2025 超现代 Python 实用工具

在当今快速发展的科技领域，Python 生态系统不断涌现出各种强大的工具和库，极大地提升了开发效率和数据处理能力。本文将介绍几款在数据建模、数据处理、数据验证、数据库管理和日志记录领域中备受瞩目的工具：Pydantic、Polars、Pandera、DuckDB 和 Loguru。这些工具不仅简化了开发流程，还通过其高性能和强大的功能，帮助开发者在复杂的数据场景中游刃有余。无论你是数据科学家、软件工程师还是数据分析师，这些工具都将成为你工具箱中的得力助手，助你构建更高效、更可靠的解决方案。

推荐阅读：2025 超现代 Python 实用工具（一）

Pydantic

Pydantic^[1] 是一个功能强大的 Python 库，专门用于数据建模、解析和验证。它通过结合 Python 的类型注解和运行时类型检查，提供了一种更优雅、更安全的方式来组织和处理数据。与传统的使用字典或自定义数据类的方式相比，Pydantic 提供了一种更结构化、更可靠的解决方案，特别适合处理复杂的数据结构和外部输入（如 JSON、YAML 等）。

核心功能

1. 数据建模：Pydantic 允许开发者使用 Python 的类型注解定义数据模型。这些模型不仅清晰地描述了数据的结构，还提供了自动化的数据验证功能。
2. 数据验证：Pydantic 在数据赋值时会自动进行类型检查和验证，确保数据的完整性和一致性。如果数据不符合定义的模型，Pydantic 会抛出详细的错误信息，帮助开发者快速定位问题。
3. 序列化与反序列化：Pydantic 支持将数据模型与 JSON、YAML 等格式相互转换，使得数据的输入输出更加方便和高效。
4. 自定义类型：Pydantic 允许开发者创建自定义数据类型，并为其定义验证规则。这种灵活性使得 Pydantic 能够适应各种复杂的数据场景。
5. 与 Python 类型系统无缝集成：Pydantic 完全兼容 Python 的类型注解（PEP 484），并且支持高级类型（如 Optional、Union、List 等），使得数据模型的定义更加直观和强大。

优势

1. 代码清晰性：Pydantic 的数据模型通过类型注解清晰地描述了数据的结构，使得代码更易于理解和维护。
2. 数据安全性：Pydantic 的自动验证功能可以防止无效数据进入系统，减少运行时错误和数据异常。
3. 开发效率：Pydantic 的自动化功能（如数据验证、序列化）减少了开发者的手动工作量，提升了开发效率。
4. 灵活性：Pydantic 支持自定义类型和验证规则，能够适应各种复杂的数据场景。

Pydantic 与 Python 类型

Pydantic 是 Python 类型革命的重要组成部分。随着 Python 社区对静态类型和类型注解的重视，Pydantic 通过将类型系统与数据验证相结合，为 Python 开发者提供了一种更现代化、更安全的数据处理方式。

• 类型注解的普及：Python 3.5 引入的类型注解（PEP 484）为 Pydantic 提供了基础。Pydantic 充分利用了这一特性，使得数据模型的定义更加直观和强大。
• 更安全的代码：通过类型检查和数据验证，Pydantic 帮助开发者在早期发现潜在的错误，减少生产环境中的问题。
• 更清晰的代码结构：Pydantic 的数据模型不仅描述了数据的结构，还通过类型注解提供了额外的文档信息，使得代码更易于理解和维护。

与字典和自定义数据类的对比

• 字典的局限性：使用字典存储数据虽然灵活，但缺乏结构化和类型安全性，容易导致数据错误和代码难以维护。
• 自定义数据类的不足：虽然 Python 的 dataclass 提供了一种定义数据类的方式，但它缺乏内置的验证功能，开发者需要手动编写验证逻辑。
• Pydantic 的优势：Pydantic 结合了字典的灵活性和数据类的结构化，同时提供了强大的验证功能，使得数据处理更加安全和高效。

