2026 年你必须了解的 9 个现代 Python 库

大家好，众所周知，Python 拥有大量出色的库，其中许多确实可以改变游戏规则。

因此，我发现了以下几款现代库，如果你想在 2026 年保持领先，这些库你一定要了解。

1. Polars — 极速 DataFrame 库

Polars 是一个由 Rust 编写的极速 DataFrame 库，用于操作结构化数据。

为什么要使用它：

•性能比 Pandas 快 10 到 100 倍•支持对大型数据集进行惰性求值•原生支持 Apache Arrow

文档:https://docs.pola.rs/

安装方法：

pip install polars

示例

下面是一个使用 Polars 创建 DataFrame 的简单示例：

import


    
 polars as plimport datetime as dt
df = pl.DataFrame({"name":["Alice Archer","Ben Brown","Chloe Cooper","Daniel Donovan"],"birthdate":[            dt.date(1997,1,10),            dt.date(1985,2,15),            dt.date(1983,3,22),            dt.date(1981,4,30),],"weight":[57.9,72.5,53.6,83.1],# 单位：kg"height":[1.56,1.77,1.65,1.75],# 单位：m})
print(df)

shape:(4,4)┌────────────────┬────────────┬────────┬────────┐│ name           ┆ birthdate  ┆ weight ┆ height ││---┆---┆---┆---││ str            ┆ date       ┆ f64    ┆ f64    │╞════════════════╪════════════╪════════╪════════╡│AliceArcher┆1997-01-10┆57.9┆1.56││BenBrown┆1985-02-15┆72.5┆1.77││ChloeCooper┆1983-03-22┆53.6┆1.65││DanielDonovan┆1981-04-30┆83.1┆1.75│└────────────────┴────────────┴────────┴────────┘

2. Ruff —— 速度最快的 Python 格式化与代码检查工具

Ruff 是一个使用 Rust 编写的超高速代码检查工具（Linter），旨在用一个工具同时替代 Flake8、Black 和 isort。

为什么要使用它？

•比 Flake8 快约 20 倍•支持自动修复（Auto-fix）代码问题•同时具备代码格式化（Formatter）和代码检查（Linter）功能•减少工具链复杂度，提高开发效率 •非常适合大型项目和 CI/CD 流程

文档

https://docs.astral.sh/ruff/

安装方法

pip install ruff

示例

我们可以使用 uv 来初始化一个项目：

uv init --lib demo

该命令会创建如下结构的 Python 项目：

demo├── README.md├── pyproject.toml└── src└── demo├── __init__.py└── py.typed

接着，我们可以将 src/demo/__init__.py 的内容替换为以下代码：

from typing importIterableimport os
def sum_even_numbers(numbers:Iterable[int])->int:"""给定一个整数可迭代对象，返回其中所有偶数的和。"""return sum(        num for num in numbersif num %2==0)

接下来，我们将 Ruff 添加到项目中：

uv add --dev ruff

然后，可以通过 uv run ruff check 对项目运行 Ruff 代码检查：

$ uv run ruff check
src/numbers/__init__.py


    
:3:8: F401 [*]`os` imported but unused
Found1 error.[*]1 fixable with the `--fix` option.

在 src/numbers/__init__.py文件的第 3 行第 8 列，导入了 os 模块，但并未使用。

我们可以运行以下命令，让 Ruff 自动修复该问题：

$ uv run ruff check --fix
Found1 error (1fixed,0 remaining).

3. PyScript — 在浏览器中运行 Python

PyScript 允许你在浏览器中编写并执行 Python 代码，就像使用 JavaScript 一样。

为什么要使用它？

•可以创建由 Python 驱动的 Web 应用•直接在 HTML 中工作，无需后端支持•对于前端开发者来说，能够用熟悉的 Python 快速构建交互式网页

文档

https://docs.pyscript.net/2025.2.4/

安装方法

PyScript 不需要通过 pip 安装。只需在 HTML 文档的中添加和标签即可，例如：

<head>
script>head>

示例

创建一个简单的 .html 文件，然后使用标签编写 Python 代码。

html><html><head>

script>head><body><py-script>import sysfrom pyscript import display
          display(sys.version)py-script>body>html>

4. Pandera — Pandas 数据验证工具

Pandera 使用基于 schema 的验证方法，帮助你对 Pandas 的 DataFrame 和 Series 进行数据校验。

为什么要使用它？

•在数据处理之前捕捉数据错误，避免下游问题 •类似 Pydantic，但专门针对 Pandas•支持数据的单元测试（Unit Testing）•提高数据管道和数据分析的可靠性

文档

https://pandera.readthedocs.io/en/stable/

安装方法

pip install pandera

示例

下面是一个使用 Pandera 对 Pandas DataFrame 进行验证的示例：

import pandas as pdimport pandera as pa
# 待验证的数据df = pd.DataFrame({"column1":[1,4,0,10,9],"column2":[-1.3,-1.4,-2.9,-10.1,-20.4],"column3":["value_1","value_2","value_3","value_2","value_1"],})
# 定义验证 schemaschema = pa.DataFrameSchema({"column1": pa.Column(int, checks=pa.Check.le(10)),# 小于等于 10"column2": pa.Column(float, checks=pa.Check.lt(-1.2)),# 小于 -1.2"column3": pa.Column(str, checks=[        pa.Check.str_startswith("value_"),# 必须以 'value_' 开头# 自定义检查函数：确保下划线分割后有两部分        pa.Check(lambda s: s.str.split("_", expand=True).shape[1]==2)]),})
# 验证数据validated_df = schema(df)print(validated_df)

   column1  column2   column301-1.3   value_114-1.4   value_220-2.9   value_3310-10.1   value_249-20.4   value_1

