GitHub热榜｜5款优质的Python小工具，第三款是最爱啊！

Python是一门好玩、实用的语言，它不仅可以爬虫、数据分析、可视化，还可以应用于数据挖掘、人工智能等方面。基于Python开发的小项目很多，之前有过两次分享，在CSDN、公众号上受到了很多同学的喜欢，这一点超出了我的预期，同时也激励自己有时间多多分享一些实用的干货。

话不多说，今天小编为大家推荐5个优质的Python项目，它们分别是：

missingno
streamlit
pyecharts
qdm
pyxelate

missingno

missingno 是一款Python缺失数据的可视化工具。数据，是我们在工作中最为重要的一个环节，没有之一。而数据缺失，又是我们在数据质量验证中最为重要的一项任务。

很多刚从业的同学，刚接触到项目便开始把目光放在算法的研究和开发方面，一番努力之后，发现效果并没有达到预期，回头定位问题的时候才发现数据确实严重，而在这个过程中已经浪费掉很多时间和精力。

如果我们在着手研发之前，先对数据质量进行验证，可视化一下缺失情况，这样就避免不必要的人力浪费。

安装方法

pip install missingno

1.矩阵

该msno.matrix无效矩阵是一个数据密集的显示，它可以让您快速直观地挑选出图案的数据完成。
在这里插入图片描述
如果要处理时间序列数据，则可以使用关键字参数指定周期性freq

>>> null_pattern = (np.random.random(1000).reshape((50, 20)) > 0.5).astype(bool)
>>> null_pattern = pd.DataFrame(null_pattern).replace({
    
    False: None})
>>> msno.matrix(null_pattern.set_index(pd.period_range('1/1/2011', '2/1/2

在这里插入图片描述
2.条形图
msno.bar 是按列的无效性的简单可视化：

 msno.bar(collisions.sample(1000))

在这里插入图片描述

3.树状图

通过树状图，您可以更全面地关联变量完成，揭示趋势更深的趋势：

msno.dendrogram(collisions)
在这里插入图片描述

streamlit

Streamlit使您可以使用看似简单的Python脚本为您的机器学习项目创建应用程序。它支持热重载，因此在编辑和保存文件时，您的应用程序会实时更新。无需处理HTTP请求，HTML，JavaScript等。您所需要的只是您最喜欢的编辑器和浏览器。看一下Streamlit的实际效果：
在这里插入图片描述安装

pip install streamlit
streamlit hello

pyecharts

在Python开发中，提到画图应该十有八九会想到matplotlib，它是一个老牌且强大的绘图库，但是，在使用过程中有一些弊端，例如，不适合离线查看、支持的绘图接口较为单一。

Echarts 是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts 诞生了。它能够把绘图结果保存为一个html文件，能够动态展示绘图结果，且随时可以打开查看。另外，它支持的绘图类型非常丰富。
在这里插入图片描述

tqdm

tqdm 是一个Python进度条工具，如果刚开始学习Python时，我会对它不屑一顾，编程语言本身还没有学明白，为什么要用这些花里胡哨的东西？简直就是鸡肋！

但是，当开发项目久了以后才发现，它有着不可替代的价值。比如当数据库时出现了问题，有着这个进度条，能够对我们的运行过程一目了然。
在这里插入图片描述

pyxelate

pyxelate是一款生成图像像素艺术照的工具，它通过对图像进行下采样，然后结合无监督学习生成调色板合成衣服像素图片。

安装

pip  install git+https://github.com/sedthh/pyxelate.git

示例

from pyxelate import Pyxelate
from skimage import io
import matplotlib.pyplot as plt
img = io.imread("blade_runner.jpg")

height, width, _ = img.shape 
factor = 14
colors = 6
dither = True

p = Pyxelate(height // factor, width // factor, colors, dither)
img_small = p.convert(img)  # convert an image with these settings

_, axes = plt.subplots(1, 2, figsize=(16, 16))
axes[0].imshow(img)
axes[1].imshow(img_small)
plt.show(）

在这里插入图片描述