Pydantic 使用 Python 类型提示来定义数据类型。试想一下，我们希望一个用户拥有 “name ”和 “id”，我们可以用一个字典对其进行建模：

import uuid
users = [
    {'name': 'alpha', 'id': str(uuid.uuid4())},
    {'name': 'beta'},
    {'name': 'omega', 'id': 'invalid'}
]

我们也可以用 Pydantic 来建模--引入一个继承自 pydantic.BaseModel的类：

import uuid
import pydantic
class User(pydantic.BaseModel):
    name: str
    id: str = None
users = [
    User(name='alpha', 'id'= str(uuid.uuid4())),
    User(name='beta'),
    User(name='omega', id='invalid'),
]

Pydantic 的优势之一是验证--我们可以对用户 ID 进行一些验证--下面将检查 id 是否为有效的 GUID，否则将其设置为 None：

import uuid
import pydantic
class User(pydantic.BaseModel):
    name: str
    id: str = None
    @pydantic.validator('id')
    def validate_id(cls, user_id:str ) -> str | None:
        try:
            user_id = uuid.UUID(user_id, version=4)
            print(f"{user_id} is valid")
            return user_id
        except ValueError:
            print(f"{user_id} is invalid")
            return None
users = [
    User(name='alpha', id= str(uuid.uuid4())),
    User(name='beta'),
    User(name='omega', id='invalid'),
]
[print(user) for user in users]

运行上述代码后，我们的 Pydantic 模型拒绝了我们的一个 ID - 我们的 omega 已拒绝了其原始 ID invalid 并最终使用了 id=None：

$ python pydantic_eg.py

45f3c126-1f50-48bf-933f-cfb268dca39a is valid
invalid is invalid
name='alpha' id=UUID('45f3c126-1f50-48bf-933f-cfb268dca39a')
name='beta' id=None
name='omega' id=None

这些 Pydantic 类型可以成为您 Python 程序中的原始数据结构（而不是字典）--让其他开发人员更容易理解发生了什么。

提示--你可以从 Pydantic 模型中生成 Typescript 类型--这样就可以在 Typescript 前端和 Python 后端共享相同的数据结构。

Polars

Polars^[2] 是一款高性能的 Python 数据处理工具，专门用于高效处理表格数据。作为 Pandas 或 Apache Spark 的替代工具，Polars 凭借其卓越的性能、灵活的功能和直观的语法，正在成为数据科学家和工程师的首选工具之一。无论是处理小型数据集还是超大规模数据，Polars 都能提供出色的表现。

核心特点

高性能：

• Polars 是用 Rust 语言编写的，充分利用了多核 CPU 的并行计算能力，能够以极快的速度处理数据。
• 与 Pandas 相比，Polars 在处理大规模数据时性能显著提升，尤其是在数据量超过内存容量时，Polars 依然能够高效运行。

查询优化：

• Polars 提供了强大的查询优化功能，能够将多个数据转换操作（如过滤、聚合、排序等）组合在一起，并自动优化执行计划。
• 这种“延迟执行”机制与 Pandas 的“即时执行”模式不同。Pandas 每次操作都会立即执行，而 Polars 会先构建一个执行计划，然后通过优化减少不必要的计算，从而大幅提升效率。

并行处理：

• Polars 内置并行处理功能，能够自动将任务分配到多个 CPU 核心上运行，充分利用硬件资源。
• 这种并行化能力使得 Polars 在处理大规模数据时表现出色，尤其适合需要高性能计算的场景。

处理大于内存的数据集：

• Polars 支持“流式处理”模式，能够分块读取和处理数据，从而轻松应对超过内存容量的数据集。
• 这一功能使得 Polars 在处理大数据时无需依赖分布式系统（如 Spark），同时保持高效和易用性。

直观的语法：

• Polars 的 API 设计简洁直观，许多操作与 Pandas 类似，但更加现代化和高效。
• 许多用户认为 Polars 的语法比 Pandas 更易于使用，尤其是在处理复杂数据操作时。

