目錄
國外的機器學習與資料科學顧問公司「Tyrolabs」每年底都會選出年度十大最強 Python 函式庫。去年（2020）年尾不例外。
根據 Tyrolabs 提出的免責聲明，2020 年他們在精選出 10 大函式庫時，在很大程度上是受到機器學習與數據科學的影響——儘管其中有幾個確實對「非」數據科學的人士非常有用。
因此，除了 10 個入選的 Python 函式庫之外，他們決定再從遺珠之憾中，挑出幾個他們覺得同樣重要的數據庫，列入「榮譽表揚（Honorable mentions）」的部分。
以下為入選的十大 Python 函式庫：
Typer：讓命令列介面更好編輯
雖然你並非總是需要編寫沒有圖像、滿滿文字的 CLI（命令列介面）應用程式，但是一但遇到了，一定會希望能速戰速決、無後顧之憂。FastAPI 的創作者「tiangolo」繼之前的 FastAPI 框架取得巨大的成功後，使用了相同的原理創作了新的函式庫 「Typer」，使你可以借力於 3.6 以上版本的 Python 才有的「類型提示（Type Hinting）」功能來編寫命令行介面。
這樣的設計讓 Typer 脫穎而出。透過「類型提示（Type Hinting）」功能，您可以在 Python 編輯器（如 VSCode）中享有「自動完成」功能，這將大大提高您的工作效率；除了能確保所寫的程式碼是否完整被紀錄之外，你也花了最少的力氣寫出純文字的 CLI 命令列介面的應用程式。
▲ Typer 賦予 Python 編輯器（圖中為 VSCode）「自動完成」的功能，能有效提升寫程式的效率。（圖：FastAPI）
為了增強其功能，Typer 被建立在知名的「命令列神器」Click 之上。這意味著 Typer 可以充分利用 Click 既有的所有優點、社群與插件，使用更簡潔的樣版代碼，並依據所需，進行更複雜的工作。
Rich：讓命令列介面從黑白變彩色
依循命令行介面 CLI 的主題，誰說終端應用程式必須是單色的白色、或是駭客電影中常見的黑色、綠色呢？太無聊了！
身為 Python 工程師的你，是否會想再終端輸出時添加色彩與樣式，像是在打印複雜的表格時加入心跳特效、毫不費力地展示漂亮的進度條、markdown 或是表情符號？Rich 函式庫可以實現上述特效，如以下所示：
▲ Rich 函式庫能讓單色的命令列介面（CLI）變彩色，還能有多種視覺特效、表情符號等。
無庸置疑的，Rich 可讓命令列字元的應用程式，外觀換然一新，給人的視覺體驗。
Dear PyGui：賦予終端機程式真正的圖像化介面
藉由 Rich 函式庫，終端應用程式變漂亮了，但是有時這樣的美化還不夠，你甚至需要一個新的 GUI 圖形介面。此時你需要 Dear PyGui——一款 Dear ImGui C++ 計畫的 Python 接口。
Dear PyGui 使用了在電玩中常用的即時模式（immediate mode），這意味著動態 GUI 是一個影格（frame）接著另一個影格獨立繪製的，不需保留任何資料。這使得「Dear PyGui」與其他 Python GUI 框架有所區別。它具有高性能，且使用電腦的 GPU 來促成高度動態界面的構建，這在工程、模擬、遊戲及資料科學的應用程式是經常被需要的。
▲ Dear PyGui 套用了電玩常用的即時模式，能賦予終端機程式真正的圖像化介面
PrettyErrors：將 Python 醜陋的 bug 信息變漂亮
Python 已經是言簡意賅的程式語言了，但是當有 bug 時，它的錯誤信息輸出（參見下圖左側）也是一樣會讓你懷疑人生！密密麻麻的代碼，讓你必須在毫無頭緒之下地毯式搜索！
▲PrettyErrors 函式庫將原本混亂的 Python 錯誤信息（箭頭左邊所示）重新排版得井然有序、顏色與段落都很分明（箭頭右邊所示）
經過 PrettyErrors 的重新排版，所有醜陋的錯誤信息都能變的井然有序，最後你得到的是經過排版美化、整齊劃一的 bug 報告，如上圖的右側所示。
Diagrams：只用 Python 就能繪製雲系統架構
程式設計師除了 coding 與 debug 外，有時還需要跟其他的同事解釋錯綜復雜的架構。傳統上，我們會使用圖像介面（GUI） 工具來處理圖表、將其可視化後放入簡報、文件等，但這並非唯一的方法。
Diagrams 可以讓你在沒有任何設計工具的狀況下，僅僅使用 Python 程式碼就繪製出雲系統架構！它有現成的圖標，讓你能馬上對應AWS、Azure、GCP 等多個不同的雲端供應商，使得繪製箭頭、創建群組等都輕而易舉！只需幾行代碼即可！
▲ Diagram 函式庫能讓工程師僅僅使用 Python 代碼
就能繪製雲系統架構圖
Hydra 與 OmegaConf：結構化複雜的機器學習項目
在機器學習項目中做研究與實驗時，總是有五花八門的環境配置工作。在這些非平凡（non-trivial）的應用程式中，配置管理可能會變得也複雜。是否有結構化的方法來處理這種複雜性？
Hydra 可藉由「組合」的方式來建構配置，並從命令列或 config 設定檔中覆蓋某些特定的部分，而加快了執行速度。
