这是Top10Python类库的第五个年度榜单。在这里，您将发现开源世界中的一些隐藏宝藏，它们将帮助您开始一个新项目或使您现有的项目更有趣。从这个列表中，你既可以找到机器学习库，也可以找到非机器学习库，所以它涉及到方方面面。1.HTTPX如果你是一个经常与api交互的Python死忠粉，你可能对requests类库并不陌生。但是，如果您使用的是在高性能现代应用程序中越来越普遍的异步范例，那么请求对您没有多大帮助。为了解决这个问题，TomChristie和他的合作者为我们带来了HTTPX，这是未来十年的新一代异步HTTP客户端。HTTPX继续使用请求，为您提供标准功能以及HTTP/2和HTTP/1支持。除此之外，还包括其他功能，例如使用ASGI协议直接调用PythonWeb应用程序和完整类型注释。您需要同时发出很多请求吗？那么HTTPX是新的首选。注意：HTTPX仍被视为alpha版本，仅作为异步客户端开发。将来，将重新引入同步客户端。2.StarletteStarlette是一个轻量级的ASGI框架/工具包，具有一系列特性，包括WebSocket和GraphQL支持、进程内后台任务和真正的高性能。除此之外，还有一个100%类型注释的代码库，并且没有依赖项。将其视为Flask的一个非常轻量级的、现代的和异步的版本。您还可以灵活地选择它，并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uvicorn等ASGI服务器上，uvicorn在去年也进入了前10名。如果您正在考虑开发一个新的Web应用程序，您绝对应该给Starlette一个大放异彩的机会。3.FastAPIStarlette很棒，但它非常简约且非常开放。这给了你很大的自由度，但有时，你只需要一个框架来正确快速地完成工作。SebastianRamirez的FastAPI就是这样一个框架。它在任何意义上都很快。这个新框架基于OpenAPI标准，用于使用Python的高性能特性和自动交互式文档构建API。它默认支持SwaggerUI和ReDoc，使您能够直接从浏览器调用和测试您的API，从而加快开发时间。使用此框架构建API既快速又简单。该库还利用了现代Python的最佳实践之一：类型提示。FastAPI以多种方式使用类型提示，但最酷的功能之一是由Pydantic提供支持的自动数据验证和转换。FastAPI建立在Starlette之上，其性能可与NodeJS和Go媲美，同时还支持原生WebSocket和GraphQL。最后但同样重要的是，它拥有一些为开源库编写的最好的技术文档。说真的，我强烈建议您检查一下。4.ImmutablesMagicStack工作人员回归，他们使用简单优雅的不可变映射类型（“冻结字典”）。谁能从中受益？其底层数据结构是哈希数组映射树（HAMT），用于函数式编程语言，如Haskell。最有趣的是，它们都为set()和get()操作提供了O(logN)性能，对于相对较小的地图，这实际上是O(1)。如果您的应用程序使用更大的词典，可以使用bumping来提高性能，那么这个很酷的新库可能值得关注。5.PyodidePyodide是一个真正让您大吃一惊的项目。通过使用WebAssembly将Python科学堆栈带到浏览器，它将科学计算提升到一个全新的水平。想用NumPy处理一些数字吗？使用Pandas处理一些更大的数据流？使用NumPy缩放结果？多亏了Pyodide，您现在可以在浏览器中轻松完成所有这些以及更多操作。除此之外，还有更好的消息：它的包目录列出了超过35个当前可用的包。从字面上看，天空是它唯一的极限。6.ModinModin的座右铭是通过更改一行代码来扩展您的Pandas工作流程，真的，就这么简单。只需安装Modin，更改您的导入语句，即可在当今配备多核处理器的笔记本电脑上获得高达4倍的加速。它是怎么做到的？现在揭开秘密。Modin实现了自己的modin.pandas.DataFrame对象，是一个轻量级的并行DataFrame。这个对象的使用是透明的，因为它与Pandas是api兼容的，它在后台运行，它会使用像Ray或Dask这样的计算引擎来分发数据和计算。有时，只需对代码进行一些小的更改就可以带来巨大的速度提升，Modin就是一个很好的例子。7.Streamlit在每一个主要的机器学习项目中，都会有一个点，你最终需要手动与模型和数据进行交互。