[[203891]]

Django 依然是 Python 開發(fā)者值得信賴的庫。然而，在 2016 年幾個還不太知名的庫引起了 Python 開發(fā)者的關(guān)注。在這篇博文中，我向大家揭示 7 個 Python 類庫，其中不包括像 Django，F(xiàn)lask 等已廣為熟知的庫，這些類庫在 2017 年可能值得 Python 開發(fā)者參考。

#1 Arrow

[[203892]] 

移動應(yīng)用程序無處不在，而且全球人類都參與其中 – 無論是游戲，社交媒體，健康監(jiān)控或其他。然而， Python 的標準數(shù)據(jù)/時間庫的問題讓它很難滿足現(xiàn)代應(yīng)用的需求，這些應(yīng)用的目標受眾生活在不同的地區(qū)和國家。Arrow 就是克服這個問題的類庫之一。它擁有簡化創(chuàng)建，格式化，操作和轉(zhuǎn)換數(shù)據(jù)，以及時間和時間戳的功能。

該庫解決了 Python 2 或 3 的支持 datetime 類型的需求。使用 Arrow，開發(fā)人員可以輕松地將一個時區(qū)轉(zhuǎn)換為另一個時區(qū)。此外，Arrow 的日期，時間和日歷模塊打開了一站式服務(wù)的國際化應(yīng)用程序的大門。

#2 TensorFlow

[[203893]] 

2015 年 11 月由 Google 推出的 TensorFlow 是一個用于數(shù)值計算的開源軟件庫。 自 TensorFlow 的推出才過去一年多的時間，但是這個庫已經(jīng)在 Python 開發(fā)人員中獲得了相當大的人氣。 事實上， TensorFlow 是最時髦 GitHub Python 資源庫之一。

該庫可以在桌面，服務(wù)器或移動設(shè)備中通過單個 API 使用運行在 GPU 和 CPUs 上的數(shù)據(jù)流圖能力。 TensorFlow 最初由 Google 機器智能研究機構(gòu)的研究人員和工程師開發(fā)，用于機器學習和深度神經(jīng)網(wǎng)絡(luò)研究。 雖然 TensorFlow 在機器學習社區(qū)中掀起了一些小的波瀾，但它已經(jīng)被證明非常適合生產(chǎn)應(yīng)用程序。

#3 Zappa

[[203894]] 

最開始的時候是由 AWS Lambda 帶來了無服務(wù)架構(gòu)。而 Zappa 則被認為是改進了的 Python web 應(yīng)用部署的程序。 Rich Jones 是 Zappa 的主要作者，并且是 Gun.io 的 CTO，他在一次采訪中說道：“我相信無服務(wù)架構(gòu)(這意味著，系統(tǒng)沒有任何***基礎(chǔ)設(shè)施)是網(wǎng)絡(luò)應(yīng)用的未來”。

至于 Zappa，它讓所有 Python WSGI 的應(yīng)用在 AWS Lambda + API 網(wǎng)關(guān)上的部署變得輕而易舉。在 VPS 服務(wù)(類似 Linode，PaaS服務(wù)的 Heroku )上擺脫依賴庫需要花費成百上千的美元。簡單來說，我們可以說 Zaapa 允許在云上以微服務(wù)部署，不會有任何與服務(wù)器管理相關(guān)的麻煩事。Zappa 同樣也是很快的，可擴展的。

#4 Peewee

[[203895]] 

Peewee 是 Python 生態(tài)中簡單的，富有表現(xiàn)力的 ORM ，它支持 SQLite，MySQL 和 PostgreSQL。數(shù)據(jù)庫經(jīng)常需要為應(yīng)用去使用擴展的數(shù)據(jù)。不過，通過 ad hoc 連接串去 get 和 set 數(shù)據(jù)庫中的數(shù)據(jù)是一項非常有挑戰(zhàn)的任務(wù)。這種情況下，Peewee 就可以幫很大的忙了。這個庫對于開發(fā)者和數(shù)據(jù)庫工程師都是安全的，使用它可以以程序化的 Python 類來直觀地使用數(shù)據(jù)庫資源。

