COOL IT IDEAS AND STUFF
9 Modern Python Libraries You Must Know in 2025
16-Jul-25
คัมภีร์เทพ IT
See the original english version Click here!
อย่างที่เรารู้กันว่า Python เป็นภาษาที่มี Libraries สุดเจ๋งให้ใช้งานมากมาย และหลายตัวก็ถือว่า สามารถช่วยเปลี่ยนเกมการเขียน Program ไปเลยทีเดียว วันนี้เรามาดู 9 Python Libraries ที่ Developer ควรรู้จักและเรียนรู้ไว้ในปี 2025 เพื่อที่คุณจะได้เขียน Code สนุกยิ่งขึ้น
1. Polars
Polars เป็น DataFrame Library ที่เร็วมาก มันถูกเขียนด้วยภาษา Rust สำหรับการจัดการข้อมูลแบบมีโครงสร้าง
ทำไมถึงควรใช้: Library นี้เร็วกว่า Pandas ถึง 10-100 เท่า มันรองรับการประมวลผลแบบ Lazy สำหรับ Datasets ขนาดใหญ่ และทำงานร่วมกับ Apache Arrow ได้โดยตรง
Docs: https://docs.pola.rs/
การติดตั้ง:
ตัวอย่าง:
ตัวอย่างง่าย ๆ สำหรับการสร้าง DataFrame ด้วย Polars:
2. Ruff
Ruff เป็น Linter ที่เร็วมาก มันถูกเขียนด้วยภาษา Rust ที่ถูกออกแบบมาให้แทนที่ Flake8, Black และ isort ได้ใน Tool เดียว
ทำไมถึงควรใช้: มันเร็วกว่า Flake8 ถึง 20 เท่า รองรับการแก้ไขอัตโนมัติ และทำหน้าที่ได้ทั้งเป็น Formatter และ Linter
Docs: https://docs.astral.sh/ruff/
การติดตั้ง:
ตัวอย่าง:
เราสามารถใช้ uv เพื่อเริ่ม Project:
คำสั่งนี้จะสร้าง Python Project ที่มีโครงสร้างดังนี้:
จากนั้นให้แทนที่เนื้อหาใน src/demo/__init__.py ด้วย Code ต่อไปนี้:
จากนั้นก็เพิ่ม Ruff ลงใน Project:
ต่อมาก็ให้ Run Ruff Linter ใน Project ด้วยคำสั่ง uv run ruff check:
หากพบปัญหา สามารถให้ Ruff แก้ไขให้โดยอัตโนมัติได้ด้วยคำสั่ง ruff check --fix:
3. PyScript
PyScript จะช่วยให้คุณสามารถเขียนและ Run Python Code บน Browser ได้คล้าย ๆ กับ JavaScript
ทำไมถึงควรใช้: PyScript ช่วยให้ใช้งาน Web Apps ที่ขับเคลื่อนด้วย Python ได้โดยตรงใน HTML โดยไม่ต้องใช้ Backend
Docs: https://docs.pyscript.net/2025.2.4/
การติดตั้ง:
เราไม่จำเป็นต้องติดตั้ง PyScript เพียงแค่เพิ่ม <script> และ <link> Tag ลงใน <head> ของ HTML ก็พอ
ตัวอย่าง:
สร้างไฟล์ .html ง่าย ๆ แล้วใช้ <py-script> Tag เขียน Python Code ของคุณ
4. Pandera
Pandera จะช่วยตรวจสอบ DataFrame และ Series ของ Pandas โดยใช้การตรวจสอบแบบ Schema-Based
ทำไมถึงควรใช้: Pandera จะช่วยจับ Errors ของข้อมูลได้ก่อนประมวลผล ใช้งานคล้ายกับ Pydantic แต่สำหรับ Pandas และรองรับ Unit Testing สำหรับ Data
Docs: https://pandera.readthedocs.io/en/stable/
การติดตั้ง:
ตัวอย่าง:
5. JAX
JAX เป็นไลบรารีประสิทธิภาพสูงสำหรับ Machine Learning และการคำนวณเชิงตัวเลข พัฒนาโดย Google
ทำไมถึงควรใช้: เร็วกว่า NumPy ด้วยการเร่งความเร็วด้วย GPU/TPU รองรับ automatic differentiation และถูกใช้ในโปรเจกต์ AI ของ Google
