在Python 2.7即將停止支持時,我們為你帶來了一份python 3.x遷移指南

2020-01-04 16:01:22

字體：大中小

來源：轉載

供稿：網友

目前，Python 科學棧中的所有主要項目都同時支持 Python 3.x 和 Python 2.7，不過，這種情況很快即將結束。去年 11 月，Numpy 團隊的一份聲明引發了數據科學社區的關注：這一科學計算庫即將放棄對于 Python 2.7 的支持，全面轉向 Python 3。Numpy 并不是唯一宣稱即將放棄 Python 舊版本支持的工具，pandas 與 Jupyter notebook 等很多產品也在即將放棄支持的名單之中。對于數據科學開發者而言，如何將已有項目從 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代碼遷移指南。

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數據。Python 兼容多種深度學習框架，且具備很多優秀的工具來執行數據預處理和可視化。

但是，Python 2 和 Python 3 長期共存于 Python 生態系統中，很多數據科學家仍然使用 Python 2。2019 年底，Numpy 等很多科學計算工具都將停止支持 Python 2，而 2018 年后 Numpy 的所有新功能版本將只支持 Python 3。

為了使 Python 2 向 Python 3 的轉換更加輕松，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 的默認模塊，幫助避免使用大量的 os.path.joins：

from pathlib import Pathdataset = '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 總是試圖使用字符串級聯（準確，但不好），現在有了 pathlib，代碼安全、準確、可讀性強。

此外，pathlib.Path 具備大量方法，這樣 Python 新用戶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 folderp.with_suffix('.jpg') # only change the extension, but keep the folder and the namep.chmod(mode)p.rmdir()

pathlib 會節約大量時間，詳見：

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

參考信息：https://pymotw.com/3/pathlib/。

類型提示（Type hinting）成為語言的一部分

PyCharm 中的類型提示示例：

Python 不只是適合腳本的語言，現在的數據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）。

類型提示被引入 Python，以幫助處理越來越復雜的項目，使機器可以更好地進行代碼驗證。而之前需要不同的模塊使用自定義方式在文檔字符串中指定類型（注意：PyCharm 可以將舊的文檔字符串轉換成新的類型提示）。

下列代碼是一個簡單示例，可以處理不同類型的數據（這就是我們喜歡 Python 數據棧之處）。

def repeat_each_entry(data): """ Each entry in the data is doubled  """ index = numpy.repeat(numpy.arange(len(data)), 2) return data[index]

上述代碼適用于 numpy.array（包括多維）、astropy.Table 和 astropy.Column、bcolz、cupy、mxnet.ndarray 等。
該代碼同樣可用于 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

這是一個兩行代碼。想象一下復雜系統的行為多么難預測，有時一個函數就可能導致錯誤的行為。明確了解哪些類型方法適合大型系統很有幫助，它會在函數未得到此類參數時給出提醒。

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

如果你有一個很棒的代碼庫，類型提示工具如 MyPy 可能成為集成流程中的一部分。不幸的是，提示沒有強大到足以為 ndarrays/tensors 提供細粒度類型，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。

類型提示 → 運行時的類型檢查

默認情況下，函數注釋不會影響代碼的運行，不過它也只能幫你指出代碼的意圖。

但是，你可以在運行時中使用 enforce 等工具強制進行類型檢查，這可以幫助你調試代碼（很多情況下類型提示不起作用）。

@enforce.runtime_validationdef foo(text: str) -> None: print(text)foo('Hi') # okfoo(5) # fails@enforce.runtime_validationdef any2(x: List[bool]) -> bool: return any(x)any ([False, False, True, False]) # Trueany2([False, False, True, False]) # Trueany (['False']) # Trueany2(['False']) # failsany ([False, None, "", 0]) # Falseany2([False, None, "", 0]) # fails

函數注釋的其他用處

如前所述，注釋不會影響代碼執行，而且會提供一些元信息，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，并將輸出轉換成所需單位。

# Python 3from astropy import units as u@u.quantity_input()def frequency(speed: u.meter / u.s, wavelength: u.m) -> u.terahertz: return speed / wavelengthfrequency(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 表格式科學數據（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。

