35 bibliothèques (cachées) de Python qui sont absolument fantastiques

J'ai passé en revue plus de 1 000 bibliothèques Python et j'ai découvert ces trésors cachés dont je ne soupçonnais même pas l'existence.

En voici quelques-unes qui te feront tomber encore plus amoureux de Python et de sa polyvalence.

1. PyGWalker : Analyser les DataFrames Pandas dans une interface de type tableau dans Jupyter.

   • Lien : https://github.com/Kanaries/pygwalker

2. Science plots : Créer des graphiques matplotlib pros pour des présentations, des articles de recherche, etc.

   • Lien : https://www.monshotdata.com/p/rends-tes-traces-matplotlib-plus-professionnels

3. CleverCSV : Résoudre les erreurs d'analyse lors de la lecture de fichiers CSV avec Pandas.

   • Lien : https://www.monshotdata.com/p/plus-d-inquietude-sur-les-erreurs-de-parsing

4. fastparquet : Accélérer de 5x l'I/O des fichiers Parquet de Pandas.

   • Lien : https://www.monshotdata.com/p/accelerer-io-parquet-de-pandas

5. Dovpanda : Génère des conseils utiles lorsque tu écris ton code Pandas.

   • Lien : https://www.monshotdata.com/p/generer-des-conseils-utiles-sur-du-code-pandas

6. Drawdata : Dessine un ensemble de données 2D de n'importe quelle forme dans un notebook en faisant glisser la souris.

   • Lien : https://github.com/koaning/drawdata

7. nbcommands : Rechercher du code dans les notebooks Jupyter facilement plutôt que de le faire manuellement.

   • Lien : https://www.monshotdata.com/p/ne-cherche-plus-jamais-manuellement-dans-les-notebooks-jupyter-pour-trouver-ton-code

8. Bottleneck : Accélère les méthodes NumPy. Particulièrement efficace si le tableau a des valeurs NaN.

   • Lien : https://www.monshotdata.com/p/accelerer-les-methodes-numpy-avec-bottleneck

9. multipledispatch : Activation de la surcharge des fonctions en python.

   • Lien : https://www.monshotdata.com/p/comment-activer-la-surcharge-des-fonctions-en-python

10. Aquarel : Style des tracés matplotlib.

    • Lien : https://github.com/lgienapp/aquarel

11. Uniplot : Tracé léger dans le terminal avec Unicode.

    • Lien : https://github.com/olavolav/uniplot

12. pydbgen : Générateur aléatoire de DataFrames pandas.

    • Lien : https://github.com/tirthajyoti/pydbgen

13. modelstore : Version des modèles de Machine Learning pour un meilleur suivi.

    • Lien : https://github.com/operatorai/modelstore

14. Pigeon : Annoter des données en cliquant sur un bouton dans un notebook Jupyter.

    • Lien : https://github.com/agermanidis/pigeon

15. Optuna : Un framework pour une optimisation plus rapide/meilleure des hyperparamètres.

    • Lien : https://github.com/optuna/optuna

16. Pampy : Correspondance de motifs simple, intuitive et plus rapide. Fonctionne sur de nombreuses structures de données.

    • Lien : https://github.com/santinic/pampy

17. Typeguard : Renforce les annotations de type en python.

    • Lien : https://github.com/agronholm/typeguard

18. KnockKnock : Décorateur qui notifie la fin de l'apprentissage d'un modèle.

    • Lien : https://github.com/huggingface/knockknock

19. Gradio : Créer une interface élégante pour un modèle ML.

    • Lien : https://github.com/gradio-app/gradio

20. Parse : Inverser des f-strings en spécifiant des motifs.

    • Lien : https://github.com/r1chardj0n3s/parse

21. handcalcs : Écrire et afficher des équations mathématiques dans Jupyter

    • Lien : https://github.com/connorferster/handcalcs

22. Osquery : Écrire des requêtes SQL pour explorer les données du système d'exploitation.

    • Lien : https://github.com/osquery/osquery

23. D3Blocks : Créer et exporter des graphiques interactifs au format HTML. (Matplolib/Plotly perdent l'interactivité lorsqu'ils sont exportés).

    • Lien : https://github.com/d3blocks/d3blocks

24. itables : Afficher les DataFrames Pandas sous forme de tableaux interactifs.

    • Lien : https://github.com/mwouts/itables

25. jellyfish : Effectuer une correspondance approximative et phonétique des chaînes de caractères.

    • Lien : https://github.com/jamesturk/jellyfish

26. Hamilton : Créer un graphe automatique de flux de données de fonctions python.

    • Lien : https://github.com/DAGWorks-Inc/hamilton

27. Folium : Bibliothèque puissante alimentée par js pour visualiser les données géospatiales.

    • Lien : https://github.com/python-visualization/folium

28. Termcolor : formatage en couleur de la sortie d'un terminal/notebook.

    • Lien : https://pypi.org/project/termcolor/

29. PyDataset : Accès à de nombreux ensembles de données (au format DataFrame) à l'aide d'une seule API.

    • Lien : https://github.com/iamaziz/PyDataset

30. Spellchecker : Vérifier si les mots sont correctement orthographiés.

    • Lien : https://github.com/barrust/pyspellchecker

31. plotapi : Créer des visualisations attrayantes et élégantes (également disponible en no-code).

    • Lien : https://github.com/shahinrostami/plotapi

32. animatplot : Animer des graphiques matplotlib.

    • Lien : https://github.com/t-makaro/animatplot

33. HyperTools : Une enveloppe unique pour de nombreuses techniques de réduction de la dimensionnalité et de visualisation.

    • Lien : https://github.com/ContextLab/hypertools

34. Mercury : Construire des applications web dans Jupyter avec Python.

    • Lien : https://github.com/mljar/mercury

35. Lance : Un format de données en colonnes optimisé pour les flux de travail et les ensembles de données ML.

    • Lien : https://github.com/lancedb/lance

C'est terminé !

Quelles bibliothèques Python ajouterais-tu à cette liste ?