開發(fā)者們以前用 SQLAlchemy 已經(jīng)創(chuàng)建了一個數(shù)據(jù)庫，應(yīng)該會覺得使用 Peewee 創(chuàng)建數(shù)據(jù)庫是更容易的。另外，Peewee 一直以來都適用于 Flask web 框架。

點擊這里學習如何在 Peewee 中創(chuàng)建一個數(shù)據(jù)庫

#5 Sanic + uvloop

[[203896]] 

Sanic 是一個與 Flask 類似，基于 uvloop 的 web 框架，它能讓 Python 更快速。Sanik，是基于 Python 3.5 設(shè)計的，它允許開發(fā)者在 async/await 語法上建立定義異步函數(shù)。在 Sanic 之前，Python 沒有辦法做到如此之快。uvloop 服務(wù)作為一個極其快速的庫，順其自然地替代了異步默認事件的循環(huán)。

Sanik 使得開發(fā)者能夠在 Python 中編寫異步應(yīng)用，在這種方式下非常類似于 Node.js。但是通過 Sanic 作者的基準測試，uvloop 在處理超過每秒33k次請求時，依然表現(xiàn)良好，這超過了 Node.js 的性能。由于 Sanic 還很新，因此在不久的將來會有更多的改進和變更。你也可以到它的 開源庫中 做出貢獻。

# 6 Bokeh

[[203897]] 

你可能知道 Python 在數(shù)據(jù)可視化方面的一些類庫，比如 matplotlib 和 seaborn。然而，Bokeh 是一個專門設(shè)計可視化交互并用于現(xiàn)代的 Web 瀏覽器的展示。開發(fā)者可以利用 Bokeh 以類似于 D3.js 的方式創(chuàng)建***的可視媒體。除此之外，你可以利用非常大的或者流式的數(shù)據(jù)集來擴展更強的表現(xiàn)交互的能力。

你可以通過 Bokeh 創(chuàng)建可視化端點，儀表盤和數(shù)據(jù)應(yīng)用。開發(fā)者也可以利用 Bokeh 處理通過其他類庫，比如 Matplotlib, Seaborn 和 ggplot 創(chuàng)建的可視化圖形。Bokeh 也可以和 Jupyter Notebooks 很好的結(jié)合來用于研究領(lǐng)域。

#7 Blaze

[[203898]] 

Blaze 用于處理數(shù)據(jù)庫和分析查詢的陣列技術(shù)。當對一個大到我們的電腦內(nèi)存不能存儲的數(shù)據(jù)集進行分析時，NumPy 和 Pandas 往往不能派上用場。這時開發(fā)者經(jīng)常求助于 PostgreSQL，MongoDB，Hadoop，Spark 和磁盤外存儲系統(tǒng)(PyTables and BColz)等等。

然而，理解每一個系統(tǒng)如何工作以及如何將數(shù)據(jù)整理成合適的形式是一個非常有挑戰(zhàn)性的工作。由于缺乏對于如何在新技術(shù)之間混合和遷移數(shù)據(jù)的認識，從數(shù)據(jù)分析中攫取有效的結(jié)論將是非常困難的。Blaze 通過提供一個對不同種類數(shù)據(jù)庫技術(shù)統(tǒng)一的接口以及遷移數(shù)據(jù)抽象化處理來解決這個難題。Blaze 對于表達計算是一個好的選擇。

盡管存在一些其他的不太知名但是有效的 Python 類庫，如 Gym + Universe，Boto3，Hug，Scrapy，Beautiful Soup等等。我只能選擇這幾個以便這篇博客有一個結(jié)尾。Python 開發(fā)者可以研究這些類庫看看是否符合他們的需要，再合理的選擇合適的類庫。