python2.7到3.x迁移指南

2023-09-17 01:02:05 66

目前，Python科学栈中的所有主要项目都同时支持Python3.x和Python2.7，不过，这种情况很快即将结束。去年11月，Numpy团队的一份声明引发了数据科学社区的关注：这一科学计算库即将放弃对于Python2.7的支持，全面转向Python3。Numpy并不是唯一宣称即将放弃Python旧版本支持的工具，pandas与Jupyternotebook等很多产品也在即将放弃支持的名单之中。对于数据科学开发者而言，如何将已有项目从Python2转向Python3成为了正在面临的重大问题。来自莫斯科大学的AlexRogozhnikov博士为我们整理了一份代码迁移指南。

Python3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，Python2和Python3长期共存于Python生态系统中，很多数据科学家仍然使用Python2。2019年底，Numpy等很多科学计算工具都将停止支持Python2，而2018年后Numpy的所有新功能版本将只支持Python3。

为了使Python2向Python3的转换更加轻松，我收集了一些Python3的功能，希望对大家有用。

使用pathlib更好地处理路径

pathlib是Python3的默认模块，帮助避免使用大量的os.path.joins：

frompathlibimportPath
dataset='wiki_images'
datasets_root=Path('/path/to/datasets/')
train_path=datasets_root/dataset/'train'
test_path=datasets_root/dataset/'test'
forimage_pathintrain_path.iterdir():
withimage_path.open()asf:#note,openisamethodofPathobject
#dosomethingwithanimage

Python2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：

p.exists()
p.is_dir()
p.parts()
p.with_name('sibling.png')#onlychangethename,butkeepthefolderp.with_suffix('.jpg')#onlychangetheextension,butkeepthefolderandthename
p.chmod(mode)
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（Typehinting）成为语言的一部分

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）。

defrepeat_each_entry(data):
"""Eachentryinthedataisdoubled

"""
index=numpy.repeat(numpy.arange(len(data)),2)
returndata[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：

repeat_each_entry(pandas.Series(data=[0,1,2],index=[3,4,5]))#returnsSerieswithNonesinside

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。

defrepeat_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）。

@enforce.runtime_validation
deffoo(text:str)->None:
print(text)
foo('Hi')#ok
foo(5)#fails
@enforce.runtime_validation
defany2(x:List[bool])->bool:
returnany(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。

#Python3
fromastropyimportunitsasu
@u.quantity_input()
deffrequency(speed:u.meter/u.s,wavelength:u.m)->u.terahertz:
returnspeed/wavelength
frequency(speed=300_000*u.km/u.s,wavelength=555*u.nm)
#output:540.5405405405404THz,frequencyofgreenvisiblelight

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：

#l2-regularizedlinearregression:||AX-b||^2+alpha*||x||^2->min#
Python2
X=np.linalg.inv(np.dot(A.T,A)+alpha*np.eye(A.shape[1])).dot(A.T.dot(b))
#Python3
X=np.linalg.inv(A.T@A+alpha*np.eye(A.shape[1]))@(A.T@b)

下面Python3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Python3.6中得到了支持。

importglob
#Python2
found_images=\
glob.glob('/path/*.jpg')\
+glob.glob('/path/*/*.jpg')\
+glob.glob('/path/*/*/*.jpg')\
+glob.glob('/path/*/*/*/*.jpg')\
+glob.glob('/path/*/*/*/*/*.jpg')
#Python3
found_images=glob.glob('/path/**/*.jpg',recursive=True)

python3中更好的选择是使用pathlib：

#Python3
found_images=pathlib.Path('/path/').glob('**/*.jpg')

Print在Python3中是函数

Python3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：

print>>sys.stderr,"criticalerror"#Python2
print("criticalerror",file=sys.stderr)#Python3

在不使用str.join下输出tab-aligned表格：

#Python3
print(*array,sep='\t')
print(batch,epoch,loss,accuracy,time,sep='\t')

修改与重新定义print函数的输出：

#Python3
_print=print#storetheoriginalprintfunction
defprint(*args,**kargs):
pass#dosomethinguseful,e.g.storeoutputtosomefile

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：

@contextlib.contextmanager
defreplace_print():
importbuiltins
_print=print#savingoldprintfunction
#orusesomeotherfunctionhere
builtins.print=lambda*args,**kwargs:_print('newprinting',*args,**kwargs)
yield
builtins.print=_print
withreplace_print():

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。

#Python3
result=process(x)ifis_valid(x)elseprint('invaliditem:',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：

#Python2
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)))#Python2(tooerror-proneduringfastmodifications,pleaseavoid):
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)))

样本输出：

12012/300accuracy:0.8180±0.4649time:56.60

f-strings即格式化字符串在Python3.6中被引入：

#Python3.6+
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，写查询语句时非常方便：

query=f"INSERTINTOSTATIONVALUES(13,'{city}','{state}',{latitude},{longitude})"

「truedivision」和「integerdivision」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）。

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

Python2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Python3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：

n_gifts=money//gift_price#correctforintandfloatarguments

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

#AllthesecomparisonsareillegalinPython3
3<'3'
2
防止不同类型实例的偶然性的排序。
sorted([2,'1',3])#invalidforPython3,inPython2returns[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）：
ifaisnotNone:
pass
ifa:#WRONGcheckforNone
pass
自然语言处理的Unicode
s='您好'
print(len(s))
print(s[:2])
输出：


