Python 3 功能简介

Python 是机器学习和其他科学领域中的主流语言，我们通常需要使用它处理大量的数据。Python 兼容多种深度学习框架，且具备很多优秀的工具来执行数据预处理和可视化。

但是，Python 2 和 Python 3 长期共存于 Python 生态系统中，很多数据科学家仍然使用 Python 2。2019 年底，Numpy 等很多科学计算工具都将停止支持 Python 2，而 2018 年后 Numpy 的所有新功能版本将只支持 Python 3。

为了使 Python 2 向 Python 3 的转换更加轻松，我收集了一些 Python 3 的功能，希望对大家有用。

使用 pathlib 更好地处理路径

pathlib 是 Python 3 的默认模块，帮助避免使用大量的 os.path.joins：

1. from pathlib import Path

3. dataset = 'wiki_images'

4. datasets_root = Path('/path/to/datasets/')

6. train_path = datasets_root / dataset / 'train'

7. test_path = datasets_root / dataset / 'test'

9. for image_path in train_path.iterdir():

10.    with image_path.open() as f: # note, open is a method of Path object

11.        # do something with an image

Python 2 总是试图使用字符串级联（准确，但不好），现在有了 pathlib，代码安全、准确、可读性强。

此外，pathlib.Path 具备大量方法，这样 Python 新用户就不用每个方法都去搜索了：

1. p.exists()

2. p.is_dir()

3. p.parts()

4. p.with_name('sibling.png') # only change the name, but keep the folder

5. p.with_suffix('.jpg') # only change the extension, but keep the folder and the name

6. p.chmod(mode)

7. p.rmdir()

pathlib 会节约大量时间，详见：

• 文档：https://docs.python.org/3/library/pathlib.html；

• 参考信息：https://pymotw.com/3/pathlib/。

类型提示（Type hinting）成为语言的一部分

PyCharm 中的类型提示示例：

Python 不只是适合脚本的语言，现在的数据流程还包括大量步骤，每一步都包括不同的框架（有时也包括不同的逻辑）。

类型提示被引入 Python，以帮助处理越来越复杂的项目，使机器可以更好地进行代码验证。而之前需要不同的模块使用自定义方式在文档字符串中指定类型（注意：PyCharm 可以将旧的文档字符串转换成新的类型提示）。

下列代码是一个简单示例，可以处理不同类型的数据（这就是我们喜欢 Python 数据栈之处）。

1. def repeat_each_entry(data):

2.    """ Each entry in the data is doubled

3.    <blah blah nobody reads the documentation till the end>

4.    """

5.    index = numpy.repeat(numpy.arange(len(data)), 2)

6.    return data[index]

上述代码适用于 numpy.array（包括多维）、astropy.Table 和 astropy.Column、bcolz、cupy、mxnet.ndarray 等。

该代码同样可用于 pandas.Series，但是方式是错误的：

1. repeat_each_entry(pandas.Series(data=[0, 1, 2], index=[3, 4, 5])) # returns Series with Nones inside

这是一个两行代码。想象一下复杂系统的行为多么难预测，有时一个函数就可能导致错误的行为。明确了解哪些类型方法适合大型系统很有帮助，它会在函数未得到此类参数时给出提醒。

1. def repeat_each_entry(data: Union[numpy.ndarray, bcolz.carray]):

如果你有一个很棒的代码库，类型提示工具如 MyPy 可能成为集成流程中的一部分。不幸的是，提示没有强大到足以为 ndarrays/tensors 提供细粒度类型，但是或许我们很快就可以拥有这样的提示工具了，这将是 DS 的伟大功能。

类型提示 → 运行时的类型检查

默认情况下，函数注释不会影响代码的运行，不过它也只能帮你指出代码的意图。

但是，你可以在运行时中使用 enforce 等工具强制进行类型检查，这可以帮助你调试代码（很多情况下类型提示不起作用）。

1. @enforce.runtime_validation

2. def foo(text: str) -> None:

3.    print(text)

5. foo('Hi') # ok

6. foo(5)    # fails

9. @enforce.runtime_validation

10. def any2(x: List[bool]) -> bool:

11.    return any(x)

