gè)問(wèn)題，因為 CPython 中內置的分析器不能正確處理多線(xiàn)程代碼和原生代碼。

這時(shí)，Scalene 就來(lái)救場(chǎng)了。Scalene 是一個(gè) CPU 和內存分析器，它針對 Python 腳本，能夠正確地處理多線(xiàn)程代碼，并區分運行 Python 與原生代碼所花費的時(shí)間。無(wú)需修改代碼，只需要用 Scalene 從命令行運行你的腳本，它就會(huì )為你生成一個(gè)文本或 HTML 報告，顯示每行代碼的 CPU 和內存使用情況。

GitHub 項目地址：https://github.com/emeryberger/scalene

額外獎勵：Norfair

Norfair 是一個(gè)可定制的輕量級 Python 庫，用于實(shí)時(shí)對象跟蹤。換句話(huà)來(lái)說(shuō)，它為每一個(gè)被檢測到的物體在不同的幀中分配了一個(gè)唯一的 id，允許你在它們隨時(shí)間移動(dòng)的過(guò)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(wú)論對象的表現形式是什么樣的：一個(gè)包圍盒（4 個(gè)坐標），一個(gè)單點(diǎn)中心點(diǎn)，人體姿態(tài)估計系統的輸出，或其他具有一定概率閾值以上變量的關(guān)鍵點(diǎn)的物體。

用于計算被跟蹤物體與檢測點(diǎn)之間距離的函數由用戶(hù)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(shí)時(shí)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(yù)提名

quart：一個(gè)具有 Flask 兼容 API 的異步網(wǎng)絡(luò )框架。一些現有的 Flask 擴展甚至可以工作。

alibi-detect：監控生產(chǎn)模型中的異常值和分布漂移，適用于表格數據、文本、圖像和時(shí)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(xiě)張量操作，支持 NumPy、PyTorch、TensorFlow 等。Karpathy 推薦的，你還需要什么嗎？

stanza：來(lái)自斯坦福的 60 多種語(yǔ)言的精確自然語(yǔ)言處理工具。多種可用的預訓練模型用于不同的任務(wù)。

datasets：來(lái)自 HuggingFace 的輕量級可擴展庫，可輕松共享和訪(fǎng)問(wèn)數據集，以及用于自然語(yǔ)言處理等評估指標。

pytorch-forecasting：在現實(shí)世界的案例和研究中，利用神經(jīng)網(wǎng)絡(luò )簡(jiǎn)化時(shí)間序列預測。

sktime：提供專(zhuān)門(mén)的時(shí)間序列算法和 scikit-learn 兼容工具，用于構建、調整和評估復合模型。也可以查看他們的配套 sktime-dl 包，用于基于深度學(xué)習的模型。

netron：一個(gè)用于神經(jīng)網(wǎng)絡(luò )、深度學(xué)習和機器學(xué)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(gè)常見(jiàn)的機器學(xué)習庫，使工作效率大大提高，并節省了數百行代碼。

tensor-sensor：通過(guò)改進(jìn)錯誤信息和提供可視化，幫助你獲得張量數學(xué)的正確維度。