七个非常实用的Python工具包总结

目录

• 一、Faker
• 二、Pywebio
• 三、Airflow
• 四、Loguru
• 五、Pydash
• 六、Weights & Biases
• 七、PyCaret
• Summary

一、Faker

生产环境通常具有实时数据。把它放到测试环境中并不容易。我们必须对从生产到测试环境的数据进行标记化，这通常会将数据转换为乱码。

此外，在欺诈行业，我们需要找出欺诈身份。为了生成假PII（个人可识别信息），我使用了一个名为Faker的包，这是一个很酷的软件包，可以让你创建一个带有地址、名字等的假PII。

以上是一些虚假数据的例子。带有 GAN 假图像的假数据可以给出一个真实的人。

二、Pywebio

我们知道 Flask 适用于 Python 端的表单、UI 和 restapi。然而，如果想要一个简单的表单，Flask就不太适用了。通常用 Pywebio 来创建，它会创建了一个简单、干净的UI。所有的代码都是用普通的python编写的，并且我们不用额外学新东西！

# A simple script to calculate BMI
from pywebio.input import input, FLOAT
from pywebio.output import put_text

def bmi():
    height = input("Input your height(cm)：", type=FLOAT)
    weight = input("Input your weight(kg)：", type=FLOAT)

    BMI = weight / (height / 100) ** 2

    top_status = [(16, 'Severely underweight'), (18.5, 'Underweight'),
                  (25, 'Normal'), (30, 'Overweight'),
                  (35, 'Moderately obese'), (float('inf'), 'Severely obese')]

    for top, status in top_status:
        if BMI <= top:
            put_text('Your BMI: %.1f. Category: %s' % (BMI, status))
            break

if __name__ == '__main__':
    bmi()

在几秒钟内，它转换为一个前端 UI 网页。我们还可以编写一些会话并处理输入和输出，查看他们的文档以获取详细信息。

三、Airflow

Airflow 是我最喜欢的软件包之一，它是一种工作流管理工具，在 MLOPS 中经常被低估和较少使用，它还可以用于特定的执行间隔、重新训练模型、批处理、网站抓取、投资组合跟踪、自定义新闻提要等。

在工作流程方面，选项是无限的，它还可以连接到特定服务的云服务商。代码可以用 python 写，在 UI 上可以看到执行，非常棒。工作流也可以按特定时间间隔进行安排。

四、Loguru

Logger 是我讨厌但又不得不使用的工具，它是调试应用程序的最佳方法之一。但是，logger 里面的日志太多了，让人比较烦。而 Loguru 在某种程度上就比较友好，它虽不能解决所有挑战，但是它很容易添加日志语句并为其添加更多调试。

from loguru import logger

logger.debug("That's it, beautiful and simple logging!")

它还有助于拆分文件并执行清理，因此我们不需要查看所有历史日志。

logger.add("file_1.log", rotation="500 MB")    # Automatically rotate too big file
logger.add("file_2.log", rotation="12:00")     # New file is created each day at noon
logger.add("file_3.log", rotation="1 week")    # Once the file is too old, it's rotated

logger.add("file_X.log", retention="10 days")  # Cleanup after some time

logger.add("file_Y.log", compression="zip")    # Save some loved space

你还可以使用参数 backtrace 来回溯执行。

简而言之，在生产环境中使用这个包来调试应用程序或 AI 模型训练是值得的。

五、Pydash

通常在数据清洗或处理中，我们要处理大量的数据清洗。这些是一些较小的项目，需要时间。例如，如何展平列表？当然，你可以写一个清单，但是如果有一个快速功能来执行这些操作呢？

这就是Pydash闪耀的地方，它成为了我的快速转到库，其中包含一系列python实用程序。

以上只是一个小例子，它包含很多功能，绝对值得一看。

六、Weights & Biases

WANDB是跟踪和可视化机器学习管道最有用的包之一，我最喜欢的部分是他们的central dashboard，它类似于记录器，但可以做更多的事情。

它易于使用，并集成了最流行的库，如 Tensorflow、PyTorch、fastai、huggingface 等。但是，在商业领域使用它时有一些限制，你必须付费订阅。除此之外，它是一个很棒的库。

七、PyCaret

在R中我最喜欢的一个包是caret 包，当我看到 PyCaret 包时，我很兴奋。因为它简化了许多编码，当你想快速做某件事情时可以使用。这个包有很多关于默认参数的选项，可以用不同的度量点运行不同的模型。

Summary

正如本文所说的，我们看到在应用程序开发或数据分析中使用了不同的包，这并不是一份详尽的清单，我会继续为大家分享更多的实用的工具包。

到此这篇关于你肯定不知道这7个非常实用的Python工具包的文章就介绍到这了,更多相关Python工具包内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！