13. any ([False, False, True, False]) # True

14. any2([False, False, True, False]) # True

16. any (['False']) # True

17. any2(['False']) # fails

19. any ([False, None, "", 0]) # False

20. any2([False, None, "", 0]) # fails

函数注释的其他用处

如前所述，注释不会影响代码执行，而且会提供一些元信息，你可以随意使用。

例如，计量单位是科学界的一个普遍难题，astropy 包提供一个简单的装饰器（Decorator）来控制输入量的计量单位，并将输出转换成所需单位。

1. # Python 3

2. from astropy import units as u

3. @u.quantity_input()

4. def frequency(speed: u.meter / u.s, wavelength: u.m) -> u.terahertz:

5.    return speed / wavelength

7. frequency(speed=300_000 * u.km / u.s, wavelength=555 * u.nm)

8. # output: 540.5405405405404 THz, frequency of green visible light

如果你拥有 Python 表格式科学数据（不必要太多），你应该尝试一下 astropy。你还可以定义针对某个应用的装饰器，用同样的方式来控制／转换输入和输出。

通过 @ 实现矩阵乘法

下面，我们实现一个最简单的机器学习模型，即带 L2 正则化的线性回归：

1. # l2-regularized linear regression: || AX - b ||^2 + alpha * ||x||^2 -> min

3. # Python 2

4. X = np.linalg.inv(np.dot(A.T, A) + alpha * np.eye(A.shape[1])).dot(A.T.dot(b))

5. # Python 3

6. X = np.linalg.inv(A.T @ A + alpha * np.eye(A.shape[1])) @ (A.T @ b)

下面 Python 3 带有 @ 作为矩阵乘法的符号更具有可读性，且更容易在深度学习框架中转译：因为一些如 X @ W + b[None, :] 的代码在 numpy、cupy、pytorch 和 tensorflow 等不同库下都表示单层感知机。

使用 ** 作为通配符

递归文件夹的通配符在 Python2 中并不是很方便，因此才存在定制的 glob2 模块来克服这个问题。递归 flag 在 Python 3.6 中得到了支持。

1. import glob

3. # Python 2

4. found_images = \

5.    glob.glob('/path/*.jpg') \

6.  + glob.glob('/path/*/*.jpg') \

7.  + glob.glob('/path/*/*/*.jpg') \

8.  + glob.glob('/path/*/*/*/*.jpg') \

9.  + glob.glob('/path/*/*/*/*/*.jpg')

11. # Python 3

12. found_images = glob.glob('/path/**/*.jpg', recursive=True)

python3 中更好的选择是使用 pathlib：

1. # Python 3

2. found_images = pathlib.Path('/path/').glob('**/*.jpg')

Print 在 Python3 中是函数

Python 3 中使用 Print 需要加上麻烦的圆括弧，但它还是有一些优点。

使用文件描述符的简单句法：

1. print >>sys.stderr, "critical error"      # Python 2

2. print("critical error", file=sys.stderr)  # Python 3

在不使用 str.join 下输出 tab-aligned 表格：

1. # Python 3

2. print(*array, sep='\t')

3. print(batch, epoch, loss, accuracy, time, sep='\t')

修改与重新定义 print 函数的输出：

1. # Python 3

2. _print = print # store the original print function

3. def print(*args, **kargs):

4.    pass  # do something useful, e.g. store output to some file

在 Jupyter 中，非常好的一点是记录每一个输出到独立的文档，并在出现错误的时候追踪出现问题的文档，所以我们现在可以重写 print 函数了。

在下面的代码中，我们可以使用上下文管理器暂时重写 print 函数的行为：

1. @contextlib.contextmanager

2. def replace_print():

3.    import builtins

4.    _print = print # saving old print function

5.    # or use some other function here

6.    builtins.print = lambda *args, **kwargs: _print('new printing', *args, **kwargs)

7.    yield

8.    builtins.print = _print

10. with replace_print():

11.    <code here will invoke other print function>

上面并不是一个推荐的方法，因为它会引起系统的不稳定。

print 函数可以加入列表解析和其它语言构建结构。

1. # Python 3

2. result = process(x) if is_valid(x) else print('invalid item: ', x)

f-strings 可作为简单和可靠的格式化

默认的格式化系统提供了一些灵活性，且在数据实验中不是必须的。但这样的代码对于任何修改要么太冗长，要么就会变得很零碎。而代表性的数据科学需要以固定的格式迭代地输出一些日志信息，通常需要使用的代码如下：