為了要說明 Hydra 函式庫可簡化一些特定的任務，tryolabs 舉了他們正在試驗的模型的基本架構以及它的多種變化為例。借助 Hydra，可以定義基本配置，然後運行多個工作並對其進行變化：
Hydra 的表親「OmegaConf」為分層配置系統的基礎提供了一致的 API，並支援不同的來源如 YAML、config 設定檔、物件與 CLI 參數。
PyTorch Lightning：PyTorch 版的 Keras，告別沒完沒了的 Debug
PyTorch 是一款熱門的的深度學習框架，可以簡單的方式建構複雜的 AI 模型。但是當作大量實驗的時候，很多東西都會變得複雜過頭，代碼也隨之變得龐大，此時還是容易出錯。
於是，PyTorch Lightning 就為了減少錯誤而誕生：它可以重構 PyTorch 代碼、抽出複雜重複的部分，讓工程師可以專注於核心的建構、實驗也更快更便捷地開展迭代。
▲ PyTorch Lightning 可以重構 PyTorch 代碼、抽出複雜重複的部分，讓工程師可以更專注在研究代碼上
Lighting 的原理是藉由將研究代碼從重複性強的工程代碼區分開，讓工程師可以專注在研究代碼上，思緒就會更加清晰，整體代碼也更加簡潔。
Hummingbird
並不是所有的機器學習都是深度學習。通常，你的模型是由更多傳統的演算法在 Python 的機器學習套件 scikit-learn（像是 Random Forest）中組成；或者你也可以選擇時下流行的 LightGBM和 與 XGBoost 的梯度提升技術 (Gradient boosting）演算法。
然而，機器學習領域一直都在進步。像是上述的 PyTorch 框架正以令人屏息的速度在進步，硬體設備也不斷優化，以更低的耗能、更快的速度完成張量計算。假如我們能將這些優勢套用到傳統的演算法中，不是很好嗎？因此 Microsoft 就發布了新的 Python 函式庫「Hummimgbird」。
Hummingbird 可以將已經訓練好的傳統機器學習模型，編譯至張量計算。這個強大的功能讓你不用設計新的模型！
截至目前為止，Hummingbird 支援轉換到 PyTorch、TorchScript、ONNX 與以及多種機器學習模型以及向量器。其實這跟上述提到的 scikit-learn（Sklearn）非常相似，讓你重複使用現有的代碼，但可將成品變成由 Hummingbird 生成的代碼
HiPlot
幾乎每個數據工程師都處理過高維度資料（High Dimensional）。可惜人類的腦容量有限，無法直觀地處理此類資料，因此必須求助於科技來解決。
2020 年早些時候，Facebook 發布了 HiPlot函式庫，可使用平行座標和其他圖形方式來表示信息，從而協助找出高維度資料中的關聯性和模式。他們在官網中說明了其概念，基本上，HiPlot 是一種將高維度資料視覺化以及過濾的便利方法。
Scalene
隨著 Python 的函式庫生態系統變得越來越複雜，我們也寫出越來越多 C 語言延伸的代碼以及多執行緒代碼。但是，CPython 內置的效能分析器（profiler）無法完整地處理多執行緒和本機代碼。
此時你需要 Scalene：Scalene 是用於 Python 腳本的 CPU 和記憶體的效能分析器（profiler），能完整地處理多執行緒代碼並區分運行 Python 和本機代碼所花費的時間。此時你無需修改代碼，只需要在命令行中使用 Scalene 運行腳本，腳本就會自動生成報告的文字檔或 HTML，顯示代碼中每一行的 CPU 和記憶體使用情況。
▲ Scalene 是用於 Python 腳本的 CPU 和記憶體的效能分析器，能處理多執行緒代碼並區分運行 Python 和本機代碼所花費的時間
同場加映：Norfair
選出去年十大 Python 函式庫的機器學習顧問公司 Tyrolabs 自家也開發了「影像內容分析 (Video content analysis)」的 Python 函式庫「Norfair」。
Norfair 是一個輕量的且可被客製化的 Python 函式庫，用於即時物件追蹤（real-time object tracking）：它可以在不同的影格當中，替每個被偵測到的物件賦予獨一無二的 ID，如此一來，你就能辨識出這些物件——縱使它們都在移動。
▲ Norfair 可以在不同的影格當中，替每個被偵測到的物件(如圖中左側)
賦予獨一無二的 ID (如圖中右側)
藉由 Norfair，工程師只需輸入幾行代碼就能賦予任何偵測器追蹤的功能——無論追蹤的物體是具有有四個參數的 bounding box（邊界框）、只有單一點的幾何中心（centroid）、還有人體姿態辨識系統的輸出（經常有多個關鍵點是大於特定閥值的）等任何物體。
此功能常被用作計算兩個追蹤物體之間的距離，用戶可依序需要定義檢測標準以及追縱的對象。
Norfair 是非常模塊化的 Python 函式庫，使用起來很靈巧：工程師僅需使用幾行代碼，即可在現有的檢測代碼庫上添加追蹤的功能。