通過 @ 實現矩陣乘法

下面，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 2X = np.linalg.inv(np.dot(A.T, A) + alpha * np.eye(A.shape[1])).dot(A.T.dot(b))# Python 3X = np.linalg.inv(A.T @ A + alpha * np.eye(A.shape[1])) @ (A.T @ b)

下面 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, :] 的代碼在 numpy、cupy、pytorch 和 tensorflow 等不同庫下都表示單層感知機。

使用 ** 作為通配符

遞歸文件夾的通配符在 Python2 中并不是很方便，因此才存在定制的 glob2 模塊來克服這個問題。遞歸 flag 在 Python 3.6 中得到了支持。

import glob# Python 2found_images = / glob.glob('/path/*.jpg') / + glob.glob('/path/*/*.jpg') / + glob.glob('/path/*/*/*.jpg') / + glob.glob('/path/*/*/*/*.jpg') / + glob.glob('/path/*/*/*/*/*.jpg')# Python 3found_images = glob.glob('/path/**/*.jpg', recursive=True)

python3 中更好的選擇是使用 pathlib：

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

Print 在 Python3 中是函數

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。

使用文件描述符的簡單句法：

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

在不使用 str.join 下輸出 tab-aligned 表格：

# Python 3print(*array, sep='/t')print(batch, epoch, loss, accuracy, time, sep='/t')

修改與重新定義 print 函數的輸出：

# Python 3_print = print # store the original print functiondef 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文檔，并在出現錯誤的時候追蹤出現問題的文檔，所以我們現在可以重寫 print 函數了。

在下面的代碼中，我們可以使用上下文管理器暫時重寫 print 函數的行為：

@contextlib.contextmanagerdef 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 = _printwith replace_print(): <code here will invoke other print function>

上面并不是一個推薦的方法，因為它會引起系統的不穩定。

print 函數可以加入列表解析和其它語言構建結構。

# Python 3result = 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

默認的格式化系統提供了一些靈活性，且在數據實驗中不是必須的。但這樣的代碼對于任何修改要么太冗長，要么就會變得很零碎。而代表性的數據科學需要以固定的格式迭代地輸出一些日志信息，通常需要使用的代碼如下：

# Python 2print('{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 即格式化字符串在 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，寫查詢語句時非常方便：

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

「true division」和「integer division」之間的明顯區別

對于數據科學來說這種改變帶來了便利（但我相信對于系統編程來說不是）。

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

Python 2 中的結果依賴于『時間』和『距離』（例如，以米和秒為單位）是否被保存為整數。

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

注意，該運算可以應用到內建類型和由數據包（例如，numpy 或 pandas）提供的自定義類型。

推薦：Python核心團隊計劃2020年停止支持Python2，NumPy宣布停止支持計劃表

[Python核心團隊計劃在2020年停止支持Python 2。NumPy項目自2010年以來一直支持Python 2和Python 3，并且發現支持Python 2對我們有限的資源增加了負擔；因此，我們最終計劃

嚴格排序

# All these comparisons are illegal in Python 33 < '3'2 < None(3, 4) < (3, None)(4, 5) < [4, 5]# False in both Python 2 and Python 3(4, 5) == [4, 5]防止不同類型實例的偶然性的排序。sorted([2, '1', 3]) # invalid for Python 3, in Python 2 returns [2, 3, '1']在處理原始數據時幫助發現存在的問題。旁注：對 None 的合適檢查是（兩個版本的 Python 都適用）：if a is not None: passif 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/n??Python 3: 2/n 您好.x = u'со'x += 'co' # okx += 'со' # fail

Python 2 在此失敗了，而 Python 3 可以如期工作（因為我在字符串中使用了俄文字母）。

在 Python 3 中 strs 是 Unicode 字符串，對非英語文本的 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: Falsefrom collections import CounterCounter('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})

這些在 Python 2 里也能正確地工作，但 Python 3 更為友好。

保留詞典和**kwargs 的順序

在 CPython 3.6+ 版本中，字典的默認行為類似于 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 jsonx = {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}

