Python остается топ 1 среди языков программирования по версии многих журналов и сайтов. Популярность языка и его большое сообщество привело к тому, что сейчас для Python существует огромное число библиотек. К сожалению, большая часть этих библиотек была создана энтузиастами и больше не поддерживается. Давайте посмотрим на 5 хороших развивающихся библиотек, которые могут помочь при решении практических задач.

Funcy ⭐3000

Funcy содержит более 100 полезных методов и декораторов, собранных в одной библиотеке. Если вам важна чистота кода, и читать строки вида:a, b, dummy, _ = map(lambda x: x[1], sorted((query(*[x for x in candidates if x != candidates[j]]), candidates[j]) for j in range(4)))не радует глаз, то эта библиотека поможет вам сделать свой код проще и читабельнее без потери функциональности и без потери скорости.

Для строк есть пару функций, однако мне понравилась одна, где не надо писать лишний код приведения типов, одна функция делает всё за нас:

# funcy
result = str_join(sep=":", seq=data)
# Python
result = ",".join(map(str, data))

Для работы со словарями тоже нашлось несколько полезных функций:

# слияние словарей по определенному правилу
merge_with(list, {"key1": "val"}, {"key1": 1, "key2": "val2"})
# -> {'key1': ['val', 1], 'key2': ['val2']}

f_test = lambda data: str_join(sep="", seq=data)
merge_with(f_test, {"key1": "val"}, {"key1": 1, "key2": "val2"})
# -> {'key1': 'val1', 'key2': 'val2'}

merge_with(sum, {1: 1}, {1: 10, 2: 2})
# -> {1: 11, 2: 2}

merge_with(sum, {1: 1, 3: 2, 2:10}, {1: 10, 2: 2})
# -> {1: 11, 3: 2, 2: 12}

# оставить только те ключи в словаре, которых нет в переданном итерируем объекте
omit({'a': 1, 'b': 2, 'c': 3}, 'ac')
# -> {'b': 2}

# возвращает значение в конце пути, которое указывается для поиска 
# (может очень сильно помочь при парсинге json)
get_in({"a": {"b": 42}}, ["a", "b"], "не нашлось ключа")
# -> 42
get_in({"a": {"b": 42}}, ["a", "c"], "не нашлось ключа")
# -> не нашлось ключа

# применяет функцию только к ключам
walk_keys(str.upper, {'a': 1, 'b': 2, 'C': 0})
# -> {'A': 1, 'B': 2, 'C': 0}

# аналогично можно применять и для списков
walk(inc, {1, 2, 3})
# -> {2, 3, 4}

Так же есть еще много интересных функций и декораторов, например:

• @cache(timeout, key_func=None) - кеширует значение функции на определенное время;

• @cached_readonly - кеширует значение функции, которая доступна только для чтения;

• group_by(f, seq) - разбивает последовательность по определенному правилу;

• where(mappings, **cond) - ищет в списке те словари, которые попадают под заданные правила и еще много других полезных функций.

Да, можно заметить, что какие-функции уже есть в питоне во встроенных либах, а какие-то функции пишутся в 3-4 строки кода. Но преимущество этой библиотеки как раз таки в том, что все эти функции уже реализованы в одном месте и их вызов прост и понятен.

JsonObject ⭐224

JsonObject - удобная библиотека для быстрого преобразования json в объекты Python. Крайне удобно, когда необходимо принимать данные по API и парсить их в определенные структуры. Вот парочка примеров работы с библиотекой:

from jsonobject import *
from datetime import datetime as dt
import json

# собственный класс User
class User(JsonObject):
    username = StringProperty()
    name = StringProperty()
    # default - задает значение по умолчанию, если в json не было такого поля
    active = BooleanProperty(default=False)
    date_joined = DateTimeProperty()
    tags = ListProperty()

user = User(username='Daniil123',
            name='Daniil',
            date_joined=dt.now(),
            tags=['new', 'user', 'python'],
            active=True)

# преобразовать класс в json
data = user.to_json()
print(data)
# -> {'username': 'Daniil123', 'name': 'Daniil', 
# 'date_joined': '2023-03-12T14:07:02Z',
# 'tags': ['new', 'user', 'python'], 'active': True}

# загрузка обратно из json
user2 = User(data)
# или более наглядно
user3 = User({
    'name': 'Daniil',
    'username': 'Daniil123',
    'active': False,
    'date_joined': '2023-03-05T02:46:58Z',
    'tags': ['new', 'user', 'python']
  })

# читаем из файла
open('data.json', 'r', encoding='utf-8') as f:
    dict_data = json.loads(f.read())
    user4 = User(dict_data)

Можно делать вложенные объекты друг в друга:

class NameUser(JsonObject):
    username = StringProperty()
    name = StringProperty()
    
class User(JsonObject):
    name_info = ObjectProperty(NameUser)
    active = BooleanProperty(default=False)
    date_joined = DateTimeProperty()
    tags = ListProperty()

user = User({
    'name': 'Daniil',
    'username': 'Daniil123',
    'active': False,
    'date_joined': '2023-03-05T02:46:58Z',
    'tags': ['new', 'user', 'python']
})
print(user.name_info.name)
# -> Daniil

Эта библиотека способна сэкономить кучу времени при работе со сторонними API, либо просто при работе с JSON данными, если требуется парсить JSON и обрабатывать его поля.