优势

1. 性能卓越：Polars 的性能远超 Pandas，尤其是在处理大规模数据时，速度提升可达数倍甚至数十倍。
2. 内存效率高：Polars 的内存管理更加高效，能够处理比内存更大的数据集，而不会导致系统崩溃或性能下降。
3. 查询优化：Polars 的延迟执行和查询优化机制使得复杂的数据操作更加高效，减少了不必要的计算开销。
4. 易于迁移：对于熟悉 Pandas 的用户来说，Polars 的学习曲线非常平缓，许多操作可以直接迁移。
5. 开源与活跃社区：Polars 是一个开源项目，拥有活跃的社区支持，开发者可以快速获得帮助并参与贡献。

与 Pandas 和 Spark 的对比

我们从一个有三列的数据集开始：

import polars as pl
df = pl.DataFrame({
    'date': ['2025-01-01', '2025-01-02', '2025-01-03'],
    'sales': [1000, 1200, 950],
    'region': ['North', 'South', 'North']
})

下面我们将列创建和聚合合并为一个查询：

query = (
    df
    # start lazy evaluation - Polars won't execute anything until .collect()
    .lazy()
    # with_columns adds new columns
    .with_columns(
        [
            # parse string to date
            pl.col("date").str.strptime(pl.Date).alias("date"),
            # add a new column with running total
            pl.col("sales").cum_sum().alias("cumulative_sales"),
        ]
    )
    # column to group by
    .group_by("region")
    # how to aggregate the groups
    .agg(
        [
            pl.col("sales").mean().alias("avg_sales"),
            pl.col("sales").count().alias("n_days"),
        ]
    )
)
# run the optimized query
print(query.collect())

shape: (2, 3)
┌────────┬───────────┬────────┐
│ region ┆ avg_sales ┆ n_days │
│ ---    ┆ ---       ┆ ---    │
│ str    ┆ f64       ┆ u32    │
╞════════╪═══════════╪════════╡
│ North  ┆ 975.0     ┆ 2      │
│ South  ┆ 1200.0    ┆ 1      │
└────────┴───────────┴────────┘

我们可以用 Polars 来解释我们的疑问：

print(query.explain())
AGGREGATE
        [col("sales").mean().alias("avg_sales"), col("sales").count().alias("n_days")] BY [col("region")] FROM
  DF ["date", "sales", "region"]; PROJECT 2/3 COLUMNS; SELECTION: Non

Tips: 可以使用 pl.DataFrame.to_pandas() 将 Polars DataFrame 转换为 Pandas DataFrame。这对于将基于 Pandas 的管道慢慢重构为基于 Polars 的管道非常有用。

Pandera

Pandera^[3] 是一款专为表格数据设计的轻量级数据质量检查工具，旨在帮助开发者和数据科学家在数据进入分析管道之前，快速发现并解决数据质量问题。与 Great Expectations 或简单的 assert 语句相比，Pandera 提供了更加灵活、直观且易于集成的方式来定义和验证数据模式，确保数据的完整性和一致性。

核心功能

数据模式定义

• Pandera 允许用户为表格数据（如 Pandas DataFrame）定义明确的数据模式（Schema），包括列的类型、取值范围、唯一性约束等。
• 通过定义模式，Pandera 可以自动验证数据是否符合预期，从而在数据问题传播到下游分析之前将其捕获。

灵活的验证规则

• Pandera 支持多种验证规则，例如数据类型检查、值范围检查、唯一性检查、正则表达式匹配等。
• 用户还可以自定义验证函数，以满足特定的业务需求。

与 Pandas 无缝集成

• Pandera 专为 Pandas DataFrame 设计，能够直接集成到现有的数据处理流程中，无需额外的学习成本。
• 它支持链式操作，可以在数据处理的每一步进行验证。

