​愉快地遷移到 Python 3

引言

如今 Python 成為機器學習和大量使用資料操作的科學領域的主流語言; 它擁有各種深度學習框架和完善的資料處理和視覺化工具。但是，Python 生態系統在 Python2 和 Python3 中共存，而Python2 仍在資料科學家中使用。到2019年底，也將停止支援 Python2。至於numpy，2018年9月之後任何新功能版本都將只支援Python3。同樣的還包括pandas, matplotlib, ipython, jupyter notebook and jupyter lab。所以遷移到python3刻不容緩，當然不止是這些，還有些新特性讓我們跟隨後面到文章一一進行瞭解。

使用pathlib處理更好的路徑

pathlib 是 Python3 中的一個預設模組，可以幫助你避免使用大量的 os.path.join。

from pathlib import Path

dataset = 'wiki_images'
datasets_root = Path('/path/to/datasets/')
#Navigating inside a directory tree,use:/
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

不要用字串連結的形式拼接路徑，根據作業系統的不同會出現錯誤，我們可以使用/結合 pathlib來拼接路徑，非常的安全、方便和高可讀性。

pathlib 還有很多屬性，具體的可以參考pathlib的官方檔案，下麵列舉幾個：

from pathlib import Path

a = Path("/data")
b = "test"
c = a / b
print(c)
print(c.exists())  # 路徑是否存在
print(c.is_dir())  # 判斷是否為檔案夾
print(c.parts)  # 分離路徑
print(c.with_name('sibling.png'))  # 只修改拓展名, 不會修改源檔案
print(c.with_suffix('.jpg'))  # 只修改拓展名, 不會修改源檔案
c.chmod(777)  # 修改目錄許可權
c.rmdir()  # 刪除目錄

型別提示現在是語言的一部分

     一個在 Pycharm 使用Typing的例子:

引入型別提示是為了幫助解決程式日益複雜的問題，IDE可以識別引數的型別進而給使用者提示。
關於Tying的具體用法，可以看我之前寫的:python型別檢測最終指南–Typing的使用

執行時型別提示型別檢查

     除了之前文章提到 mypy 模組繼續型別檢查以外，還可以使用 enforce 模組進行檢查，透過 pip 安裝即可，使用示例如下:

import enforce

@enforce.runtime_validation
def foo(text: str) -> None:
    print(text)

foo('Hi')  # ok
foo(5)  # fails

輸出

Hi
Traceback (most recent call last):
  File "/Users/chennan/pythonproject/dataanalysis/e.py", line 10, in <module>
    foo(5)  # fails
  File "/Users/chennan/Desktop/2019/env/lib/python3.6/site-packages/enforce/decorators.py", line 104, in universal
    _args, _kwargs, _ = enforcer.validate_inputs(parameters)
  File "/Users/chennan/Desktop/2019/env/lib/python3.6/site-packages/enforce/enforcers.py", line 86, in validate_inputs
    raise RuntimeTypeError(exception_text)
enforce.exceptions.RuntimeTypeError: 
  The following runtime type errors were encountered:
       Argument 'text' was not of type <class 'str'>. Actual type was int.

使用@表示矩陣的乘法

   下麵我們實現一個最簡單的ML模型——l2正則化線性回歸(又稱嶺回歸)

# l2-regularized linear regression: || AX - y ||^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(y))
# Python 3
X = np.linalg.inv(A.T @ A + alpha * np.eye(A.shape[1])) @ (A.T @ y)

使用@符號，整個程式碼變得更可讀和方便移植到其他科學計算相關的庫，如numpy, cupy, pytorch, tensorflow等。

**萬用字元的使用

在 Python2 中，遞迴查詢檔案不是件容易的事情，即使是使用glob庫，但是從 Python3.5 開始，可以透過**萬用字元簡單的實現。

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)

更好的路徑寫法是上面提到的 pathlib ，我們可以把程式碼進一步改寫成如下形式。

# Python 3
import pathlib
import glob
found_images = pathlib.Path('/path/').glob('**/*.jpg')

Print函式

雖然 Python3 的 print 加了一對括號，但是這並不影響它的優點。

使用檔案描述符的形式將檔案寫入

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

不使用 str.join 拼接字串

# Python 3
print(*array, sep='	')
print(batch, epoch, loss, accuracy, time, sep='	')

重新定義 print 方法的行為

既然 Python3 中的 print 是一個函式，我們就可以對其進行改寫。

# Python 3
_print = print # store the original print function
def print(*args, **kargs):
    pass  # do something useful, e.g. store output to some file

