本文經機器之心(微信公眾號:almosthuman2014)授權轉載,禁止二次轉載
原文地址:https://github.com/arogozhnikov/python3_with_pleasure
選自GitHub,作者:Alex Rogozhnikov,機器之心編譯
目前,Python 科學棧中的所有主要專案都同時支援 Python 3.x 和 Python 2.7,不過,這種情況很快即將結束。去年 11 月,Numpy 團隊的一份宣告引發了資料科學社群的關註:這一科學計算庫即將放棄對於 Python 2.7 的支援,全面轉向 Python 3。Numpy 並不是唯一宣稱即將放棄 Python 舊版本支援的工具,pandas 與 Jupyter notebook 等很多產品也在即將放棄支援的名單之中。對於資料科學開發者而言,如何將已有專案從 Python 2 轉向 Python 3 成為了正在面臨的重大問題。來自莫斯科大學的 Alex Rogozhnikov 博士為我們整理了一份程式碼遷移指南。
Python 3 功能簡介
Python 是機器學習和其他科學領域中的主流語言,我們通常需要使用它處理大量的資料。Python 相容多種深度學習框架,且具備很多優秀的工具來執行資料預處理和視覺化。
但是,Python 2 和 Python 3 長期共存於 Python 生態系統中,很多資料科學家仍然使用 Python 2。2019 年底,Numpy 等很多科學計算工具都將停止支援 Python 2,而 2018 年後 Numpy 的所有新功能版本將只支援 Python 3。
為了使 Python 2 向 Python 3 的轉換更加輕鬆,我收集了一些 Python 3 的功能,希望對大家有用。
使用 pathlib 更好地處理路徑
pathlib 是 Python 3 的預設模組,幫助避免使用大量的 os.path.joins:
from pathlib import Path
dataset = 'wiki_images'
datasets_root = Path('/path/to/datasets/')
train_path = datasets_root / dataset / 'train'
test_path = datasets_root / dataset / 'test'
for image_path in train_path.iterdir():
with image_path.open() as f: # note, open is a method of Path object
# do something with an image
Python 2 總是試圖使用字串級聯(準確,但不好),現在有了 pathlib,程式碼安全、準確、可讀性強。
此外,pathlib.Path 具備大量方法,這樣 Python 新使用者就不用每個方法都去搜索了:
p.exists()
p.is_dir()
p.parts()
p.with_name('sibling.png') # only change the name, but keep the folder
p.with_suffix('.jpg') # only change the extension, but keep the folder and the name
p.chmod(mode)
p.rmdir()
pathlib 會節約大量時間,詳見:
-
檔案:https://docs.python.org/3/library/pathlib.html;
-
參考資訊:https://pymotw.com/3/pathlib/。
型別提示(Type hinting)成為語言的一部分
PyCharm 中的型別提示示例:
Python 不只是適合指令碼的語言,現在的資料流程還包括大量步驟,每一步都包括不同的框架(有時也包括不同的邏輯)。
型別提示被引入 Python,以幫助處理越來越複雜的專案,使機器可以更好地進行程式碼驗證。而之前需要不同的模組使用自定義方式在檔案字串中指定型別(註意:PyCharm 可以將舊的檔案字串轉換成新的型別提示)。
下列程式碼是一個簡單示例,可以處理不同型別的資料(這就是我們喜歡 Python 資料棧之處)。
def repeat_each_entry(data):
""" Each entry in the data is doubled
"""
index = numpy.repeat(numpy.arange(len(data)), 2)
return data[index]
上述程式碼適用於 numpy.array(包括多維)、astropy.Table 和 astropy.Column、bcolz、cupy、mxnet.ndarray 等。
該程式碼同樣可用於 pandas.Series,但是方式是錯誤的:
repeat_each_entry(pandas.Series(data=[0, 1, 2], index=[3, 4, 5])) # returns Series with Nones inside
這是一個兩行程式碼。想象一下複雜系統的行為多麼難預測,有時一個函式就可能導致錯誤的行為。明確瞭解哪些型別方法適合大型系統很有幫助,它會在函式未得到此類引數時給出提醒。
def repeat_each_entry(data: Union[numpy.ndarray, bcolz.carray]):
