對於碼農來說，關注的永遠是新近有什麼流行的、既能解決問題又好用的利器。本文就為你盤點十大新開源Python庫。

本文福利：加vx ；tanzhouyiwan 免費領取Python學習資料

1、Pipenv

第一名非它莫屬，這個工具2017年初才釋出，但它已經能夠影響每個Python開發者的工作流了，更別提現在連Python.org都官方推薦它作為支援庫的管理工具！

Pipenv最開始不過是大神Kenneth Reitz搞的週末專案，本意是將npm或yarn這些包管理器的閃光點引入Python世界。別管什麼安裝virtualenv、virtualenvwrapper，管理requirements.txt檔案，更別提根據支援庫的版本來確保複用性了。有了Pipenv，再也不需要用命令來增加、刪除或更新支援庫了，一個Pipfile檔案就能搞定所有的支援庫。這個工具會生成一個Pipfile.lock檔案，確保編譯的庫都是最終版，還能避免因為漏掉一些邊邊角角的支援庫而導致的bug。

當然，Pipenv還有其他不少好功能，並且它的文件也很贊。趕緊去了解一下，用它來支援你的Python專案吧，我們已經在Tryolabs上用上啦：）

2、PyTorch

要說2017年深度學習社群裡面哪個庫實現了大爆發，那必須是PyTorch，這個深度學習框架是Facebook 2017年才推出的。

PyTorch是基於流行一時的Torch框架構建和改進的，與Lua相比，它是基於Python的。近幾年，越來越多的人開始用Python開展資料科學工作，PyTorch讓深度學習變得更加平易近人了。

值得注意的是，採用了全新動態計算圖正規化的PyTorch已經成為很多研究者的專用框架之一。使用TensorFlow、CNTK和MXNet等框架寫程式碼時，必須先定義計算圖，這個計算圖指定了程式碼執行的所有操作，隨後在框架中進行編譯與優化，使它能進行GPU並行處理，運算速度更快，這種正規化被稱為靜態計算圖。它的好處在於可以利用各種優化，而且，因為構建與執行是分開進行的，此圖一旦被構建即可在不同裝置上執行。然而，對於諸如自然語言處理等任務，其工作量是可變的。將圖片應用於演算法前，可以將圖片調整為固定尺寸，但是無法將不同長度的句子進行類似的處理。PyTorch和動態圖的又是在於可在程式碼中使用標準Python控制指令，在執行指令時定義動態圖，這就給了你更多自由，對於多工，這點至關重要。

和其他現代深度學習框架一樣，PyTorch還可以進行梯度計算，它的執行速度極快，還可以擴充套件，既然如此，幹嘛不試試？

3、Caffe2

聽上去有點不可思議，但是Facebook 2017年還發布了另一款重磅深度學習框架。

多年前，Caffe框架就已被廣泛應用，並以無可比擬的效能和實戰檢測的程式碼庫著稱。然而，深度學習的最新趨勢使得這個框架在某些方向陷入了停滯。Caffe2試圖將Caffe引入現代世界。

它支援分散式訓練及部署，包括多種移動平臺、最新的CPU與CUDA適配的硬體。PyTorch更適合研究，Caffe2則適用於Facebook那種大規模部署。

還可以瞭解一下ONNX（微軟與Facebook共同推出的開源專案，全稱為Open Neural Network Exchange）近期的努力。用PyTorch構建和訓練模型，再用Caffe2進行部署！是不是挺棒？

4、Pendulum

2016年，Arrow榮登本榜，這個庫是為了讓Python處理datetimes更簡單。2017年，輪到Pendulum了。

Pendulum的一大優勢是內嵌式取代Python的datetime類，可以輕易地將它整合進現有程式碼，並且可以在需要它的時候才進行呼叫。作者精心調校了時區，確保時區的正確，還讓每個例項都對時區敏感，並且預設使用UTC。還有就是提供了擴充套件的timedelta，使datetime計算更加容易。

與現有的其他庫不同，它提供了一個可預測行為的API，這樣就可以知道後面會發生什麼。如果你正開發使用datetimes的複雜專案，這個庫能讓你更輕鬆！想要了解更多，請查閱文件。

5、Dash

從事資料科學工作，少不了使用Pandas、scikit-learn這些Python生態系統中的利器，還有就是控制工作流的Jupyter Notebooks，沒的說，你和同事都愛用。但是，要想將工作成果分享給不會用這些工具的人，那該怎麼辦？怎麼才能構建一個人人能夠輕鬆上手的介面，來操控資料和視覺化？以前，為實現這一目的，需要一個精通Javascript的前端專職團隊來搭建GUI，以後就用不著啦。

2017年釋出的Dash是一個在純Python環境中構建資料視覺化網站應用的開源庫。基於Flask、Plotly.js和React構建，提供抽象層，無需學習上述框架即可快速上手開發。它在瀏覽器中渲染和響應，因此適用移動端。

如果你想知道Dash都能實現什麼效果，這個樣例庫可以讓你大飽眼福。

6、PyFlux

很多Python庫都適用於資料科學和機器學習，但當資料點是隨著時間進化的矩陣時，比如股價或從裝置獲取的測量資料等，這就是另一回事兒了。

PyFlux是專門處理時間序列的Python開源庫。時間序列是統計學與計量經濟學的子域，其目標是描述時間序列行為（主要是關於潛在成分或利息特徵），並且預測未來它們如何演化。

PyFlux允許通過概率方式進行時間序列建模，並且實現了幾個像GARCH這樣的現代時間序列模型。是個不錯的好東西。

7、Fire

做專案的時候經常需要製作命令列介面（Command Line Interface~CLI）。除了傳統的argparse，Python還有類似click或docopt等工具。谷歌今年釋出的Fire，使用另一個視角來解決同樣的問題。

