9 mało znanych bibliotek Pythona, w których się zakochasz

Programowanie w Pythonie ma ogromny potencjał i dużo możliwości. Jest to prosty i nieskomplikowany język, a do tego posiada wiele fajnych bibliotek oraz funkcji, które mogą znacząco ułatwiać codzienną pracę. Każdy programista Pythona pracuje z popularnymi bibliotekami, takimi jak NumPy, pandas, data time, matplotlib, Tkinter i wieloma innymi. Istnieją jednak mniej znane biblioteki, które Tobie jako programiście, mogą znacząco ułatwić życie i wzbogacić Twoje doświadczenie kodowania.
W tym artykule omówię 9 bibliotek Pythona, które być może uznasz za warte uwagi. Niektóre z tych bibliotek mogą być nawet używane jako zamiennik dla niektórych standardowych bibliotek. Są więc zdecydowanie czymś, na co warto zwrócić uwagę!
1. Pendulum
Pendulum jest wspaniałą biblioteką Pythona do pracy z datami i czasem. Biblioteka ta może być naprawdę przydatna w przypadkach, gdy w grę wchodzą strefy czasowe. Najlepsze w tej bibliotece jest to, że dziedziczy ona po bibliotece Pythona DateTime, więc dobrze z nią działa.
Możemy zainstalować bibliotekę, używając poniższej linii kodu.
pip install pendulum
Chcesz zobaczyć trochę magii biblioteki Pendulum? Zobacz poniższy kod.
import pendulum
past = pendulum.now().subtract(minutes=2)
past.diff_for_humans()
Zaletą korzystania z modułu Pendulum jest łatwość w obsłudze, dlatego możesz uzyskać niesamowite rezultaty.
2. Fabulous
Większość aplikacji Pythona uruchamianych z wiersza poleceń wygląda nijako i nudno. Użycie Fabulousa zmieni to poprzez dodanie obrazów lub kolorowy tekst do konsoli.
Aby zainstalować bibliotekę Fabulous, musimy uruchomić poniższą komendę Pythona.
pip install fabulous
Aby wydrukować kolorowy tekst na terminalu, możemy użyć
from fabulous.color import bold, magenta, highlight_red
print(bold(magenta('''hello world
this is some new line
and here is the last line. :)
''')))
Bibliotekę tę obsługuje Python 2.6, 2.7, 3.3, 3.4, 3.5 oraz PyPy. Można go również przetestować w Google Colab.
3. Pywebview
Pywebview jest biblioteką Pythona do wyświetlania zawartości HTML, CSS i JavaScript w formie GUI. Oznacza to, że za pomocą tej biblioteki możesz wyświetlić swoją witrynę www lub stronę internetową jako aplikację desktopową.
Zainstaluj pywebview, używając następującej komendy.
pip install pywebview
Aby uruchomić okno wyświetlające daną witrynę internetową, musimy uruchomić
import webview
webview.create_window(“Test window”, “target domain name”, width=400, height=200, fullscreen=False, resizable= true)
webview.start()
Zostanie uruchomione nowe okno dla webview.
4. Seaborn
Seaborn jest biblioteką służącą do wizualizacji danych w projektach data science. Jest ona zbudowana na bazie standardowej biblioteki wizualizacyjnej Matplotlib i może uczynić wykresy bardziej kolorowymi i atrakcyjnymi
Aby ją zainstalować, możemy wykonać następujące polecenie.
pip install seaborn
Aby utworzyć wykres liniowy przy użyciu zestawu danych, możemy użyć:
import seaborn as sns
dataset=sns.load_dataset(“dataset name”)
sns.lineplot(x=”x-axis name”, y=”y-axis name”, data = dataset)
5. Psutil
Psutil jest pomocną, wieloplatformową biblioteką Pythona służącą do pozyskiwania informacji związanych z systemem. Można zebrać informacje o działających procesach w systemie, wykorzystaniu procesora, wykorzystaniu pamięci RAM, itp.
Zainstaluj psutil, używając poniższej komendy.
pip install psutil
Aby obliczyć wykorzystanie procesora przez system w odstępie 3 sekund możemy uruchomić:
import psutil
psutil.cpu_percent(interval=3)
6. PyGame
Jak sama nazwa wskazuje, jest to biblioteka Pythona, służąca do tworzenia gier. Zawiera ona wiele bibliotek graficznych i dźwiękowych, które programiści mogą wykorzystać do tworzenia gier. Ponadto złożona logika gry, czy fizyka, mogą być zaimplementowane dzięki modułom wbudowanym w PyGame.
Aby zainstalować PyGame, musimy użyć:
pip install pygame
7. Pyforest
Kiedy pracujemy nad projektem Data Science, musimy zaimportować wiele bibliotek takich jak NumPy, Pandas, Matplotlib, itp. Biblioteka Pyforest pomaga nam zaimportować wszystkie ważne biblioteki jednocześnie.
Musimy tylko uruchomić następującą komendę.
pip install pyforest
Możesz uzyskać również dostęp do takich bibliotek jak NumPy, Pandas, Matplotlib, seaborn itp. Biblioteka ta instaluje również kilka innych ważnych bibliotek, takich jak os, tqdm, re itp.
8. Modin
Modin jest biblioteką, która usprawnia pracę z Pandas poprzez wykorzystanie wszystkich rdzeni maszyny zamiast pojedynczego rdzenia. Dzięki temu praca z dużymi zbiorami danych będzie o wiele szybsza
Możemy zainstalować bibliotekę, używając poniższej linii kodu.
pip install modin
Teraz możesz zainstalować go w taki sposób, aby nie trzeba było wprowadzać dalszych zmian w kodzie.
import modin.pandas as pd
To wszystko, co musisz zrobić. Nie potrzeba już innych zmian.
9. Pandas_profiling
Jest to biblioteka Pythona, która może być użyta do stworzenia podsumowania o zbiorze danych, jego atrybutach i korelacji pomiędzy nimi.
Można ją zainstalować za pomocą poniższego polecenia.
pip install pandas-profiling
Aby uzyskać analizę ramki danych i zapisać analizę jako stronę internetową, możemy użyć
from pandas_profiling import ProfileReport
report = ProfileReport(dataframe)
report.to_file(output_file=’output.html’)
Możesz zapisać ten raport jako plik HTML lub PDF i wykorzystać go do dalszej analizy.
Jeśli chcesz poznać więcej wspaniałych możliwości Pythona to tutaj znajdziesz książkę o programowaniu w Pythonie*, którą zdecydowanie polecam wszystkim początkującym.
Wnioski
Oto kilka mniej znanych bibliotek, które mogą być wykorzystane dla wzbogacenia Twojego doświadczenia kodowania i które mogą zastąpić już istniejące standardowe biblioteki Pythona. Możesz uzyskać szczegółowy tutorial na temat bibliotek na stronach dokumentacji, ponieważ większość z nich jest open source.
Opisane biblioteki na pewno ułatwią Ci pracę.
*Uwaga: Ten artykuł zawiera link afiliacyjny. Oznacza to, że jeśli klikniesz na niego i zdecydujesz się na zakup zasobu, do którego link podałem powyżej, niewielka część twojej opłaty abonamentowej trafi do mnie. Jednak rekomendowany materiał jest przeze mnie sprawdzony i pomógł mi w mojej podróży w dziedzinie data science.
Oryginał tekstu w języku angielskim przeczytasz tutaj.