Pdir2 ⭐1300

Pdir2 - отличная библиотека для замены работы со стандартным dir(). Основные преимущества этой библиотеки:

• Атрибуты сгруппированы по типам/функциям с выделением цветом;

• Поддержка настройки цветовой схемы;

• Поддержка всех платформ, включая Windows;

• Поддержка ipython, ptpython, bpython и Jupyter Notebook;

• Возможность искать определенные имена с помощью .s() или .search();

• И много других полезных функций.

Посмотрим, что умеет эта библиотека:

В каждом модуле вы можете спокойно искать интересующие вас методы или свойства по частичному названию:

Так же посмотрим, как эта библиотека работает с класса (иногда хочется посмотреть, какие есть поля у сторонних классов, а в код напрямую не всегда удобно лезть):

# создаем собственный класс
class User:
  def __init__(self):
    self.name = ""
  
  def get_name(self):
    return self.name

user = User()
pdir(user)

В целом библиотека очень удобна, если вам необходимо заглянуть внутрь какого-либо модуля или класса и при этом нет желания или возможность копаться в тоннах чужого кода.

Networkx ⭐12000

NetworkX — это очень большая и удобная библиотека для Python с множеством встроенных функций для работы с графами и их выводом.

Так всего в несколько строк кода можно создать полноценный граф и решить в нем задачу поиска оптимального пути:

import networkx as nx
# создаем граф
G = nx.Graph()
# заполняем ребра графа
G.add_edge("A", "B", weight=4)
G.add_edge("B", "D", weight=2)
G.add_edge("A", "C", weight=3)
G.add_edge("C", "D", weight=4)
# ищем кратчайший путь A->D
p = nx.shortest_path(G, "A", "D", weight="weight")
# -> ["A", "B", "D"]

А вот, например, самая стандартная задача, когда вам нужно найти оптимальные пути между двумя точками, но с учетом того, что каждое ребро графа может иметь несколько свойств:

import networkx as nx
# создаем граф
G = nx.Graph()
# доабвляем пути
G.add_edge("Moscow", "Krasnodar", length=1000, price=150)
G.add_edge("Krasnodar", "Sochi", length=300, price=50)
G.add_edge("Moscow", "Rostov-na-Dony", length=900, price=120)
G.add_edge("Rostov-na-Dony", "Sochi", length=500, price=70)
# ищем кратчайший путь по свойству length (длина пути)
p = nx.shortest_path(G, "Moscow", "Sochi", weight="length")
# -> ['Moscow', 'Krasnodar', 'Sochi']
# ищем кратчайший путь по свойству price (стоимость поездки)
p = nx.shortest_path(G, "Moscow", "Sochi", weight="price")
# -> ['Moscow', 'Rostov-na-Dony', 'Sochi']

Как создать граф, так и отрисовать его не составит особого труда:

import matplotlib.pyplot as plt
# G - граф из примера выше с городами
nx.draw_networkx(G, pos=nx.spiral_layout(G), node_color='r', edge_color='b')
plt.show()

Графы можно загружать и экспортировать в форматах:

• Матрица смежности;

• Матрица инцидентности;

• GEXF;

• GML;

• Pickle;

• GraphML;

• LEDA;

• YAML;

• SparseGraph6;

• Pajek;

• GIS Shapefile.

Доступно более 60 алгоритмов работы с графом. Среди них: определение двудольности графа, поиск расстояния редактирования графа, определение является ли граф деревом или нет, поиск мостов в графе и тд.

Библиотека отлично подойдет как для упрощения работы с небольшими данными, так и для серьезных проектов, так как библиотеку постоянно расширяют и занимаются поддержкой уже больше 12 лет.

You-get ⭐46000

You-get - удобный инструмент для скачивания видео, фото и аудио- файлов с большинства популярных платформ. Среди крупнейших платформ есть:

• YouTube;

• VK;

• Vimeo;

• SoundCloud;

• TED;

• Pinterest;

• Twitter

• и еще 60.

Достаточно просто установить библиотеку: pip install you-get. Далее в командной строке выполнить код:

Так же для скачивания с некоторых сайтов есть возможность использовать proxy. А узнать подробную информацию о файле для скачивания можно командой:

С полным описанием всех типов файлов и сайтов можно ознакомиться на сайте. Данные библиотека будет большим плюсом для тех, кто пишет свои проекты (сайты, телеграм/вк ботов, десктопные приложения), работающие поверх этих самых популярных платформ.

Заключение

Сообщество Python растёт и появляется всё больше и больше крутых библиотек. Делитесь друг с другом полезными материалами и ссылками, чтобы все эти библиотеки не замораживались, а постоянно развивались и улучшались.