Fire是一個為任意Python專案自動生成命令列介面的開源庫。請注意，重點是自動構建命令列介面，基本上不需要再寫程式碼或文件說明啦。只需要呼叫一個Fire方法，把它傳輸給需要生成命令列介面的內容即可，比如，函式、物件、類、字典，就算沒有引數都可以，這樣Fire就會為所有程式碼生成一個命令列介面（CLI）。

請仔細閱讀此指南，通過例子理解它如何運作。密切關注這個庫，它絕對能給你節省不少時間。

8、imbalance-learn

理想狀態下，我們有均衡的資料集可以用來訓練模型，一切都很如意。可惜，真實世界不是這樣的，現實任務更多是非均衡資料。比如，在預測偽造信用卡交易時，預期超過99.9%的絕大多數交易是合法的。如果只是訓練樸素機器學習演算法會讓你很糟心，因此需要格外關注這類資料集。

好在這個問題已經解決了，還有各種不同的技術解決方案。Imbalanced-learn 這個Python包提供了多種技術解決方案，可以讓開發工作變得更輕鬆。它與scikit-learn相容，並且是scikit-learn-contrib專案的一部分。有用！

9、FlashText

一般來說，查詢或替換文字可以使用正則表示式。正則表示式能妥妥的完成這項任務。但是，需要查詢幾千個術語時，正則表示式就慢死了。

FlashText能夠更好地解決這個問題。在作者最初的基準測試中，它大幅提高了整個操作執行時間，從5天縮減到5分鐘。

FlashText的美妙之處在於不論查詢多少術語，其執行時間都是一樣的，而正則表示式的執行時間則會隨著術語數量的增加而線性增加。

FlashText證明了演算法和資料結構設計的重要性，由此可知，即便是簡單的問題，更好的演算法也可以比更強的CPU有效。

10、Luminoth

宣告：本庫是由Tryolab的研發中心開發的。

當今世界圖片滿天飛，一些應用急需理解這些圖片的內容。多虧深度學習技術的發展，影象處理技術也取得了長足的進步。

Luminoth是基於TensorFlow和Sonnet構建的一個處理計算機視覺的Python工具箱。目前，它通過快速R-CNN模型支援物件檢測。

Luminoth不僅實現了這個特定模型，它還是基於模組化構建的，可以擴充套件。因此，自定義現有元件或結合新的模型來解決複雜問題是可行的，好好複用這些程式碼吧。在構建深度學習模型時，它提供了必要的開發工具：轉換影象資料為適用的格式，以供資料管道（TensorFlow的tfrecords）處理，進行資料增強，在一個或多個GPU上進行訓練（在處理大型資料集時，必須使用分散式訓練）。執行評估指標，輕鬆地在TensorFlow中實現視覺化，通過簡單的API或瀏覽器介面部署訓練模型，供人操作。

還有，Luminoth可以很簡單地整合谷歌雲的機器學習引擎，就算你沒有強大的GPU，也可以和在本機一樣，輕鬆一個指令就能在雲端進行模型訓練。

更多優秀庫：這些也不錯

PyVips

可能你從沒聽說過libvips這個庫。這麼說吧，它是個像Pillow或ImageMagick這樣的影象處理庫，並且支援很多圖片格式。然而，和其他庫相比，libvips更快，佔用記憶體更少。比如說，基準測試顯示它比ImageMagick快3倍，佔用記憶體僅為1/15。有關libvips的優勢，請點此查閱。

PyVips是近期釋出的Python版libvips，相容Python2.7和3.6，還有PyPy。使用pip安裝，內嵌式相容繫結的老版本，無需修改程式碼。

如果在APP中進行影象處理，那一定要關注它。

Requestium

宣告：本庫為Tryolabs釋出。

有時，你可能會在網上實現一些自動化操作。比如抓取網站，進行應用測試，或在網上填表，但又不想使用API，這時自動化就變得很必要。Python提供了非常優秀的Requests庫，可以輔助進行這些操作。可惜，很多網站採用基於JavaScript的重客戶端，這就意味著Requests獲取的HTML程式碼中，根本就沒有想要用於自動化操作的表單，更別提自動填表了！它取回的基本上都是React或Vue這些現代前端庫在瀏覽器中生成的空DIV這類的程式碼。

可以通過反向工程處理JavaScript生成的程式碼，但是這需要花幾個小時來編譯，處理這些醜陋的JS程式碼。謝謝，還是算了吧。還有一個方法就是使用Selenium庫，允許以程式化的方式和瀏覽器進行互動，並執行JavaScript程式碼。用了這個庫就沒啥問題了，但是它比佔用資源很少的Requests慢太多了。

如果能以Requests為主，只有在需要Selenium的時候才無縫呼叫，這樣不是更好？看看Requestium吧，它以內嵌方式取代Requests，而且乾的不錯。它還整合了Parsel，用它編寫的頁面查詢元素選擇器程式碼特別清晰。它還為諸如點選元素和確保在DOM中渲染內容這些通用操作提供了幫助。又一個網頁自動化省時利器！

skorch

喜歡scikit-learn的API，但又得用PyTorch來進行工作？別擔心，skorch這個打包器為PyTorch提供了像sklearn一樣的介面。只要你熟悉這些庫，就會覺得它的句法直白易懂。有了skorch，就可以將一些程式碼抽象化，從而把精力集中在真正重要的事上，比如干點兒資料科學。

你喜歡那個呢？

本文福利：加vx；tanzhouyiwan免費領取Python學習資料