Python2:6\
Python3:2\n您好.
x=u'со'
x+='co'#ok
x+='со'#fail
Python2在此失败了，而Python3可以如期工作（因为我在字符串中使用了俄文字母）。
在Python3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：
'a'
fromcollectionsimportCounter
Counter('Möbelstück')

Python2:Counter({'\xc3':2,'b':1,'e':1,'c':1,'k':1,'M':1,'l':1,'s':1,'t':1,'\xb6':1,'\xbc':1})

Python3:Counter({'M':1,'ö':1,'b':1,'e':1,'l':1,'s':1,'t':1,'ü':1,'c':1,'k':1})

这些在Python2里也能正确地工作，但Python3更为友好。
保留词典和**kwargs的顺序
在CPython3.6+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。
importjson
x={str(i):iforiinrange(5)}
json.loads(json.dumps(x))
#Python2
{u'1':1,u'0':0,u'3':3,u'2':2,u'4':4}
#Python3
{'0':0,'1':1,'2':2,'3':3,'4':4}
它同样适用于**kwargs（在Python3.6+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：
fromtorchimportnn
#Python2
model=nn.Sequential(OrderedDict([
('conv1',nn.Conv2d(1,20,5)),
('relu1',nn.ReLU()),
('conv2',nn.Conv2d(20,64,5)),
('relu2',nn.ReLU())
]))
#Python3.6+,howit*can*bedone,notsupportedrightnowinpytorch
model=nn.Sequential(
conv1=nn.Conv2d(1,20,5),relu1=nn.ReLU(),
conv2=nn.Conv2d(20,64,5),relu2=nn.ReLU()))
注意到了吗？名称的唯一性也会被自动检查。
迭代地拆封
#handywhenamountofadditionalstoredinfomayvarybetweenexperiments,butthesamecodecanbeusedinallcases
model_paramteres,optimizer_parameters,*other_params=load(checkpoint_name)
#pickingtwolastvaluesfromasequence
*prev,next_to_last,last=values_history
#Thisalsoworkswithanyiterables,soifyouhaveafunctionthatyieldse.g.qualities,
#belowisasimplewaytotakeonlylasttwovaluesfromalist*prev,next_to_last,last=iter_train(args)
默认的pickle引擎为数组提供更好的压缩
#Python2
importcPickleaspickle
importnumpy
printlen(pickle.dumps(numpy.random.normal(size=[1000,1000])))
#result:23691675
#Python3importpickle
importnumpy
len(pickle.dumps(numpy.random.normal(size=[1000,1000])))#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
labels=
predictions=[model.predict(data)fordata,labelsindataset]
#labelsareoverwritteninPython2
#labelsarenotaffectedbycomprehensioninPython3
关于super()
Python2的super（...）是代码错误中的常见原因。
#Python2
classMySubClass(MySuperClass):
def__init__(self,name,**options):
super(MySubClass,self).__init__(name='subclass',**options)
#Python3
classMySubClass(MySuperClass):
def__init__(self,name,**options):
super().__init__(name='subclass',**options)
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：
x=dict(a=1,b=2)
y=dict(b=3,d=4)
#Python3.5+
z={**x,**y}
#z={'a':1,'b':3,'d':4},notethatvaluefor`b`istakenfromthelatterdict.
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）：
[*a,*b,*c]#list,concatenating
(*a,*b,*c)#tuple,concatenating
{*a,*b,*c}#set,union
对于*args和**kwargs，函数也支持额外的unpacking：
Python3.5+
do_something(**{**default_settings,**custom_settings})
#Alsopossible,thiscodealsochecksthereisnointersectionbetweenkeysofdictionaries
do_something(**first_args,**second_args)
只带关键字参数的API
我们考虑这个代码片段：
model=sklearn.svm.SVC(2,'poly',2,4,0.5)
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：
classSVC(BaseSVC):
def__init__(self,*,C=1.0,kernel='rbf',degree=3,gamma='auto',coef0=0.0,...)
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
#Python3
math.inf#'largest'number
math.nan#notanumber
max_quality=-math.inf#nomoremagicinitialvalues!
formodelintrained_models:
max_quality=max(max_quality,compute_quality(model,data))
小调：单精度整数类型
Python2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）。
Python3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：
isinstance(x,numbers.Integral)#Python2,thecanonicalway
isinstance(x,(long,int))#Python2
isinstance(x,int)#Python3,easiertoremember
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。


Python3有稳定的ABI


Python3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(jupyterincloud)、django和新版ipython只支持Python3，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：
map(lambdax,(y,z):x,z,dict.items())
然而，它依然完美适用于不同的理解：
{x:zforx,(y,z)ind.items()}
通常，理解在Python2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。


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
Python2与Python3共存了近10年，时至今日，我们必须要说：是时候转向Python3了。
研究和生产代码应该更短，更易读取，并且在迁移到Python3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Python2才开始行动，提前享受新语言的功能吧。

python2.7到3.x迁移指南

Python3功能简介

热门推荐

随机推荐