1. # Python 2

2. print('{batch:3} {epoch:3} / {total_epochs:3}  accuracy: {acc_mean:0.4f}±{acc_std:0.4f} time: {avg_time:3.2f}'.format(

3.    batch=batch, epoch=epoch, total_epochs=total_epochs,

4.    acc_mean=numpy.mean(accuracies), acc_std=numpy.std(accuracies),

5.    avg_time=time / len(data_batch)

6. ))

8. # Python 2 (too error-prone during fast modifications, please avoid):

9. print('{:3} {:3} / {:3}  accuracy: {:0.4f}±{:0.4f} time: {:3.2f}'.format(

10.    batch, epoch, total_epochs, numpy.mean(accuracies), numpy.std(accuracies),

11.    time / len(data_batch)

12. ))

样本输出：

1. 120  12 / 300  accuracy: 0.8180±0.4649 time: 56.60

f-strings 即格式化字符串在 Python 3.6 中被引入：

1. # Python 3.6+

2. print(f'{batch:3} {epoch:3} / {total_epochs:3}  accuracy: {numpy.mean(accuracies):0.4f}±{numpy.std(accuracies):0.4f} time: {time / len(data_batch):3.2f}')

另外，写查询语句时非常方便：

1. query = f"INSERT INTO STATION VALUES (13, '{city}', '{state}', {latitude}, {longitude})"

「true division」和「integer division」之间的明显区别

对于数据科学来说这种改变带来了便利（但我相信对于系统编程来说不是）。

1. data = pandas.read_csv('timing.csv')

2. velocity = data['distance'] / data['time']

Python 2 中的结果依赖于『时间』和『距离』（例如，以米和秒为单位）是否被保存为整数。

在 Python 3 中，结果的表示都是精确的，因为除法的结果是浮点数。

另一个案例是整数除法，现在已经作为明确的运算：

1. n_gifts = money // gift_price  # correct for int and float arguments

注意，该运算可以应用到内建类型和由数据包（例如，numpy 或 pandas）提供的自定义类型。

严格排序

1. # All these comparisons are illegal in Python 3

2. 3 < '3'

3. 2 < None

4. (3, 4) < (3, None)

5. (4, 5) < [4, 5]

7. # False in both Python 2 and Python 3

8. (4, 5) == [4, 5]

防止不同类型实例的偶然性的排序。

1. sorted([2, '1', 3])  # invalid for Python 3, in Python 2 returns [2, 3, '1']

在处理原始数据时帮助发现存在的问题。

旁注：对 None 的合适检查是（两个版本的 Python 都适用）：

1. if a is not None:

2.  pass

4. if a: # WRONG check for None

5.  pass

自然语言处理的 Unicode

1. s = '您好'

2. print(len(s))

3. print(s[:2])

输出：

• Python 2: 6\n��

• Python 3: 2\n 您好.

1. x = u'со'

2. x += 'co' # ok

3. x += 'со' # fail

Python 2 在此失败了，而 Python 3 可以如期工作（因为我在字符串中使用了俄文字母）。

在 Python 3 中 strs 是 Unicode 字符串，对非英语文本的 NLP 处理更加方便。

还有其它有趣的方面，例如：

1. 'a' < type < u'a'  # Python 2: True

2. 'a' < u'a'         # Python 2: False

1. from collections import Counter

2. Counter('Möbelstück')

• Python 2: Counter({'\xc3': 2, 'b': 1, 'e': 1, 'c': 1, 'k': 1, 'M': 1, 'l': 1, 's': 1, 't': 1, '\xb6': 1, '\xbc': 1})

• Python 3: Counter({'M': 1, 'ö': 1, 'b': 1, 'e': 1, 'l': 1, 's': 1, 't': 1, 'ü': 1, 'c': 1, 'k': 1})

这些在 Python 2 里也能正确地工作，但 Python 3 更为友好。

保留词典和**kwargs 的顺序

在 CPython 3.6+ 版本中，字典的默认行为类似于 OrderedDict（在 3.7+版本中已得到保证）。这在字典理解（和其他操作如 json 序列化/反序列化期间）保持顺序。

1. import json

2. x = {str(i):i for i in range(5)}

3. json.loads(json.dumps(x))