清晰的错误报告

• 当数据不符合定义的模式时，Pandera 会提供详细的错误信息，帮助用户快速定位问题。
• 错误报告包括具体的列名、错误类型以及不符合规则的数据值。

支持复杂数据类型

• Pandera 不仅支持基本的数据类型（如整数、浮点数、字符串），还支持复杂的数据类型（如日期时间、嵌套对象等）。

优势

1. 轻量级与易用性：Great Expectations 相比，Pandera 更加轻量级，易于集成到现有的 Python 数据生态系统中。
2. 灵活性：Pandera 支持自定义验证规则，能够满足各种复杂的业务需求。
3. 清晰的错误反馈：Pandera 的错误报告非常详细，能够帮助用户快速定位和修复数据问题。
4. 与 Pandas 无缝集成：Pandera 专为 Pandas 设计，能够直接应用于 DataFrame，无需额外的适配工作。
5. 开源与社区支持：Pandera 是一个开源项目，拥有活跃的社区支持，用户可以快速获得帮助并参与贡献。

与 Great Expectations 和 assert 语句的对比

下面我们为销售数据创建一个模式，包括一些数据质量检查：

• 空值检查
• 上下限
• 接受值

import polars as pl
import pandera as pa
from pandera.polars import DataFrameSchema, Column
schema = DataFrameSchema(
    {
        "date": Column(
            pa.DateTime,
            nullable=False,
            coerce=True,
            title="Date of sale"
        ),
        "sales": Column(
            int,
            checks=[pa.Check.greater_than(0), pa.Check.less_than(10000)],
            title="Daily sales amount",
        ),
        "region": Column(
            str,
            checks=[pa.Check.isin(["North", "South", "East", "West"])],
            title="Sales region",
        ),
    }
)

现在，我们可以使用该模式验证数据：

data = pl.DataFrame({
    "date": ["2025-01-01", "2025-01-02", "2025-01-03"],
    "sales": [1000, 1200, 950],
    "region": ["North", "South", "East"]
})
data = data.with_columns(pl.col("date").str.strptime(pl.Date, "%Y-%m-%d"))
print(schema(data))

shape: (3, 3)
┌────────────┬────────┬────────┐
│ date       ┆ sales  ┆ region │
│ ---        ┆ ---    ┆ ---    │
│ datetime   ┆ f64    ┆ str    │
╞════════════╪════════╪════════╡
│ 2025-01-01 ┆ 1000.0 ┆ North  │
│ 2025-01-02 ┆ 1200.0 ┆ South  │
│ 2025-01-03 ┆ 950.0  ┆ North  │
└────────────┴────────┴────────┘

当我们有坏数据时，Pandera 会引发异常：

data = pl.DataFrame({
    "date": ["2025-01-01", "2025-01-02", "2025-01-03"],
    "sales": [-1000, 1200, 950],
    "region": ["North", "South", "East"]
})
data = data.with_columns(pl.col("date").str.strptime(pl.Date, "%Y-%m-%d"))
print(schema(data))
SchemaError: Column 'sales' failed validator number 0: <Check greater_than: greater_than(0)> failure case examples: [{'sales': -1000}]

提示 - Pandera 还提供了基于 Pydantic 风格类的 API，可以使用 Python 类型进行验证。

DuckDB

DuckDB^[4] 是一款高性能的嵌入式分析型数据库，专为高效执行 SQL 查询而设计。作为 SQLite、Polars 和 Pandas 的替代品，DuckDB 凭借其列式存储架构和优化的查询引擎，在处理分析型工作负载时表现出色。它特别适合用于数据科学、机器学习和大数据分析场景，能够以极快的速度处理大规模数据集。

核心特点

列式存储：

• DuckDB 采用列式存储架构，与传统的行式存储（如 SQLite）相比，能够显著提升分析型查询的性能。
• 列式存储特别适合用于聚合、过滤和扫描大量数据的场景，因为它只需要读取相关的列，而不是整行数据。