註意：在 Jupyter 中，最好將每個輸出記錄到一個單獨的檔案中(跟蹤斷開連線後發生的情況)，這樣就可以改寫 print 了。

@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():
    print function>

雖然上面這段程式碼也能達到重寫 print 函式的目的，但是不推薦使用。

print 可以參與串列理解和其他語言構造

# Python 3
result = process(x) if is_valid(x) else print('invalid item: ', x)

數字文字中的下劃線(千位分隔符)

在 PEP-515 中引入了在數字中加入下劃線。在 Python3 中，下劃線可用於整數，浮點和複數，這個下劃線起到一個分組的作用

# grouping decimal numbers by thousands
one_million = 1_000_000

# grouping hexadecimal addresses by words
addr = 0xCAFE_F00D

# grouping bits into nibbles in a binary literal
flags = 0b_0011_1111_0100_1110

# same, for string conversions
flags = int('0b_1111_0000', 2)

也就是說10000,你可以寫成10_000這種形式。

簡單可看的字串格式化f-string

Python2提供的字串格式化系統還是不夠好，太冗長麻煩，通常我們會寫這樣一段程式碼來輸出日誌資訊：

# 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)
)

輸出結果為

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

在 Python3.6 中引入了 f-string (格式化字串)

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}')

關於 f-string 的用法可以看我在b站的影片[https://www.bilibili.com/video/av31608754]

‘/’和’//’在數學運算中有著明顯的區別

     對於資料科學來說，這無疑是一個方便的改變

data = pandas.read_csv('timing.csv')
velocity = data['distance'] / data['time']

Python2 中的結果取決於“時間”和“距離”(例如，以米和秒為單位)是否儲存為整數。在python3中，這兩種情況下的結果都是正確的，因為除法的結果是浮點數。
另一個例子是 floor 除法，它現在是一個顯式操作

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

nutshell

>>> from operator import truediv, floordiv
>>> truediv.__doc__, floordiv.__doc__
('truediv(a, b) -- Same as a / b.', 'floordiv(a, b) -- Same as a // b.')
>>> (3 / 2), (3 // 2), (3.0 // 2.0)
(1.5, 1, 1.0)

值得註意的是，這種規則既適用於內建型別，也適用於資料包提供的自定義型別（例如 numpy 或pandas）。

嚴格的順序

下麵的這些比較方式在 Python3 中都屬於合法的。

3 '3'
2 None
(3, 4) 3, None)
(4, 5) 4, 5]

對於下麵這種不管是2還是3都是不合法的

(4, 5) == [4, 5]

如果對不同的型別進行排序

sorted([2, '1', 3]) 

雖然上面的寫法在 Python2 中會得到結果 [2, 3, ‘1’]，但是在 Python3 中上面的寫法是不被允許的。

檢查物件為 None 的合理方案

if a is not None:
  pass

if a: # WRONG check for None
  pass

NLP Unicode問題

s = '您好'
print(len(s))
print(s[:2])

輸出內容

Python 2: 6
��
Python 3: 2
您好.

還有下麵的運算

x = u'со'
x += 'co' # ok
x += 'со' # fail

Python2 失敗了，Python3 正常工作(因為我在字串中使用了俄文字母)。
在 Python3 中，字串都是 unicode 編碼，所以對於非英語文字處理起來更方便。

一些其他操作

'a' u'a'  # Python 2: True
'a' u'a'         # Python 2: False

再比如

from collections import Counter
Counter('Möbelstück')

在 Python2 中

 Counter({'Ã': 2, 'b': 1, 'e': 1, 'c': 1, 'k': 1, 'M': 1, 'l': 1, 's': 1, 't': 1, '¶': 1, '¼': 1})

在 Python3 中

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

雖然可以在 Python2 中正確地處理這些結果，但是在 Python3 中看起來結果更加友好。

保留了字典和**kwargs的順序

在CPython3.6+ 中，預設情況下，dict 的行為類似於 OrderedDict ，都會自動排序（這在Python3.7+ 中得到保證）。同時在字典生成式（以及其他操作，例如在 json 序列化/反序列化期間）都保留了順序。

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}

這同樣適用於**kwargs(在Python 3.6+中)，它們的順序與引數中出現的順序相同。當涉及到資料管道時，順序是至關重要的，以前我們必須以一種繁瑣的方式編寫它

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())
        ]))

而在 Python3.6 以後你可以這麼操作

# 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())
)

可迭代物件拆包

類似於元組和串列的拆包，具體看下麵的程式碼例子。

# 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)

提供了更高效能的pickle

Python2

import cPickle as pickle
import numpy
print len(pickle.dumps(numpy.random.normal(size=[1000, 1000])))
# result: 23691675

Python3

import pickle
import numpy
len(pickle.dumps(numpy.random.normal(size=[1000, 1000])))
# result: 8000162

