怎么在Python中妥善使用進度條

這篇文章主要介紹“怎么在Python中妥善使用進度條”，在日常操作中，相信很多人在怎么在Python中妥善使用進度條問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”怎么在Python中妥善使用進度條”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

1 簡介

在日常運行程序的過程中常常涉及到循環迭代過程，對于執行時間很短的程序來說倒無所謂，但對于運行過程有明顯耗時的涉及循環迭代的程序，為其加上進度條（progress bar），是幫助我們監測代碼執行進度以及處理中間異常錯誤非常實用的技巧。

2 tqdm常用方法

tqdm是Python中所有進度條相關庫中最出名的，既然是最出名的，自然有它獨到之處。

tqdm不僅可以生成基礎的可在終端中顯示的進度條，還可以配合jupyter notebook和jupyter lab生成更加美觀的網頁交互部件形式的進度條，更是和pandas強強聯手，為pandas中的一些操作提供專有的進度條功能。

下面我們來對tqdm的主要功能進行介紹。

2.1 基礎用法

因為是第三方庫，首先需要利用pip install tqdm或 conda install -c conda-forge tqdm對其進行安裝，安裝完成后先來看看它最基本的用法：

利用tqdm.tqdm，將for循環過程中進行迭代的對象簡單包裹，就實現了為循環過程添加進度條以及打印執行速度、已運行時間與預估剩余運行時間等實用信息的功能，同樣也可用于列表推導：

而針對迭代對象是range()的情況，tqdm還提供了簡化版的trange()來代替tqdm(range())：

其附帶的參數desc還可以幫助我們設置進度條的說明文字：

而如果想要在迭代過程中變更說明文字，還可以預先實例化進度條對象，在需要刷新說明文字的時候執行相應的程序：

但當迭代的對象長度一開始未知時，譬如對pandas中的DataFrame.itertuples()進行迭代，我們就只能對其執行速度等信息進行估計，但無法看到進度條遞增情況，因為tqdm不清楚迭代的終點如何：

2.2 配合jupyter notebook/jupyter lab的美觀進度條

tqdm對jupyter notebook和jupyter lab有著特殊的支持，且使用方法非常簡單，只需要將原有的from tqdm import XXX的相應功能導入格式修改為from tqdm.notebook import XXX就可以了，以trange為例：

2.3 配合pandas中的apply

tqdm對pandas中的apply()過程提供了特殊的支持，因為pandas中的apply()本質上就是串行循環運算，你可以將pandas中的任何apply操作替換為progress_apply，并且記住每個單獨的progress_apply前要先執行tqdm.pandas()，就像下面的例子一樣：

3 alive-progress常用方法

雖然與tqdm一樣都是為了給循環過程加上進度條而誕生的庫，但alive-progress相比tqdm增加了更多花樣繁多的動態效果，我們通過調用其專門提供的showtime()函數可以查看所有可用的動態進度條樣式：

同樣類似地可以查看所有進度條樣式：

使用起來也是非常簡單，但與tqdm用法區別很大，需要配合with關鍵詞，譬如下面我們使用到alive_progress中的alive_bar來生成動態進度條：

通過修改bar參數來改變進度條的樣式：

到此，關于“怎么在Python中妥善使用進度條”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！