如何愉快地迁移到 Python 3_Python

引言

如今 python 成为机器学习和大量使用数据操作的科学领域的主流语言; 它拥有各种深度学习框架和完善的数据处理和可视化工具。但是，python 生态系统在 python2 和 python3 中共存，而python2 仍在数据科学家中使用。到2019年底，也将停止支持 python2。至于numpy，2018年9月之后任何新功能版本都将只支持python3。同样的还包括pandas, matplotlib, ipython, jupyter notebook and jupyter lab。所以迁移到python3刻不容缓，当然不止是这些，还有些新特性让我们跟随后面到文章一一进行了解。

使用pathlib处理更好的路径

pathlib 是 python3 中的一个默认模块，可以帮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

不要用字符串链接的形式拼接路径，根据操作系统的不同会出现错误，我们可以使用/结合 pathlib来拼接路径，非常的安全、方便和高可读性。

pathlib 还有很多属性，具体的可以参考pathlib的官方文档，下面列举几个：

				?

									from pathlib import path

									a = path("/data")

									b = "test"

									c = a / b

									print(c)

									print(c.exists()) # 路径是否存在

									print(c.is_dir()) # 判断是否为文件夹

									print(c.parts) # 分离路径

									print(c.with_name('sibling.png')) # 只修改拓展名, 不会修改源文件

									print(c.with_suffix('.jpg')) # 只修改拓展名, 不会修改源文件

									c.chmod(777) # 修改目录权限

									c.rmdir() # 删除目录

类型提示现在是语言的一部分

一个在 pycharm 使用typing的例子:

引入类型提示是为了帮助解决程序日益复杂的问题，ide可以识别参数的类型进而给用户提示。

关于tying的具体用法，可以看我之前写的:python类型检测最终指南--typing的使用

运行时类型提示类型检查

除了之前文章提到 mypy 模块继续类型检查以外，还可以使用 enforce 模块进行检查，通过 pip 安装即可，使用示例如下:

				?

									import enforce

									@enforce.runtime_validation

									def foo(text: str) -> none:

									 print(text)

									foo('hi') # ok

									foo(5) # fails

输出

				?

									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@表示矩阵的乘法

下面我们实现一个最简单的ml模型——l2正则化线性回归(又称岭回归)

				?

									# 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@符号，整个代码变得更可读和方便移植到其他科学计算相关的库，如numpy, cupy, pytorch, tensorflow等。

**通配符的使用

在 python2 中，递归查找文件不是件容易的事情，即使是使用glob库，但是从 python3.5 开始，可以通过**通配符简单的实现。

				?

									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)

更好的路径写法是上面提到的 pathlib ，我们可以把代码进一步改写成如下形式。

				?

									# python 3

									import pathlib

									import glob

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

print函数

虽然 python3 的 print 加了一对括号，但是这并不影响它的优点。

使用文件描述符的形式将文件写入

				?

									print >>sys.stderr, "critical error"  # python 2

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

不使用 str.join 拼接字符串

				?

									# python 3

									print(*array, sep=' ')

									print(batch, epoch, loss, accuracy, time, sep=' ')

重新定义 print 方法的行为

既然 python3 中的 print 是一个函数，我们就可以对其进行改写。

				?

									# python 3

									_print = print # store the original print function

									def print(*args, **kargs):

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

注意：在 jupyter 中，最好将每个输出记录到一个单独的文件中(跟踪断开连接后发生的情况)，这样就可以覆盖 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():

									 <code here will invoke other print function>

虽然上面这段代码也能达到重写 print 函数的目的，但是不推荐使用。

print 可以参与列表理解和其他语言构造

				?

									# python 3

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

数字文字中的下划线(千位分隔符)

在 pep-515 中引入了在数字中加入下划线。在 python3 中，下划线可用于整数，浮点和复数，这个下划线起到一个分组的作用

				?

									# 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)

也就是说10000,你可以写成10_000这种形式。

简单可看的字符串格式化f-string

python2提供的字符串格式化系统还是不够好，太冗长麻烦，通常我们会写这样一段代码来输出日志信息：

				?

									# 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)

									)

输出结果为

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

在 python3.6 中引入了 f-string (格式化字符串)

				?

									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}')

关于 f-string 的用法可以看我在b站的视频[https://www.bilibili.com/video/av31608754]

'/'和'//'在数学运算中有着明显的区别

对于数据科学来说，这无疑是一个方便的改变

				?

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

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

python2 中的结果取决于“时间”和“距离”(例如，以米和秒为单位)是否存储为整数。在python3中，这两种情况下的结果都是正确的，因为除法的结果是浮点数。

另一个例子是 floor 除法，它现在是一个显式操作

				?

									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)

值得注意的是，这种规则既适用于内置类型，也适用于数据包提供的自定义类型（例如 numpy 或pandas）。

严格的顺序

下面的这些比较方式在 python3 中都属于合法的。

				?