如果你有一個很棒的程式碼庫,型別提示工具如 MyPy 可能成為整合流程中的一部分。不幸的是,提示沒有強大到足以為 ndarrays/tensors 提供細粒度型別,但是或許我們很快就可以擁有這樣的提示工具了,這將是 DS 的偉大功能。
型別提示 → 執行時的型別檢查
預設情況下,函式註釋不會影響程式碼的執行,不過它也只能幫你指出程式碼的意圖。
但是,你可以在執行時中使用 enforce 等工具強制進行型別檢查,這可以幫助你除錯程式碼(很多情況下型別提示不起作用)。
@enforce.runtime_validation
def foo(text: str) -> None:
print(text)
foo('Hi') # ok
foo(5) # fails
@enforce.runtime_validation
def any2(x: List[bool]) -> bool:
return any(x)
any ([False, False, True, False]) # True
any2([False, False, True, False]) # True
any (['False']) # True
any2(['False']) # fails
any ([False, None, "", 0]) # False
any2([False, None, "", 0]) # fails
函式註釋的其他用處
如前所述,註釋不會影響程式碼執行,而且會提供一些元資訊,你可以隨意使用。
例如,計量單位是科學界的一個普遍難題,astropy 包提供一個簡單的裝飾器(Decorator)來控制輸入量的計量單位,並將輸出轉換成所需單位。
# Python 3
from astropy import units as u
@u.quantity_input()
def frequency(speed: u.meter / u.s, wavelength: u.m) -> u.terahertz:
return speed / wavelength
frequency(speed=300_000 * u.km / u.s, wavelength=555 * u.nm)
# output: 540.5405405405404 THz, frequency of green visible light
如果你擁有 Python 表格式科學資料(不必要太多),你應該嘗試一下 astropy。你還可以定義針對某個應用的裝飾器,用同樣的方式來控制/轉換輸入和輸出。
透過 @ 實現矩陣乘法
下麵,我們實現一個最簡單的機器學習模型,即帶 L2 正則化的線性回歸:
# l2-regularized linear regression: || AX - b ||^2 + alpha * ||x||^2 -> min
# Python 2
X = np.linalg.inv(np.dot(A.T, A) + alpha * np.eye(A.shape[1])).dot(A.T.dot(b))
# Python 3
X = np.linalg.inv(A.T @ A + alpha * np.eye(A.shape[1])) @ (A.T @ b)
下麵 Python 3 帶有 @ 作為矩陣乘法的符號更具有可讀性,且更容易在深度學習框架中轉譯:因為一些如 X @ W + b[None, :] 的程式碼在 numpy、cupy、pytorch 和 tensorflow 等不同庫下都表示單層感知機。
使用 ** 作為萬用字元
遞迴檔案夾的萬用字元在 Python2 中並不是很方便,因此才存在定製的 glob2 模組來剋服這個問題。遞迴 flag 在 Python 3.6 中得到了支援。
import glob
# Python 2
found_images =
glob.glob('/path/*.jpg')
+ glob.glob('/path/*/*.jpg')
+ glob.glob('/path/*/*/*.jpg')
+ glob.glob('/path/*/*/*/*.jpg')
+ glob.glob('/path/*/*/*/*/*.jpg')
# Python 3
found_images = glob.glob('/path/**/*.jpg', recursive=True)
python3 中更好的選擇是使用 pathlib:
# Python 3
found_images = pathlib.Path('/path/').glob('**/*.jpg')
Print 在 Python3 中是函式
Python 3 中使用 Print 需要加上麻煩的圓括弧,但它還是有一些優點。
使用檔案描述符的簡單句法:
print >>sys.stderr, "critical error" # Python 2
print("critical error", file=sys.stderr) # Python 3
在不使用 str.join 下輸出 tab-aligned 表格:
# Python 3
print(*array, sep=' ')
print(batch, epoch, loss, accuracy, time, sep=' ')
修改與重新定義 print 函式的輸出:
# Python 3
_print = print # store the original print function
def print(*args, **kargs):
