2021 Python 计算生态七月推荐榜

看见更大的世界，遇见更好的自己
See a better world to meet better for ourselves.

数据科学中，数据验证即数据确认（data validation）是一个流程，确保数据清洗后的数据是健壮的、一致的，这种流程称为“确认规则”、“确认约束”、“检查流程”。主要包括对数据类别和数据类型的确认，如Excel数据表中的某列是由24个数字组成的序列号，不应该被Excel软件自动识别为数值，这会导致表示精度问题，或者和检查输入值在最小/最大的阈值之间，或与正则表达式定义的规格一致。

2021年7月，随着我们编写的项目越来越规范，验证数据的正确性就是一件很有必要的工作，好事者特别推荐10款优秀的Python计算生态，用于了解Python中用于数据验证的库。

pydantic

pydantic库是一种常用的用于数据接口schema定义与检查的库，通过pydantic库，我们可以更为规范地定义和使用数据接口，这对于大型项目的开发将会更为友好。

https://github.com/samuelcolvin/pydantic

jsonschema

Jsonschema 是 Python JSON Schema 的实现，特点是小而可扩展，以编程方式查询哪些属性或项目未通过验证。

https://github.com/Julian/jsonschema

Cerberus

Cerberus 是一个用于 Python 的轻量级且可扩展的数据验证库，Cerberus 提供开箱即用的类型检查和其他基本功能，其设计为非阻塞且易于扩展，允许进行自定义验证。

https://github.com/pyeve/cerberus

schema

Schema 是一个用于验证 Python 数据结构的库，例如从配置文件、表单、外部服务或命令行解析获得的数据结构，从 JSON/YAML（或其他数据类型）转换为 Python 数据类型。

https://github.com/keleshev/schema

schematics

Schematics 是一个 Python 库，用于将类型组合成结构、验证它们并根据简单的描述转换数据的形状，内部结构类似于 ORM 类型系统，但 Schematics 中没有数据库层。

https://github.com/schematics/schematics

voluptuous

Voluptuous 尽管名称如此，但它是一个 Python 数据验证库，它主要用于验证以 JSON、YAML 等形式传入 Python 的数据。

https://github.com/alecthomas/voluptuous

pandera

一个轻量级、灵活且富有表现力的 Pandas 数据验证库。

https://github.com/pandera-dev/pandera

pydantic-sqlalchemy

将 SQLAlchemy 模型转换为 Pydantic 模型的工具。

https://github.com/tiangolo/pydantic-sqlalchemy

colander

Colander 可用作验证和反序列化通过 XML、JSON、HTML 表单发布或任何其他同样简单的数据序列化获得的数据的系统。

https://github.com/Pylons/colander

valideer

Valider 是一个用于 Python 的轻量级数据验证和适配库。

https://github.com/podio/valideer