									3 < '3'

									2 < none

									(3, 4) < (3, none)

									(4, 5) < [4, 5]

对于下面这种不管是2还是3都是不合法的

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

如果对不同的类型进行排序

sorted([2, '1', 3])

虽然上面的写法在 python2 中会得到结果 [2, 3, '1']，但是在 python3 中上面的写法是不被允许的。

检查对象为 none 的合理方案

				?

									if a is not none:

									 pass

									if a: # wrong check for none

									 pass

									nlp unicode问题

									s = '您好'

									print(len(s))

									print(s[:2])

输出内容

				?

									python 2: 6

									python 3: 2

您好.

还有下面的运算

				?

									x = u'со'

									x += 'co' # ok

									x += 'со' # fail

python2 失败了，python3 正常工作(因为我在字符串中使用了俄文字母)。

在 python3 中，字符串都是 unicode 编码，所以对于非英语文本处理起来更方便。

一些其他操作

				?

									'a' < type < 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})

虽然可以在 python2 中正确地处理这些结果，但是在 python3 中看起来结果更加友好。

保留了字典和**kwargs的顺序

在cpython3.6+ 中，默认情况下，dict 的行为类似于 ordereddict ，都会自动排序（这在python3.7+ 中得到保证）。同时在字典生成式（以及其他操作，例如在 json 序列化/反序列化期间）都保留了顺序。

				?

									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}

这同样适用于**kwargs(在python 3.6+中)，它们的顺序与参数中出现的顺序相同。当涉及到数据管道时，顺序是至关重要的，以前我们必须以一种繁琐的方式编写它

				?

									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 以后你可以这么操作

				?

									# 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())

									)

可迭代对象拆包

类似于元组和列表的拆包，具体看下面的代码例子。

				?

									# 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)

提供了更高性能的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

空间少了三倍。而且要快得多。实际上，使用 protocol=2 参数可以实现类似的压缩(但不是速度)，但是开发人员通常忽略

这个选项(或者根本不知道)。

注意：pickle 不安全(并且不能完全转移),所以不要 unpickle 从不受信任或未经身份验证的来源收到的数据。

更安全的列表推导

				?

									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

更简易的super()

在python2中 super 相关的代码是经常容易写错的。

				?

									# 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)

这一点python3得到了很大的优化，新的 super() 可以不再传递参数。

同时在调用顺序上也不一样。

ide能够给出更好的提示

使用java、c#等语言进行编程最有趣的地方是ide可以提供很好的建议，因为在执行程序之前，每个标识符的类型都是已知的。

在python中这很难实现，但是注释会帮助你

这是一个带有变量注释的 pycharm 提示示例。即使在使用的函数没有注释的情况下(例如，由于向后兼容性)，也可以使用这种方法。

multiple unpacking

如何合并两个字典

				?

									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站同样发布了相关的视频[https://www.bilibili.com/video/av50376841]
同样的方法也适用于列表、元组和集合(a、b、c是任何迭代器)

				?

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

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

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

函数还支持*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类，它适合存储数据对象。数据对象是什么？下面列出这种对象类型的几项特征，虽然不全面：

它们存储数据并表示某种数据类型，例如：数字。对于熟悉orm的朋友来说），数据模型实例就是一个数据对象。它代表了一种特定的实体。它所具有的属性定义或表示了该实体。
它们可以与同一类型的其他对象进行比较。例如：大于、小于或等于。
当然还有更多的特性，下面的这个例子可以很好的替代namedtuple的功能。

dataclass装饰器实现了

				?

									@dataclass

									class person:

									  name: str

									  age: int

									@dataclass

									class coder(person):

									  preferred_language: str = 'python 3'

几个魔法函数方法的功能（__init__，__repr__，__le__,__eq__）

关于数据类有以下几个特性：

数据类可以是可变的，也可以是不可变的
支持字段的默认值
可被其他类继承
数据类可以定义新的方法并覆盖现有的方法
初始化后处理(例如验证一致性)
更多内容可以参考官方文档。
自定义对模块属性的访问

在python中，可以用getattr和dir控制任何对象的属性访问和提示。因为python3.7，你也可以对模块这样做。

一个自然的例子是实现张量库的随机子模块，这通常是跳过初始化和传递随机状态对象的快捷方式。numpy的实现如下:

				?

									# 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)

也可以这样混合不同对象/子模块的功能。与pytorch和cupy中的技巧相比。

除此之外，还可以做以下事情：

使用它来延迟加载子模块。例如，导入tensorflow时会导入所有子模块(和依赖项)。需要大约150兆内存。

在应用编程接口中使用此选项进行折旧

在子模块之间引入运行时路由

内置的断点

在python3.7中可以直接使用breakpoint给代码打断点

				?

									# python 3.7+, not all ides support this at the moment

									foo()

									breakpoint()

									bar()

在python3.7以前我们可以通过import pdb的pdb.set_trace()实现相同的功能。

对于远程调试，可尝试将breakpoint()与web-pdb结合使用.

math模块中的常数

				?

									# 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))

整数类型只有int

python 2提供了两种基本的整数类型，一种是int（64位有符号整数）一种是long，使用起来非常容易混乱，而在python3中只提供了int类型这一种。

				?

									isinstance(x, numbers.integral) # python 2, the canonical way

									isinstance(x, (long, int))   # python 2

									isinstance(x, int)       # python 3, easier to remember