推荐 10 个 Github 热门且实用的 Python库！

1、Typer

Typer跟FastAPI的原理相同，都是Python上用来构建API服务的一个高性能框架。

它是FastAPI的升级版，不仅能够准确地记录代码，还能够轻松地进行CLI验证。

Typer易于学习和使用，不需要用户阅读复杂的教程文档即可上手。支持编辑器（如VSCode）代码自动补全，提高开发人员的开发效率，减少bug的数量。

其次，Typer还能配合命令行神器Click使用，就可以利用Click的优点和插件，实现更复杂的功能。

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

2、Rich

谁规定CLI界面一定得是黑白的？它也可以是彩色的。

Rich API不仅能够在终端输出提供丰富的彩色文本和精美的格式，还提供了精美的表格、进度条、编辑器、追踪器、语法高亮等。如下图所示。

它还可以安装在Python REPL上，所有的数据结构都可以漂亮地输出或标注。

总而言之，它是彩色的、漂亮的、强大的。

Rich兼容性也不错，适用于Linux，Mac和Windows等多种系统。真彩色/表情符号可与新的Windows终端一起使用。

但是请注意，Rich必须要Python 3.6.1或以上版本。

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

3、Dear PyGui

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。