空間少了三倍。而且要快得多。實際上，使用 protocol=2 引數可以實現類似的壓縮(但不是速度)，但是開發人員通常忽略這個選項(或者根本不知道)。
註意：pickle 不安全(並且不能完全轉移),所以不要 unpickle 從不受信任或未經身份驗證的來源收到的資料。

更安全的串列推導

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

# labels are overwritten in Python 2
# labels are not affected by comprehension in Python 3

更簡易的super()

在python2中 super 相關的程式碼是經常容易寫錯的。

# 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)

這一點Python3得到了很大的最佳化，新的 super() 可以不再傳遞引數。
同時在呼叫順序上也不一樣。

IDE能夠給出更好的提示

使用Java、c#等語言進行程式設計最有趣的地方是IDE可以提供很好的建議，因為在執行程式之前，每個識別符號的型別都是已知的。
在python中這很難實現，但是註釋會幫助你

這是一個帶有變數註釋的 PyCharm 提示示例。即使在使用的函式沒有註釋的情況下(例如，由於向後相容性)，也可以使用這種方法。

Multiple unpacking

如何合併兩個字典

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.

我在b站同樣釋出了相關的影片[https://www.bilibili.com/video/av50376841]
同樣的方法也適用於串列、元組和集合(a、b、c是任何迭代器)

[*a, *b, *c] # list, concatenating
(*a, *b, *c) # tuple, concatenating
{*a, *b, *c} # set, union

函式還支援*arg和**kwarg的多重解包

# 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)

Data classes

Python 3.7引入了Dataclass類，它適合儲存資料物件。資料物件是什麼？下麵列出這種物件型別的幾項特徵，雖然不全面：

• 它們儲存資料並表示某種資料型別，例如：數字。對於熟悉ORM的朋友來說），資料模型實體就是一個資料物件。它代表了一種特定的物體。它所具有的屬性定義或表示了該物體。
• 它們可以與同一型別的其他物件進行比較。例如：大於、小於或等於。
  當然還有更多的特性，下麵的這個例子可以很好的替代namedtuple的功能。

@dataclass
class Person:
    name: str
    age: int

@dataclass
class Coder(Person):
    preferred_language: str = 'Python 3'

dataclass裝飾器實現了幾個魔法函式方法的功能（__init__，__repr__，__le__,__eq__）
關於資料類有以下幾個特性：

• 資料類可以是可變的，也可以是不可變的
• 支援欄位的預設值
• 可被其他類繼承
• 資料類可以定義新的方法並改寫現有的方法
• 初始化後處理(例如驗證一致性)
  更多內容可以參考官方檔案。

自定義對模組屬性的訪問

在Python中，可以用getattr和dir控制任何物件的屬性訪問和提示。因為python3.7，你也可以對模組這樣做。
一個自然的例子是實現張量庫的隨機子模組，這通常是跳過初始化和傳遞隨機狀態物件的快捷方式。numpy的實現如下:

# nprandom.py
import numpy
__random_state = numpy.random.RandomState()

def __getattr__(name):
    return getattr(__random_state, name)

def __dir__():
    return dir(__random_state)

def seed(seed):
    __random_state = numpy.random.RandomState(seed=seed)

也可以這樣混合不同物件/子模組的功能。與pytorch和cupy中的技巧相比。
除此之外，還可以做以下事情：

• 使用它來延遲載入子模組。例如，匯入tensorflow時會匯入所有子模組(和依賴項)。需要大約150兆記憶體。
• 在應用程式設計介面中使用此選項進行折舊
• 在子模組之間引入執行時路由

內建的斷點

在python3.7中可以直接使用breakpoint給程式碼打斷點

# Python 3.7+, not all IDEs support this at the moment
foo()
breakpoint()
bar()

在python3.7以前我們可以透過import pdb的pdb.set_trace()實現相同的功能。
對於遠端除錯，可嘗試將breakpoint()與web-pdb結合使用.

Math模組中的常數

# Python 3
math.inf # Infinite float
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))

整數型別只有int

Python 2提供了兩種基本的整數型別，一種是int（64位有符號整數）一種是long，使用起來非常容易混亂，而在python3中只提供了int型別這一種。

isinstance(x, numbers.Integral) # Python 2, the canonical way
isinstance(x, (long, int))      # Python 2
isinstance(x, int)              # Python 3, easier to remember

在python3中同樣的也可以應用於其他整數型別，如numpy.int32、numpy.int64，但其他型別不適用。

結論

雖然Python 2和Python 3共存了近10年，但是我們應該轉向Python 3。
使用Python3之後，不管是研究還是生產上，程式碼都會變得更短，更易讀，更安全。