十大热门Python框架和应用，你最喜欢哪一个？

发表时间: 2022-12-09 13:48

网上有不少Python的框架和应用。

在这里推荐10个超有用的框架或应用，包含：高性能的Web框架、汉语分词库、数据可视化的Python库等等。

全文干货，推荐收藏。

1. fastapi

作者: tiangolo
star: 52000
fork: 4300
watch: 601

基于 Python 3.6+ 的高性能 Web 框架。FastAPI "名副其实"，不仅写接口快，调试也方便，Python 的不断进步，让 Web 开发也变得更快、更强。

示例代码：

from fastapi import FastAPIapp = FastAPI()@app.get("/")async def read_root():    return {"Hello": "World"}@app.get("/items/{item_id}")async def read_item(item_id: int, q: str = None):    return {"item_id": item_id, "q": q}# 启动命令：uvicorn main:app --reload

2. rich

作者: Textualize
star: 41000
fork: 1400
watch: 541

想要一个高级感满满的终端吗？rich能给你想要的一切。虽然把终端过度美化不仅华而不实，甚至会喧宾夺主，但不可否认，一个好看得终端输出，在愉悦心情的同时，还能提高开发者的效率。

每当看到那些性感的语法高亮、整齐的表格、舒服的进度条，你就会庆幸我给你推荐了这款框架。

3. sentry

作者: getsentry
star: 33000
fork: 3700
watch: 675

一款采用C/S模式的实时异常监控平台，免费开通，通过Python实现。不仅提供清晰高效的web管理界面，还支持从任何语言、任何应用程序发送事件。

在应用服务开发领域，成熟的异常监控警告必不可少，sentry能很好地完成这方面的任务。

4. jieba

作者: fxsjy
star: 30000
fork: 6600
watch: 1300

强大的汉语分词库，Python界人尽皆知的NLP必备工具，接口非常完善，开箱即用！

示例代码如下：

# encoding=utf-8import jiebaseg_list = jieba.cut("我来到北京清华大学", cut_all=True)print("Full Mode: " + "/ ".join(seg_list))  # 全模式seg_list = jieba.cut("我来到北京清华大学", cut_all=False)print("Default Mode: " + "/ ".join(seg_list))  # 精确模式seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式print(", ".join(seg_list))seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式print(", ".join(seg_list))【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学【精确模式】: 我/ 来到/ 北京/ 清华大学【新词识别】：他, 来到, 了, 网易, 杭研, 大厦    (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)【搜索引擎模式】： 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造

5. redash

作者: getredash
star: 22000
fork: 3900
watch: 587

redash是一个优质的数据可视化项目，通过Python实现的数据查询以及可视化的功能。聚焦在数据可视化的核心功能上，减少冗余的同时，也更容易掌握。

应用可以将一个SQL查询结果高效地可视化，同时提供SQL代码片段存储，降低重写SQL的情况。

6. taichi

作者: taichi-dev
star: 22000
fork: 2100
watch: 396

这是一个高性能的图形编程框架。它可以将 Python 代码转换成高效的汇编代码，在多 CPU 和 GPU 上操作，相当于使用 Python 写修饰器。

Taichi 解决了图形学配置环境难、代码移植性差等问题，通过pip install taichi就可以安装。示例代码：

import taichi as titi.init(arch=ti.gpu)  # 指定编译后的函数在 GPU 上执行n = 320pixels = ti.field(dtype=float, shape=(n * 2, n))  # 提前声明数组存储类型，大小@ti.func  # 该函数将是被调用的过程函数def complex_sqr(z):    return ti.Vector([z[0]**2 - z[1]**2, z[1] * z[0] * 2])@ti.kernel  # 该函数将被 Taichi 编译def paint(t: float):    for i, j in pixels:  # 最外层循环会自动并行化        c = ti.Vector([-0.8, ti.cos(t) * 0.2])        z = ti.Vector([i / n - 1, j / n - 0.5]) * 2        iterations = 0        while z.norm() < 20 and iterations < 50:  # 其他语法和原生 Python 基本一致            z = complex_sqr(z) + c            iterations += 1        pixels[i, j] = 1 - iterations * 0.02gui = ti.GUI("Julia Set", res=(n * 2, n))for i in range(1000000):    paint(i * 0.03)    gui.set_image(pixels)    gui.show()

7. streamlit

作者: streamlit
star: 22000
fork: 1900
watch: 284

一个快速搭建和分享数据的应用，能够快速地把数据传换成可视化、可交互的网页。该框架后端用Python写成。

应用能十分方便、快捷地帮助你把数据变成图表，并且可以提供免费共享的服务平台，使你的数据项目更快上线，给更多人共享和讨论。

8. labelImg

作者:heartexlabs
star: 19000
fork: 5700
watch: 378

这是一个用Python和Qt实现的图像标注桌面应用，开箱即用非常方便，适配 Windows、Linux、macOS。数据标注支持 PASCAL VOC 格式的 XML 文件和 YOLO 的 txt 文件。

9. pyecharts

作者: pyecharts
star: 13000
fork: 2700
watch: 380

Echarts是一个非常实用，内容丰富的图表类库，本项目是Echarts的python应用框架。

10. imgaug

作者: aleju
star: 13000
fork: 2300
watch: 229

这是一个针对图像的数据增强应用库。

一个庞大且优质的数据集，对于机器学习至关重要。所谓数据增强，即是将有限数据集衍生出更多数据，以增加样本数量和多样性的数据治理行为。

imgaug是一个转为机器学习准备的图像数据增强库。

感谢你看到这里，希望以上信息对你有所帮助。

离开之前，记得点赞哦~

结束语

我是@老K玩代码，专注于编程开发的经验总结和项目分享，对编程有兴趣、正在学习编程的同学可以关注我。

#头条创作挑战赛#