5. JAX — Google 出品的高性能深度学习框架

JAX 是一个由 Google 开发的高性能机器学习与数值计算库，专为高效计算而设计。

为什么要使用它？

•相比 NumPy，在 GPU/TPU 上具有更高性能•支持自动微分（Automatic Differentiation）•被广泛用于 Google 的 AI 与科研项目•适用于深度学习与科学计算

文档

https://docs.jax.dev/en/latest/quickstart.html

安装方法

仅 CPU（Linux / macOS / Windows）

pip install -U jaxGPU（NVIDIA，CUDA 12）pip install -U "jax[cuda12]"TPU（GoogleCloud TPU VM）pip install -U "jax[tpu]"

示例

下面是一个类似 NumPy 的简单示例：

import jax.numpy as jnp
def selu(x, alpha=1.67, lmbda=1.05):return lmbda * jnp.where(x >0, x, alpha * jnp.exp(x)- alpha)
x = jnp.arange(5.0)print(selu(x))

[0.1.052.13.14999994.2]

6. Textual — 用 Python 构建终端用户界面 (TUI) 应用

Textual 允许你在 Python 中使用丰富的组件构建现代终端界面应用程序。

为什么要使用它？

•可以创建美观的终端应用程序•与 Rich 库配合使用，实现丰富的样式和布局•无需前端开发经验即可构建交互式终端界面•适合构建工具类应用、监控面板和 CLI 工具

文档

https://textual.textualize.io/tutorial/

安装方法

pip install textual

示例

下面是一个创建简单 TUI 应用的示例：

from textual.app importApp,ComposeResultfrom textual.widgets importLabel,Button

classQuestionApp(App[str]):def compose(self)->ComposeResult:yieldLabel("Do you love Textual?")yieldButton("Yes", id="yes", variant="primary")yieldButton("No", id="no", variant="error")def on_button_pressed(self,event:Button.Pressed)->None:self.exit(event.button.id)
if __name__ =="__main__":    app =QuestionApp()    reply = app.run()print(reply)

运行上面的 TUI 应用后，你将在终端中看到如下效果：

7. LlamaIndex — 构建自定义 AI 助手

LlamaIndex 简化了大型数据集的索引与查询，非常适合基于大语言模型（LLM）的应用。

为什么要使用它？

•用于 RAG（Retrieval-Augmented Generation，检索增强生成）•支持与 OpenAI GPT 模型集成•可处理结构化和非结构化数据•帮助开发自定义 AI 助手、问答系统和知识检索工具

文档

https://docs.llamaindex.ai/en/stable/#getting-started

安装方法

pip install llama-index

示例

下面是一个使用 agent 调用工具执行基本乘法的简单示例。

•创建文件 starter.py 设置环境变量 OPENAI_API_KEY，值为你的 OpenAI API Key^[1]

import asynciofrom llama_index.core.agent.workflow importAgentWorkflowfrom llama_index.llms.openai importOpenAI

# Define a simple calculator tooldef multiply(a:float, b:float)->float:"""Useful for multiplying two numbers."""return a * b
# Create an agent workflow with our calculator toolagent =AgentWorkflow.from_tools_or_functions([multiply],    llm=OpenAI(model="gpt-4o-mini"),    system_prompt="You are a helpful assistant that can multiply two numbers.",)
async def main():# Run the agent    response = await agent.run("What is 1234 * 4567?")print(str(response))
# Run the agentif __name__ =="__main__":    asyncio.run(main())

The result of \( 1234 \times 4567 \) is \( 5,678,678 \).

8. Robyn — 最快的 Python Web 框架

Robyn 是一个高性能 Python Web 框架，是 Flask 和 FastAPI 的替代方案之一，针对多核处理进行了优化。

为什么要使用它？

•性能约为 FastAPI 的 5 倍•支持异步（async）与多线程•底层使用 Rust 构建，性能极高•适合高并发 Web 服务与 API 开发

文档

https://robyn.tech/documentation/en

安装方法

pip install robyn

示例

使用以下命令创建一个简单项目：

$ python -m robyn --create

运行后，会生成如下项目结构：

$ python3 -m robyn --create?DirectoryPath:.?NeedDocker?(Y/N) Y?Pleaseselect project type (Mongo/Postgres/Sqlalchemy/Prisma):❯No DBSqlitePostgresMongoDBSqlAlchemyPrisma

运行创建命令后，会生成如下应用结构：

├── src│├── app.py├──Dockerfile

编写应用代码

接下来，你可以在 app.py 中编写如下代码：

from robyn importRequest
@app.get("/")async def h(request:Request)-> str:return"Hello, world"

使用以下命令启动 Web 服务：

python -m robyn app.py

9. DuckDB — 闪电般快速的内存数据库

DuckDB 是一个面向分析场景的内存型 SQL 数据库，在分析任务中通常比 SQLite 更快。

为什么要使用它？

•在数据分析场景中速度极快•无需单独启动数据库服务（开箱即用）•可与 Pandas、Polars 等工具无缝集成•非常适合本地数据分析、探索性分析（EDA）

文档

https://duckdb.org/docs/stable/clients/python/overview.html

安装方法

pip install duckdb --upgrade

示例

下面是一个结合 Pandas DataFrame 使用 DuckDB 的简单示例：

import duckdbimport pandas as pd
pandas_df = pd.DataFrame({"a":[42]})
duckdb.sql("SELECT * FROM pandas_df")

输出结果

┌───────┐│   a   ││ int64 │├───────┤│42│└───────┘

https://medium.com/the-pythonworld/9-modern-python-libraries-you-must-know-in-2026-e8a60611646b

References

[1] OpenAI API Key: https://platform.openai.com/api-keys