嵌入式设计：

• DuckDB 是一个嵌入式数据库，无需单独的服务器进程，可以直接集成到应用程序中。
• 它支持单文件数据库（类似于 SQLite），使得部署和管理更加简单。

高性能查询：

• DuckDB 的查询引擎经过高度优化，能够以极快的速度执行复杂的 SQL 查询。
• 它支持多核并行处理，充分利用现代硬件的计算能力。

兼容性：

与 SQLite、Polars 和 Pandas 的对比

我们使用 CSV 和 Parquet 格式创建一些示例数据：

import duckdb
import polars as pl
sales = pl.DataFrame(
    {
        "date": ["2025-01-01", "2025-01-02", "2025-01-03"],
        "product_id": [1, 2, 1],
        "amount": [100, 150, 200],
    }
).to_csv("sales.csv", index=False)
products = pl.DataFrame(
    {"product_id": [1, 2], "name": ["Widget", "Gadget"], "category": ["A", "B"]}
).to_parquet("products.parquet")

下面我们对两种数据格式进行 SQL 查询：

con = duckdb.connect()
print(
    con.execute(
        """
    WITH daily_sales AS (
        SELECT 
            date,
            product_id,
            SUM(amount) as daily_total
        FROM 'sales.csv'
        GROUP BY date, product_id
    )
    SELECT 
        s.date,
        p.name as product_name,
        p.category,
        s.daily_total
    FROM daily_sales s
    JOIN 'products.parquet' p ON s.product_id = p.product_id
    ORDER BY s.date, p.name
"""
    ).df()
)

         date product_name category  daily_total
0  2025-01-01      Widget        A         100
1  2025-01-02      Gadget        B         150
2  2025-01-03      Widget        A         200

DuckDB 在处理大于内存的数据集时表现出色。它可以直接高效地查询 Parquet 文件，而无需先将其加载到内存中。

提示--使用 DuckDB 的 EXPLAIN 命令了解查询执行计划并优化查询。

Loguru

Loguru^[5] 是一个现代化、简洁且功能强大的 Python 日志记录库，旨在为开发者提供一种更简单、更直观的方式来记录日志。作为 Python 标准库 logging 模块和 structlog 的替代品，Loguru 通过减少配置复杂性、提供更友好的 API 和增强的功能，显著改善了日志记录的体验。它的设计理念是“让日志记录变得不再痛苦”，尤其适合那些希望快速上手并专注于核心开发的用户。

核心特点

零配置开箱即用：

• Loguru 无需复杂的配置即可直接使用。只需导入库并开始记录日志，所有默认设置都已优化，适合大多数场景。
• 与标准库 logging 模块相比，Loguru 避免了繁琐的 Handler、Formatter 和 Filter 配置。

单一日志记录器：

• Loguru 的核心理念是只使用一个全局日志记录器（logger），而不是为每个模块或组件创建多个日志记录器。
• 这种设计简化了日志管理，避免了因多个日志记录器导致的混乱和性能开销。

丰富的输出格式：

• Loguru 支持高度自定义的日志格式，包括时间戳、日志级别、文件名、行号等信息。
• 它还支持颜色输出，使日志在终端中更易于阅读。

强大的日志处理功能：

• Loguru 提供了灵活的日志处理功能，例如日志轮转、压缩、异步写入等。
• 它还支持将日志输出到多种目标，如文件、控制台、电子邮件等。

异常捕获与回溯：

• Loguru 可以自动捕获并记录未处理的异常，并生成完整的堆栈回溯信息。
• 这一功能使得调试和错误排查更加方便。

与标准库兼容：

• Loguru 构建在 Python 标准库 logging 模块之上，因此可以轻松替换现有的 logging.Logger，而无需修改大量代码。

优势

1. 简化日志记录：Loguru 通过减少配置和提供更友好的 API，显著简化了日志记录的流程。
2. 高性能：Loguru 的设计注重性能，能够以较低的开销记录大量日志。
3. 灵活性：尽管 Loguru 提供了默认配置，但它仍然支持高度自定义，能够满足各种复杂的需求。
4. 易用性：Loguru 的 API 设计非常直观，即使是初学者也能快速上手。
5. 社区支持：Loguru 是一个开源项目，拥有活跃的社区支持，用户可以快速获得帮助并参与贡献。

与标准库 logging 和 structlog 的对比

使用 Loguru 进行日志记录就像 from loguru import logger 一样简单：

from loguru import logger
logger.info("Hello, Loguru!")
2025-01-04 02:28:37.622 | INFO     | __main__:<module>:3 - Hello, Loguru!

