機(jī)器之心編譯

目前，Python 科學(xué)棧中的所有主要項(xiàng)目都同時(shí)支持 Python 3.x 和 Python 2.7，不過，這種情況很快即將結(jié)束。去年 11 月，Numpy 團(tuán)隊(duì)的一份聲明引發(fā)了數(shù)據(jù)科學(xué)社區(qū)的關(guān)注：這一科學(xué)計(jì)算庫(kù)即將放棄對(duì)于 Python 2.7 的支持，全面轉(zhuǎn)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(chǎn)品也在即將放棄支持的名單之中。對(duì)于數(shù)據(jù)科學(xué)開發(fā)者而言，如何將已有項(xiàng)目從 Python 2 轉(zhuǎn)向 Python 3 成為了正在面臨的重大問題。來自莫斯科大學(xué)的 Alex Rogozhnikov 博士為我們整理了一份代碼遷移指南。

Python 3 功能簡(jiǎn)介

Python 是機(jī)器學(xué)習(xí)和其他科學(xué)領(lǐng)域中的主流語言，我們通常需要使用它處理大量的數(shù)據(jù)。Python 兼容多種深度學(xué)習(xí)框架，且具備很多優(yōu)秀的工具來執(zhí)行數(shù)據(jù)預(yù)處理和可視化。

但是，Python 2 和 Python 3 長(zhǎng)期共存于 Python 生態(tài)系統(tǒng)中，很多數(shù)據(jù)科學(xué)家仍然使用 Python 2。2019 年底，Numpy 等很多科學(xué)計(jì)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(zhuǎn)換更加輕松，我收集了一些 Python 3 的功能，希望對(duì)大家有用。

使用 pathlib 更好地處理路徑

pathlib 是 Python 3 的默認(rèn)模塊，幫助避免使用大量的 os.path.joins：

from pathlib importPath

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 總是試圖使用字符串級(jí)聯(lián)（準(zhǔn)確，但不好），現(xiàn)在有了 pathlib，代碼安全、準(zhǔn)確、可讀性強(qiáng)。

此外，pathlib.Path 具備大量方法，這樣 Python 新用戶就不用每個(gè)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(huì)節(jié)約大量時(shí)間，詳見：

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

參考信息：https://pymotw/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(xiàn)在的數(shù)據(jù)流程還包括大量步驟，每一步都包括不同的框架（有時(shí)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(fù)雜的項(xiàng)目，使機(jī)器可以更好地進(jìn)行代碼驗(yàn)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(zhuǎn)換成新的類型提示）。

下列代碼是一個(gè)簡(jiǎn)單示例，可以處理不同類型的數(shù)據(jù)（這就是我們喜歡 Python 數(shù)據(jù)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(cuò)誤的：

repeat_each_entry(pandas.Series(data=[0,1,2], index=[3,4,5]))# returns Series with Nones inside

這是一個(gè)兩行代碼。想象一下復(fù)雜系統(tǒng)的行為多么難預(yù)測(cè)，有時(shí)一個(gè)函數(shù)就可能導(dǎo)致錯(cuò)誤的行為。明確了解哪些類型方法適合大型系統(tǒng)很有幫助，它會(huì)在函數(shù)未得到此類參數(shù)時(shí)給出提醒。

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

如果你有一個(gè)很棒的代碼庫(kù)，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(qiáng)大到足以為 ndarrays/tensors 提供細(xì)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(yùn)行時(shí)的類型檢查

默認(rèn)情況下，函數(shù)注釋不會(huì)影響代碼的運(yùn)行，不過它也只能幫你指出代碼的意圖。

但是，你可以在運(yùn)行時(shí)中使用 enforce 等工具強(qiáng)制進(jìn)行類型檢查，這可以幫助你調(diào)試代碼（很多情況下類型提示不起作用）。

