这些Python库，简直是”偷懒”界的诺贝尔奖得主！
程序员有句老话：懒惰是第一生产力。这话听着像是在找借口，但你仔细琢磨，好像还真有那么点道理。那些让你少写代码、少加班的Python库，本质上就是把”偷懒”这件事做到了极致。今天聊几个我用了就回不去的库，它们能把原本要写几十行的活儿，压缩成一两行搞定。
Pandas：数据处理的瑞士军刀
处理表格数据这事儿，以前是真的头疼。读个CSV文件，要写循环；筛选数据，又要写循环；做个汇总统计，还是循环。代码写得人眼花，还容易出bug。
Pandas的出现直接把这些活儿都接管了。核心就两个东西：Series和DataFrame。你可以把DataFrame理解成一张Excel表格，但它比Excel聪明多了。
importpandasaspd
# 一行代码读取文件
df = pd.read_csv('员工信息.csv')
# 筛选年龄大于30的员工
result = df[df['年龄'] > 30]
# 按部门统计平均工资
avg_salary = df.groupby('部门')['工资'].mean()
看到没？三行代码干了以前三十行的事情。那个groupby尤其好用，以前手写分组逻辑能把人写崩溃，现在一行搞定。
温馨提示：新手常犯一个错，就是用df['列名'] = 30想着筛选，结果把整列数据都改成30了。筛选要用双层中括号或者.loc，别搞混了。
Requests：发请求跟说话一样简单
Python标准库里那个urllib，用过的人都知道有多别扭。光是发个GET请求，就要写一堆让人看不懂的代码。
Requests库的口号是”HTTP for Humans”，翻译过来就是”给人用的HTTP库”。这名字起得相当自信，但人家确实有这个底气。
importrequests
# 发送GET请求
response = requests.get('https://api.example.com/users')
# 拿到JSON数据
data = response.json()
# 发送POST请求带参数
result = requests.post('https://api.example.com/login',
data={'username': 'admin', 'password': '123456'})
就这么简单。想带Cookie？用Session对象自动管理。想设置超时？加个timeout参数。写爬虫、调接口，基本离不开这玩意儿。
我见过有人为了”学习底层原理”坚持用urllib写了个爬虫项目，写完之后他说再也不想碰urllib了。有些苦没必要吃。
FastAPI：自动挡的Web框架
写后端API有个烦人的事儿，就是要处理参数校验。用户传过来的数据五花八门，你得一个个检查：这个字段是不是必填的？那个字段类型对不对？检查完还得写文档告诉前端怎么调用……
FastAPI把这些破事儿都自动化了。你只要声明好参数类型，框架自己就会校验。
fromfastapiimport FastAPI
frompydanticimport BaseModel
app = FastAPI()
classUser(BaseModel):
name: str
age: int
email: str
@app.post("/users/")
defcreate_user(user: User):
return {"message": f"用户{user.name}创建成功"}
这段代码做了三件事：接收JSON数据、自动校验类型、返回结果。如果前端传的age是个字符串，FastAPI会自动返回错误信息，你连判断都不用写。
更绝的是，它还自动生成API文档。启动服务后访问/docs路径，一份可交互的Swagger文档就出来了，前端同事看了直呼内行。
温馨提示：FastAPI底层用的是Pydantic做数据校验，这两个库经常一起出现。面试时候问到FastAPI，八成会顺带问Pydantic，记得一块儿看看。
Typer：命令行工具的福音
写个Python脚本，想让它支持命令行参数，传统做法是用argparse。那个库功能是够用，但写起来真的啰嗦，定义一个参数要好几行。
Typer用了个讨巧的办法：直接利用Python的类型提示来生成命令行界面。
importtyper
defmain(name: str, count: int = 1, uppercase: bool = False):
"""打招呼的小工具"""
greeting = f"你好, {name}!" * count
if uppercase:
greeting = greeting.upper()
print(greeting)
if __name__ == "__main__":
typer.run(main)
就这么点代码，已经支持了--name、--count、--uppercase这些参数，还自动生成了帮助信息。你在终端敲python main.py --help，会看到一份漂亮的使用说明，连函数的docstring都给你用上了。
以前写个像样的CLI工具要折腾半天，现在十分钟能搞定，剩下的时间摸鱼不香吗？
一个容易踩的坑
这些库虽然好用，但有个问题要注意：版本兼容性。
Pandas从1.x升级到2.x改了不少东西，老项目直接升级可能会炸。Requests倒是比较稳，但也遇到过SSL证书相关的坑。装库之前看一眼项目的Python版本要求和依赖关系，能省不少排错时间。
回过头看，这些库的共同点就是把重复劳动封装起来，让你只关心业务逻辑。有人说用库太多会变成”调包侠”，这话有一定道理，但也不能因噎废食。理解原理是一回事，干活效率是另一回事。会用Pandas不影响你理解数据结构，会用Requests也不妨碍你搞懂HTTP协议。
把节省下来的时间拿去学更深的东西，这才是真正的”偷懒”哲学。