配置日志记录器只需调用一次 logger.add 即可完成。

我们可以配置如何将日志记录到 std.out：

logger.add(
    sys.stdout,
    colorize=True,
    format="<green>{time}</green> <level>{message}</level>",
    level="INFO"
)

下面的代码会将日志配置到文件中：

logger.add(
    "log.txt",
    format="{time} {level} {message}",
    level="DEBUG"
)

Tip: Loguru 支持通过 logger.add(“log.txt”,seralize=True)参数将记录结构化为 JSON 格式。

Marimo

Marimo^[6] 是一种 Python 笔记本编辑器和格式 - 它是 Jupyter Lab 和 JSON Jupyter 笔记本文件格式的替代品。

与旧式的 Python 笔记本编写方式相比，Marimo 有多项改进：

• 更安全 - Marimo 笔记本单元格的执行基于变量引用而非顺序、
• 开发体验 - Marimo 为开发者提供了许多高质量的生活功能、
• 互动 - Marimo 提供类似网络应用程序的互动体验。

Marimo 还提供了反应功能--当单元格的输入发生变化时，可以重新执行单元格。对于某些笔记本来说，这可能是一把双刃剑，因为改变调用会产生副作用，如查询应用程序接口或数据库。

Marimo 笔记本存储为纯 Python 文件，这意味着：Git diffs 是有意义的，笔记本可以作为脚本执行。

下面是 Marimo 笔记本格式的示例：

import marimo
__generated_with = "0.10.12"
app = marimo.App(width="medium")
@app.cell
def _():
    import pandas as pd
    def func():
        return None
    print("hello")
    return func, pd
if __name__ == "__main__":
    app.run()

提示 - Marimo 与 GitHub Copilot 和 Ruff 代码格式化集成。

Pydantic 是一个现代化的 Python 数据工具，通过其强大的数据建模和验证功能，帮助开发者构建更清晰、更安全的代码。随着 Python 类型革命的推进，Pydantic 正在成为 Python 开发中不可或缺的一部分，特别是在需要处理复杂数据结构的场景中。

Polars 是一款现代化的高性能数据处理工具，凭借其查询优化、并行处理和流式处理能力，正在成为 Pandas 和 Spark 的有力替代品。无论是处理小型数据集还是超大规模数据，Polars 都能提供卓越的性能和直观的语法。如果你正在寻找一个更快、更高效的数据处理工具，Polars 无疑是你的理想选择。

Pandera 是一款轻量级且功能强大的数据质量检查工具，特别适合用于验证表格数据的完整性和一致性。通过定义明确的数据模式，Pandera 能够在数据问题传播到下游分析之前将其捕获，从而显著提升数据质量。无论是数据清洗、数据管道，还是自动化测试，Pandera 都能成为你的得力助手。如果你正在寻找一个简单易用且功能强大的数据验证工具，Pandera 无疑是你的理想选择。

DuckDB 是一款专为分析型查询设计的高性能嵌入式数据库，凭借其列式存储架构和优化的查询引擎，能够以极快的速度处理大规模数据集。与 SQLite 的事务性优化不同，DuckDB 专注于分析型工作负载，特别适合用于数据科学、机器学习和大数据分析场景。如果你正在寻找一个轻量级、高性能且易于使用的 SQL 数据库，DuckDB 无疑是你的理想选择。

Loguru 是一个现代化、简洁且功能强大的日志记录库，通过其零配置、单一日志记录器和丰富的功能，显著简化了 Python 日志记录的流程。无论是快速开发、调试还是替代标准库 logging，Loguru 都能提供卓越的体验。如果你正在寻找一个更简单、更直观的日志记录工具，Loguru 无疑是你的理想选择。

参考资料