pass # do something useful, e.g. store output to some file
在 Jupyter 中,非常好的一點是記錄每一個輸出到獨立的檔案,併在出現錯誤的時候追蹤出現問題的檔案,所以我們現在可以重寫 print 函式了。
在下麵的程式碼中,我們可以使用背景關係管理器暫時重寫 print 函式的行為:
@contextlib.contextmanager
def replace_print():
import builtins
_print = print # saving old print function
# or use some other function here
builtins.print = lambda *args, **kwargs: _print('new printing', *args, **kwargs)
yield
builtins.print = _print
with replace_print():
<code here will invoke other print function>
上面並不是一個推薦的方法,因為它會引起系統的不穩定。
print 函式可以加入串列解析和其它語言構建結構。
# Python 3
result = process(x) if is_valid(x) else print('invalid item: ', x)
f-strings 可作為簡單和可靠的格式化
預設的格式化系統提供了一些靈活性,且在資料實驗中不是必須的。但這樣的程式碼對於任何修改要麼太冗長,要麼就會變得很零碎。而代表性的資料科學需要以固定的格式迭代地輸出一些日誌資訊,通常需要使用的程式碼如下:
# Python 2
print('{batch:3} {epoch:3} / {total_epochs:3} accuracy: {acc_mean:0.4f}±{acc_std:0.4f} time: {avg_time:3.2f}'.format(
batch=batch, epoch=epoch, total_epochs=total_epochs,
acc_mean=numpy.mean(accuracies), acc_std=numpy.std(accuracies),
avg_time=time / len(data_batch)
))
# Python 2 (too error-prone during fast modifications, please avoid):
print('{:3} {:3} / {:3} accuracy: {:0.4f}±{:0.4f} time: {:3.2f}'.format(
batch, epoch, total_epochs, numpy.mean(accuracies), numpy.std(accuracies),
time / len(data_batch)
))
樣本輸出:
120 12 / 300 accuracy: 0.8180±0.4649 time: 56.60
f-strings 即格式化字串在 Python 3.6 中被引入:
# Python 3.6+
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,寫查詢陳述句時非常方便:
query = f"INSERT INTO STATION VALUES (13, '{city}', '{state}', {latitude}, {longitude})"
「true division」和「integer division」之間的明顯區別
對於資料科學來說這種改變帶來了便利(但我相信對於系統程式設計來說不是)。
data = pandas.read_csv('timing.csv')
velocity = data['distance'] / data['time']
Python 2 中的結果依賴於『時間』和『距離』(例如,以米和秒為單位)是否被儲存為整數。
在 Python 3 中,結果的表示都是精確的,因為除法的結果是浮點數。
另一個案例是整數除法,現在已經作為明確的運算:
n_gifts = money // gift_price # correct for int and float arguments
註意,該運算可以應用到內建型別和由資料包(例如,numpy 或 pandas)提供的自定義型別。
嚴格排序
# All these comparisons are illegal in Python 3
3 < '3'
2 < None
(3, 4) < (3, None)
(4, 5) < [4, 5]
# False in both Python 2 and Python 3
(4, 5) == [4, 5]
防止不同型別實體的偶然性的排序。
sorted([2, '1', 3]) # invalid for Python 3, in Python 2 returns [2, 3, '1']
在處理原始資料時幫助發現存在的問題。
旁註:對 None 的合適檢查是(兩個版本的 Python 都適用):
if a is not None:
pass
if a: # WRONG check for None
pass
自然語言處理的 Unicode
s = '您好'
print(len(s))
print(s[:2])
輸出:
-
Python 2: 6
�� -
Python 3: 2
您好.