4. # Python 2

5. {u'1': 1, u'0': 0, u'3': 3, u'2': 2, u'4': 4}

6. # Python 3

7. {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4}

它同样适用于**kwargs（在 Python 3.6+版本中）：它们的顺序就像参数中显示的那样。当设计数据流程时，顺序至关重要，以前，我们必须以这样繁琐的方式来编写：

1. from torch import nn

3. # Python 2

4. model = nn.Sequential(OrderedDict([

5.          ('conv1', nn.Conv2d(1,20,5)),

6.          ('relu1', nn.ReLU()),

7.          ('conv2', nn.Conv2d(20,64,5)),

8.          ('relu2', nn.ReLU())

9.        ]))

11. # Python 3.6+, how it *can* be done, not supported right now in pytorch

12. model = nn.Sequential(

13.    conv1=nn.Conv2d(1,20,5),

14.    relu1=nn.ReLU(),

15.    conv2=nn.Conv2d(20,64,5),

16.    relu2=nn.ReLU())

17. )        

注意到了吗？名称的唯一性也会被自动检查。

迭代地拆封

1. # handy when amount of additional stored info may vary between experiments, but the same code can be used in all cases

2. model_paramteres, optimizer_parameters, *other_params = load(checkpoint_name)

4. # picking two last values from a sequence

5. *prev, next_to_last, last = values_history

7. # This also works with any iterables, so if you have a function that yields e.g. qualities,

8. # below is a simple way to take only last two values from a list

9. *prev, next_to_last, last = iter_train(args)

默认的 pickle 引擎为数组提供更好的压缩

1. # Python 2

2. import cPickle as pickle

3. import numpy

4. print len(pickle.dumps(numpy.random.normal(size=[1000, 1000])))

5. # result: 23691675

7. # Python 3

8. import pickle

9. import numpy

10. len(pickle.dumps(numpy.random.normal(size=[1000, 1000])))

11. # result: 8000162

节省 3 倍空间，而且速度更快。实际上，类似的压缩（不过与速度无关）可以通过 protocol=2 参数来实现，但是用户通常会忽略这个选项（或者根本不知道）。

更安全的解析

1. labels = <initial_value>

2. predictions = [model.predict(data) for data, labels in dataset]

4. # labels are overwritten in Python 2

5. # labels are not affected by comprehension in Python 3

关于 super()

Python 2 的 super（...）是代码错误中的常见原因。

1. # Python 2

2. class MySubClass(MySuperClass):

3.    def __init__(self, name, **options):

4.        super(MySubClass, self).__init__(name='subclass', **options)

6. # Python 3

7. class MySubClass(MySuperClass):

8.    def __init__(self, name, **options):

9.        super().__init__(name='subclass', **options)

关于 super 和方法解析顺序的更多内容，参见 stackoverflow：https://stackoverflow.com/questions/576169/understanding-python-super-with-init-methods

更好的 IDE 会给出变量注释

在使用 Java、C# 等语言编程的过程中最令人享受的事情是 IDE 可以提供非常好的建议，因为在执行代码之前，所有标识符的类型都是已知的。

而在 Python 中这很难实现，但是注释可以帮助你：

• 以清晰的形式写下你的期望

• 从 IDE 获取良好的建议

这是一个带变量注释的 PyCharm 示例。即使你使用的函数不带注释（例如，由于向后兼容性），它也能工作。

多种拆封（unpacking）

在 Python3 中融合两个字典的代码示例：

1. x = dict(a=1, b=2)

2. y = dict(b=3, d=4)

3. # Python 3.5+

4. z = {**x, **y}

5. # z = {'a': 1, 'b': 3, 'd': 4}, note that value for `b` is taken from the latter dict.

6. 
   

可以在这个链接中查看 Python2 中的代码对比：https://stackoverflow.com/questions/38987/how-to-merge-two-dictionaries-in-a-single-expression

aame 方法对于列表（list）、元组（tuple）和集合（set）都是有效的（a、b、c 是任意的可迭代对象）：

1. [*a, *b, *c] # list, concatenating

2. (*a, *b, *c) # tuple, concatenating

3. {*a, *b, *c} # set, union

4. 
   