Docs: https://docs.jax.dev/en/latest/quickstart.html
การติดตั้ง:
- เฉพาะ CPU (Linux/macOS/Windows)
- GPU (NVIDIA, CUDA 12)
- TPU (Google Cloud TPU VM)
ตัวอย่าง:
ตัวอย่างง่าย ๆ ในการสร้าง Array ในสไตล์ของ numPy
6. Textual
Textual จะช่วยให้คุณสามารถสร้าง Terminal UI Apps (TUI) ที่ทันสมัยใน Python ด้วย Components ที่หลากหลาย
ทำไมถึงควรใช้: เพื่อสร้าง Terminal Apps ได้อย่างสวยงาม ใช้งานร่วมกับ Rich เพื่อจัดสไตล์ และไม่ต้องมีความรู้ด้าน Frontend เลย
Docs: https://textual.textualize.io/tutorial/
การติดตั้ง:
ตัวอย่าง:
ตัวอย่างง่าย ๆ ในการสร้าง TUI Apps
เมื่อ Run App นี้ จะทำให้คุณได้ผลลัพธ์ดังต่อไปนี้:
7. LlamaIndex
LlamaIndex จะช่วยให้การจัดทำ Index และการ Query ข้อมูลจาก Datasets ขนาดใหญ่สำหรับ Applications ที่ใช้ LLM ได้ง่ายยิ่งขึ้น
ทำไมถึงควรใช้: มันเหมาะสำหรับงาน RAG (Retrieval-Augmented Generation) สามารถใช้งานร่วมกับ OpenAI GPT Models และรองรับทั้ง Data แบบมี Structure และไม่มี Structure
การติดตั้ง:
ตัวอย่าง:
มาเริ่มต้นด้วยตัวอย่างง่าย ๆ โดยใช้ตัวแทนที่สามารถทำการคูณพื้นฐานได้ด้วยการเรียกใช้ Tool
- สร้างไฟล์ที่ชื่อ starter.py:
- ตั้งค่า Environment Variable ชื่อ OPENAI_API_KEY ด้วย OpenAI API Key
8. Robyn
Robyn เป็นทางเลือกที่มีประสิทธิภาพสูงทดแทนการใช้ Flask และ FastAPI ซึ่งออกแบบมาให้รองรับ Multi-Core Processing โดยเฉพาะ
ทำไมถึงควรใช้: มันเร็วกว่า FastAPI ถึง 5 เท่า รองรับ Async และ Multi-Threading และใช้ Rust เพื่อความรวดเร็ว
Docs: https://robyn.tech/documentation/en
การติดตั้ง:
ตัวอย่าง:
สร้าง Project ง่าย ๆ ด้วยคำสั่งนี้
ผลลัพธ์ที่ได้จะเป็นดังนี้
มันจะสร้าง Application ใหม่ที่มีโครงสร้างดังต่อไปนี้
ตอนนี้คุณสามารถเขียน Code ในไฟล์ app.py ได้แล้ว:
คุณสามารถใช้คำสั่งนี้เพื่อ Run Server:
9. DuckDB
DuckDB เป็น SQL Database ที่ทำงานในหน่วยความจำ (In-Memory) ซึ่งเร็วกว่า SQLite สำหรับงานวิเคราะห์ข้อมูล
ทำไมถึงควรใช้: มันเร็วมากในการประมวลผลเชิงวิเคราะห์ ไม่ต้องใช้ Server และ Integrate เข้ากับ Pandas & Polars ได้อย่างง่ายดาย
Docs: https://duckdb.org/docs/stable/clients/python/overview.html
การติดตั้ง:
ตัวอย่าง:
ตัวอย่างง่าย ๆ ของ Pandas Dataframe:
สรุป
และนี่ก็เป็น 9 Python Libraries ที่ Developer ควรรู้จักและเรียนรู้ไว้ในปี 2025 ซึ่ง Libraries เหล่านี้คือเครื่องมือที่คุณไม่ควรพลาด และการเลือกใช้เครื่องมือที่เหมาะสมจะช่วยให้คุณทำงานได้เร็วขึ้น ง่ายขึ้น และพร้อมรับมือกับอนาคตของการทำงานได้อย่างมั่นใจมากขึ้น
ที่มา: https://medium.com/
รับตำแหน่งงานไอทีใหม่ๆ ด้วยบริการ IT Job Alert
|
|
อัพเดทบทความจากคนวงในสายไอทีทาง LINE ก่อนใคร
อย่าลืมแอดไลน์ @techstarth เป็นเพื่อนนะคะ
|
|
บทความล่าสุด