它同樣適用于**kwargs（在 Python 3.6+版本中）：它們的順序就像參數中顯示的那樣。當設計數據流程時，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 2model = 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 pytorchmodel = nn.Sequential( conv1=nn.Conv2d(1,20,5), relu1=nn.ReLU(), conv2=nn.Conv2d(20,64,5), relu2=nn.ReLU()))

注意到了嗎？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 casesmodel_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)

默認的 pickle 引擎為數組提供更好的壓縮

# Python 2import cPickle as pickleimport numpyprint len(pickle.dumps(numpy.random.normal(size=[1000, 1000])))# result: 23691675# Python 3import pickleimport numpylen(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）可以通過 protocol=2 參數來實現，但是用戶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

關于 super()

Python 2 的 super（...）是代碼錯誤中的常見原因。

# Python 2class MySubClass(MySuperClass): def __init__(self, name, **options):  super(MySubClass, self).__init__(name='subclass', **options)# Python 3class MySubClass(MySuperClass): def __init__(self, name, **options):  super().__init__(name='subclass', **options)

關于 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 會給出變量注釋

在使用 Java、C# 等語言編程的過程中最令人享受的事情是 IDE 可以提供非常好的建議，因為在執行代碼之前，所有標識符的類型都是已知的。

而在 Python 中這很難實現，但是注釋可以幫助你：

以清晰的形式寫下你的期望

從 IDE 獲取良好的建議

這是一個帶變量注釋的 PyCharm 示例。即使你使用的函數不帶注釋（例如，由于向后兼容性），它也能工作。

多種拆封（unpacking）

在 Python3 中融合兩個字典的代碼示例：

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.

可以在這個鏈接中查看 Python2 中的代碼對比：https://stackoverflow.com/questions/38987/how-to-merge-two-

dictionaries-in-a-single-expression

aame 方法對于列表（list）、元組（tuple）和集合（set）都是有效的（a、b、c 是任意的可迭代對象）：

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

對于*args 和 **kwargs，函數也支持額外的 unpacking：

Python 3.5+do_something(**{**default_settings, **custom_settings})# Also possible, this code also checks there is no intersection between keys of dictionariesdo_something(**first_args, **second_args)

只帶關鍵字參數的 API

我們考慮這個代碼片段：

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

很明顯，代碼的作者還沒熟悉 Python 的代碼風格（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 中改變參數的順序（adding/deleting）會使得代碼無效。特別是，sklearn 經常會重排序或重命名大量的算法參數以提供一致的 API。每次重構都可能使代碼失效。

在 Python3，庫的編寫者可能需要使用*以明確地命名參數：

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

現在，用戶需要明確規定參數 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 模塊中的常量

# Python 3math.inf # 'largest' numbermath.nan # not a numbermax_quality = -math.inf # no more magic initial values!for model in trained_models: max_quality = max(max_quality, compute_quality(model, data)

小調：單精度整數類型

Python 2 提供了兩個基本的整數類型，即 int（64 位符號整數）和用于長時間計算的 long（在 C++變的相當莫名其妙）。

Python 3 有一個單精度類型的 int，它包含了長時間的運算。
下面是查看值是否是整數的方法：

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

其他

Enums 有理論價值，但是字符串輸入已廣泛應用在 python 數據棧中。 Enums 似乎不與 numpy 交互，并且不一定來自 pandas。

協同程序也非常有希望用于數據流程，但還沒有出現大規模應用。

Python 3 有穩定的 ABI

Python 3 支持 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 只支持 Python 3，因此對你來講沒用的功能對于你可能只想使用一次的庫很有用。

數據科學特有的代碼遷移問題（以及如何解決它們）

停止對嵌套參數的支持：

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

然而，它依然完美適用于不同的理解：

{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(), 等等返回迭代器，而不是列表。迭代器的主要問題有：沒有瑣碎的分割和無法迭代兩次。將結果轉化為列表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 教機器學習和數據科學的主要問題

課程作者應該首先花時間解釋什么是迭代器，為什么它不能像字符串那樣被分片/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。

研究和生產代碼應該更短，更易讀取，并且在遷移到 Python 3 代碼庫之后明顯更加的安全。