无需花费数小时和数千行代码来开发应用程序，Streamlit使您能够快速构建应用程序来共享您的模型和分析。现在可以轻而易举地创建与数据和模型输出交互并可视化的UI。Streamlit提供了一种从Python脚本跳转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适用于各种数据科学相关工具，TensorFlow、Keras、PyTorch、Pandas，应有尽有。8.Transformers如果你正在做任何与机器学习相关的事情，那么你可能听说过过去一年围绕自然语言处理(NLP)的重要发展。已经开发了许多新的高性能模型，例如BERT、XLNet或roBERTa，以显着提高文本分类、机器翻译、命名实体识别等各种NLP任务的技术水平。它对于从业者拥有可以使用这些模型来支持生产应用程序的工具，这些工具使用起来并不复杂。对于研究人员来说，重要的是拥有可以调整内部结构的库，以便可以更轻松地开发和试验新模型，而不会浪费太多时间编写样板代码。HuggingFace的杰出人士为我们带来了transformers，这是一个类库，经过打包、预训练，可以使用最现代的NLP模型进行实施。TensorFlow2.0和PyTorch之间的互操作性帮助该库迅速成为行业标准，为研究和生产应用提供支持。它们的发展也非常快，随着研究人员开发新模型，它们经常被引入图书馆。蛋糕上的樱桃：HuggingFace团队开发了DistilBERT，这是一个更小、更快、更便宜、更轻的纯BERT版本。还在犹豫要不要用HuggingFace/Transformer转现代NLP？然后选择一天而不是一天，今天是你的幸运日，看看他们很棒的在线演示，不要吝啬你的拇指。9.Detectron2Facebook的人工智能研究团队(FAIR)一直在推动计算机视觉(CV)的极限，为对象检测、姿势估计、语义/实例分割以及最近的全景分割和其他任务开发新模型。解决这些问题的可能性在几年前还像是科幻小说。我们期待FAIR的最佳表现，这一次他们成功地再次震撼了人群。Detectron2是备受期待的Detectron续集，它是在PyTorch中从头开始构建的，并包含了最先进的计算机视觉算法。这样的类库特别难以设计，因为它们必须支持不同类型的用例。与HuggingFace的Transformers一样，Fair的团队在以非常灵活和模块化的方式设计Detectron2方面做得很好，使其非常适合CV研究应用。同时，它的使用极其简单，非常适合那些只想在不干扰内部机制的情况下快速获得结果的人。是的，只需几行Python代码，您就可以使用Detectron2让您的软件“理解”图像。时间会证明Detectron2是否成功培养了一个充满活力的社区，到目前为止，一切看起来都很有希望。它很可能成为CV应用程序的“首选”解决方案，在这些应用程序中，研究人员可以创建新的、更快和更好的模型。如果您正在做任何类型的简历工作，一定要留意它！10.Metaflow前有新宝宝，2019年榜单中勉强挤进的新面孔！但专业人士对此并不掉以轻心：尽管它仅在几周前发布，但它已经在Netflix内部进行了测试，并且经过两年的完善才决定将其开源。Metaflow是一个Python库，旨在帮助数据科学家和工程师构建用于现实世界的真实项目。它主要侧重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、架构设计和版本控制等。Netflix与AWS的合作伙伴关系使您能够轻松定义复杂的数据流，同时提供out-of-the-box支持分布式计算。我们已经在对Tryolabs中的一些关键项目进行Metaflow评估。如果您有兴趣了解有关此工具的更多信息，请查看Netflix的公共博客。总结又一年过去了，它为开源世界留下了一份非凡的遗产，这些遗产将在未来几年保持相关性。您可以查看我们之前的列表：Lookatlibrariesinevolutionin2015,2016,2017,2018。如果我们错过了您最喜欢的Python库，请在下方留言。我们很想听听您的意见。关于作者FabiánTorres是一名全栈开发人员。电气工程学士学位；EliasMasquil，全栈开发人员；AlanDescoins，首席技术官兼合伙人，计算机工程学士学位；GermanHoffman，全栈开发和研究工程师，计算机工程学士学位。