x = u'со'
x += 'co' # ok
x += 'со' # fail
Python 2 在此失敗了,而 Python 3 可以如期工作(因為我在字串中使用了俄文字母)。
在 Python 3 中 strs 是 Unicode 字串,對非英語文字的 NLP 處理更加方便。
還有其它有趣的方面,例如:
'a' < type < u'a' # Python 2: True
'a' < u'a' # Python 2: False
from collections import Counter
Counter('Möbelstück')
-
Python 2:
Counter({'Ã': 2, 'b': 1, 'e': 1, 'c': 1, 'k': 1, 'M': 1, 'l': 1, 's': 1, 't': 1, '¶': 1, '¼': 1})
-
Python 3:
Counter({'M': 1, 'ö': 1, 'b': 1, 'e': 1, 'l': 1, 's': 1, 't': 1, 'ü': 1, 'c': 1, 'k': 1})
這些在 Python 2 裡也能正確地工作,但 Python 3 更為友好。
保留詞典和**kwargs 的順序
在 CPython 3.6+ 版本中,字典的預設行為類似於 OrderedDict(在 3.7+版本中已得到保證)。這在字典理解(和其他操作如 json 序列化/反序列化期間)保持順序。
import json
x = {str(i):i for i in range(5)}
json.loads(json.dumps(x))
# Python 2
{u'1': 1, u'0': 0, u'3': 3, u'2': 2, u'4': 4}
# Python 3
{'0': 0, '1': 1, '2': 2, '3': 3, '4': 4}
它同樣適用於**kwargs(在 Python 3.6+版本中):它們的順序就像引數中顯示的那樣。當設計資料流程時,順序至關重要,以前,我們必須以這樣繁瑣的方式來編寫:
from torch import nn
# Python 2
model = nn.Sequential(OrderedDict([
('conv1', nn.Conv2d(1,20,5)),
('relu1', nn.ReLU()),
('conv2', nn.Conv2d(20,64,5)),
('relu2', nn.ReLU())
]))
# Python 3.6+, how it *can* be done, not supported right now in pytorch
model = nn.Sequential(
conv1=nn.Conv2d(1,20,5),
relu1=nn.ReLU(),
conv2=nn.Conv2d(20,64,5),
relu2=nn.ReLU())
)
註意到了嗎?名稱的唯一性也會被自動檢查。
迭代地拆封
# handy when amount of additional stored info may vary between experiments, but the same code can be used in all cases
model_paramteres, optimizer_parameters, *other_params = load(checkpoint_name)
# picking two last values from a sequence
*prev, next_to_last, last = values_history
# This also works with any iterables, so if you have a function that yields e.g. qualities,
# below is a simple way to take only last two values from a list
*prev, next_to_last, last = iter_train(args)
預設的 pickle 引擎為陣列提供更好的壓縮
# Python 2
import cPickle as pickle
import numpy
print len(pickle.dumps(numpy.random.normal(size=[1000, 1000])))
# result: 23691675
# Python 3
import pickle
import numpy
len(pickle.dumps(numpy.random.normal(size=[1000, 1000])))
# result: 8000162
節省 3 倍空間,而且速度更快。實際上,類似的壓縮(不過與速度無關)可以透過 protocol=2 引數來實現,但是使用者通常會忽略這個選項(或者根本不知道)。
更安全的解析
labels = <initial_value>
predictions = [model.predict(data) for data, labels in dataset]
# labels are overwritten in Python 2
# labels are not affected by comprehension in Python 3
關於 super()
Python 2 的 super(...)是程式碼錯誤中的常見原因。
# Python 2
class MySubClass(MySuperClass):
def __init__(self, name, **options):
super(MySubClass, self).__init__(name='subclass', **options)
# Python 3
class MySubClass(MySuperClass):
def __init__(self, name, **options):
super().__init__(name='subclass', **options)
關於 super 和方法解析順序的更多內容,參見 stackoverflow:https://stackoverflow.com/questions/576169/understanding-python-super-with-init-methods
更好的 IDE 會給出變數註釋
在使用 Java、C# 等語言程式設計的過程中最令人享受的事情是 IDE 可以提供非常好的建議,因為在執行程式碼之前,所有識別符號的型別都是已知的。
而在 Python 中這很難實現,但是註釋可以幫助你:
-
以清晰的形式寫下你的期望
-
從 IDE 獲取良好的建議
這是一個帶變數註釋的 PyCharm 示例。即使你使用的函式不帶註釋(例如,由於向後相容性),它也能工作。
多種拆封(unpacking)
在 Python3 中融合兩個字典的程式碼示例:
x = dict(a=1, b=2)
y = dict(b=3, d=4)