对于*args 和 **kwargs，函数也支持额外的 unpacking：

1. Python 3.5+

2. do_something(**{**default_settings, **custom_settings})

4. # Also possible, this code also checks there is no intersection between keys of dictionaries

5. do_something(**first_args, **second_args)

6. 
   

只带关键字参数的 API

我们考虑这个代码片段：

1. model = sklearn.svm.SVC(2, 'poly', 2, 4, 0.5)

2. 
   

很明显，代码的作者还没熟悉 Python 的代码风格（很可能刚从 cpp 和 rust 跳到 Python）。不幸的是，这不仅仅是个人偏好的问题，因为在 SVC 中改变参数的顺序（adding/deleting）会使得代码无效。特别是，sklearn 经常会重排序或重命名大量的算法参数以提供一致的 API。每次重构都可能使代码失效。

在 Python3，库的编写者可能需要使用*以明确地命名参数：

1. class SVC(BaseSVC):

2.    def __init__(self, *, C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, ... )

3. 
   

• 现在，用户需要明确规定参数 sklearn.svm.SVC(C=2, kernel='poly', degree=2, gamma=4, coef0=0.5) 的命名。

• 这种机制使得 API 同时具备了可靠性和灵活性。

小调：math 模块中的常量

1. # Python 3

2. math.inf # 'largest' number

3. math.nan # not a number

5. max_quality = -math.inf  # no more magic initial values!

7. for model in trained_models:

8.    max_quality = max(max_quality, compute_quality(model, data))

9. 
   

小调：单精度整数类型

Python 2 提供了两个基本的整数类型，即 int（64 位符号整数）和用于长时间计算的 long（在 C++变的相当莫名其妙）。

Python 3 有一个单精度类型的 int，它包含了长时间的运算。

下面是查看值是否是整数的方法：

1. isinstance(x, numbers.Integral) # Python 2, the canonical way

2. isinstance(x, (long, int))      # Python 2

3. isinstance(x, int)              # Python 3, easier to remember

4. 
   

其他

• Enums 有理论价值，但是字符串输入已广泛应用在 python 数据栈中。Enums 似乎不与 numpy 交互，并且不一定来自 pandas。

• 协同程序也非常有希望用于数据流程，但还没有出现大规模应用。

• Python 3 有稳定的 ABI

• Python 3 支持 unicode（因此ω = Δφ / Δt 也 okay），但你最好使用好的旧的 ASCII 名称

• 一些库比如 jupyterhub(jupyter in cloud)、django 和新版 ipython 只支持 Python 3，因此对你来讲没用的功能对于你可能只想使用一次的库很有用。

数据科学特有的代码迁移问题（以及如何解决它们）

停止对嵌套参数的支持：

1. map(lambda x, (y, z): x, z, dict.items())

2. 
   

然而，它依然完美适用于不同的理解：

1. {x:z for x, (y, z) in d.items()}

2. 
   

通常，理解在 Python 2 和 3 之间可以更好地「翻译」。

• map(), .keys(), .values(), .items(), 等等返回迭代器，而不是列表。迭代器的主要问题有：没有琐碎的分割和无法迭代两次。将结果转化为列表几乎可以解决所有问题。

• 遇到问题请参见 Python 问答：我如何移植到 Python 3？（https://eev.ee/blog/2016/07/31/python-faq-how-do-i-port-to-python-3/）

用 python 教机器学习和数据科学的主要问题

• 课程作者应该首先花时间解释什么是迭代器，为什么它不能像字符串那样被分片/级联/相乘/迭代两次（以及如何处理它）。

• 我相信大多数课程作者很高兴避开这些细节，但是现在几乎不可能。

结论

Python 2 与 Python 3 共存了近 10 年，时至今日，我们必须要说：是时候转向 Python 3 了。

研究和生产代码应该更短，更易读取，并且在迁移到 Python 3 代码库之后明显更加的安全。

现在大多数库同时支持 2.x 和 3.x 两个版本。但我们不应等到流行工具包开始停止支持 Python 2 才开始行动，提前享受新语言的功能吧。

迁移过后，我敢保证程序会更加顺畅：「我们不会再做向后不兼容的事情了（https://snarky.ca/why-python-3-exists/）」。

原文地址：https://github.com/arogozhnikov/python3_with_pleasure

转载。原文：https://www.jiqizhixin.com/articles/2018-01-29-3