# Python 3.5+
z = {**x, **y}
# z = {'a': 1, 'b': 3, 'd': 4}, note that value for `b` is taken from the latter dict.
可以在這個連結中檢視 Python2 中的程式碼對比:https://stackoverflow.com/questions/38987/how-to-merge-two-dictionaries-in-a-single-expression
aame 方法對於串列(list)、元組(tuple)和集合(set)都是有效的(a、b、c 是任意的可迭代物件):
[*a, *b, *c] # list, concatenating
(*a, *b, *c) # tuple, concatenating
{*a, *b, *c} # set, union
對於*args 和 **kwargs,函式也支援額外的 unpacking:
Python 3.5+
do_something(**{**default_settings, **custom_settings})
# Also possible, this code also checks there is no intersection between keys of dictionaries
do_something(**first_args, **second_args)
只帶關鍵字引數的 API
我們考慮這個程式碼片段:
model = sklearn.svm.SVC(2, 'poly', 2, 4, 0.5)
很明顯,程式碼的作者還沒熟悉 Python 的程式碼風格(很可能剛從 cpp 和 rust 跳到 Python)。不幸的是,這不僅僅是個人偏好的問題,因為在 SVC 中改變引數的順序(adding/deleting)會使得程式碼無效。特別是,sklearn 經常會重排序或重新命名大量的演演算法引數以提供一致的 API。每次重構都可能使程式碼失效。
在 Python3,庫的編寫者可能需要使用*以明確地命名引數:
class SVC(BaseSVC):
def __init__(self, *, C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, ... )
-
現在,使用者需要明確規定引數 sklearn.svm.SVC(C=2, kernel='poly', degree=2, gamma=4, coef0=0.5) 的命名。
-
這種機制使得 API 同時具備了可靠性和靈活性。
小調:math 模組中的常量
# Python 3
math.inf # 'largest' number
math.nan # not a number
max_quality = -math.inf # no more magic initial values!
for model in trained_models:
max_quality = max(max_quality, compute_quality(model, data))
小調:單精度整數型別
Python 2 提供了兩個基本的整數型別,即 int(64 位符號整數)和用於長時間計算的 long(在 C++變的相當莫名其妙)。
Python 3 有一個單精度型別的 int,它包含了長時間的運算。
下麵是檢視值是否是整數的方法:
isinstance(x, numbers.Integral) # Python 2, the canonical way
isinstance(x, (long, int)) # Python 2
isinstance(x, int) # Python 3, easier to remember
其他
-
Enums 有理論價值,但是字串輸入已廣泛應用在 python 資料棧中。Enums 似乎不與 numpy 互動,並且不一定來自 pandas。
-
協同程式也非常有希望用於資料流程,但還沒有出現大規模應用。
-
Python 3 有穩定的 ABI
-
Python 3 支援 unicode(因此ω = Δφ / Δt 也 okay),但你最好使用好的舊的 ASCII 名稱
-
一些庫比如 jupyterhub(jupyter in cloud)、django 和新版 ipython 只支援 Python 3,因此對你來講沒用的功能對於你可能只想使用一次的庫很有用。
資料科學特有的程式碼遷移問題(以及如何解決它們)
停止對巢狀引數的支援:
map(lambda x, (y, z): x, z, dict.items())
然而,它依然完美適用於不同的理解:
{x:z for x, (y, z) in d.items()}
通常,理解在 Python 2 和 3 之間可以更好地「翻譯」。
-
map(), .keys(), .values(), .items(), 等等傳回迭代器,而不是串列。迭代器的主要問題有:沒有瑣碎的分割和無法迭代兩次。將結果轉化為串列幾乎可以解決所有問題。
-
遇到問題請參見 Python 問答: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 教機器學習和資料科學的主要問題
-
課程作者應該首先花時間解釋什麼是迭代器,為什麼它不能像字串那樣被分片/級聯/相乘/迭代兩次(以及如何處理它)。
-
我相信大多數課程作者很高興避開這些細節,但是現在幾乎不可能。
結論
Python 2 與 Python 3 共存了近 10 年,時至今日,我們必須要說:是時候轉向 Python 3 了。
研究和生產程式碼應該更短,更易讀取,並且在遷移到 Python 3 程式碼庫之後明顯更加的安全。
現在大多數庫同時支援 2.x 和 3.x 兩個版本。但我們不應等到流行工具包開始停止支援 Python 2 才開始行動,提前享受新語言的功能吧。
遷移過後,我敢保證程式會更加順暢:「我們不會再做向後不相容的事情了(https://snarky.ca/why-python-3-exists/)」。
●本文編號342,以後想閱讀這篇文章直接輸入342即可
●輸入m獲取到文章目錄
Java程式設計
更多推薦《18個技術類公眾微信》
涵蓋:程式人生、演演算法與資料結構、駭客技術與網路安全、大資料技術、前端開發、Java、Python、Web開發、安卓開發、iOS開發、C/C++、.NET、Linux、資料庫、運維等。