@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

函數(shù)注釋的其他用處

如前所述，注釋不會(huì)影響代碼執(zhí)行，而且會(huì)提供一些元信息，你可以隨意使用。

例如，計(jì)量單位是科學(xué)界的一個(gè)普遍難題，astropy 包提供一個(gè)簡(jiǎn)單的裝飾器（Decorator）來控制輸入量的計(jì)量單位，并將輸出轉(zhuǎn)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(xué)數(shù)據(jù)（不必要太多），你應(yīng)該嘗試一下 astropy。你還可以定義針對(duì)某個(gè)應(yīng)用的裝飾器，用同樣的方式來控制／轉(zhuǎn)換輸入和輸出。

通過 @ 實(shí)現(xiàn)矩陣乘法

下面，我們實(shí)現(xiàn)一個(gè)最簡(jiǎn)單的機(jī)器學(xué)習(xí)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)

下面 Python 3 帶有 @ 作為矩陣乘法的符號(hào)更具有可讀性，且更容易在深度學(xué)習(xí)框架中轉(zhuǎn)譯：因?yàn)橐恍┤?X @ W + b[None, :] 的代碼在 numpy、cupy、pytorch 和 tensorflow 等不同庫(kù)下都表示單層感知機(jī)。

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(gè)問題。遞歸 flag 在 Python 3.6 中得到了支持。

import glob

# Python 2

found_images = \

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 中是函數(shù)

Python 3 中使用 Print 需要加上麻煩的圓括弧，但它還是有一些優(yōu)點(diǎn)。

使用文件描述符的簡(jiǎn)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='\t')

print(batch, epoch, loss, accuracy, time, sep='\t')

修改與重新定義 print 函數(shù)的輸出：

# Python 3

_print =print# store the original print function

defprint(*args,**kargs):

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

在 Jupyter 中，非常好的一點(diǎn)是記錄每一個(gè)輸出到獨(dú)立的文檔，并在出現(xiàn)錯(cuò)誤的時(shí)候追蹤出現(xiàn)問題的文檔，所以我們現(xiàn)在可以重寫 print 函數(shù)了。

在下面的代碼中，我們可以使用上下文管理器暫時(shí)重寫 print 函數(shù)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():

上面并不是一個(gè)推薦的方法，因?yàn)樗鼤?huì)引起系統(tǒng)的不穩(wěn)定。

print 函數(shù)可以加入列表解析和其它語言構(gòu)建結(jié)構(gòu)。

# Python 3

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

f-strings 可作為簡(jiǎn)單和可靠的格式化

默認(rèn)的格式化系統(tǒng)提供了一些靈活性，且在數(shù)據(jù)實(shí)驗(yàn)中不是必須的。但這樣的代碼對(duì)于任何修改要么太冗長(zhǎng)，要么就會(huì)變得很零碎。而代表性的數(shù)據(jù)科學(xué)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 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：

12012/300 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(shí)非常方便：

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

「true pision」和「integer pision」之間的明顯區(qū)別

對(duì)于數(shù)據(jù)科學(xué)來說這種改變帶來了便利（但我相信對(duì)于系統(tǒng)編程來說不是）。

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

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

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

在 Python 3 中，結(jié)果的表示都是精確的，因?yàn)槌ǖ慕Y(jié)果是浮點(diǎn)數(shù)。

另一個(gè)案例是整數(shù)除法，現(xiàn)在已經(jīng)作為明確的運(yùn)算：

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

注意，該運(yùn)算可以應(yīng)用到內(nèi)建類型和由數(shù)據(jù)包（例如，numpy 或 pandas）提供的自定義類型。

嚴(yán)格排序

# All these comparisons are illegal in Python 3

3<'3'

2

(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(shí)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(shù)據(jù)時(shí)幫助發(fā)現(xiàn)存在的問題。

旁注：對(duì) None 的合適檢查是（兩個(gè)版本的 Python 都適用）：

if a isnotNone:

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\n

Python 3: 2\n 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?yàn)槲以谧址惺褂昧硕砦淖帜福?/p>

在 Python 3 中 strs 是 Unicode 字符串，對(duì)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: False

from collections importCounter

Counter('Mbelstück')

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, '': 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(rèn)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 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}

它同樣適用于**kwargs（在 Python 3.6+版本中）：它們的順序就像參數(shù)中顯示的那樣。當(dāng)設(shè)計(jì)數(shù)據(jù)流程時(shí)，順序至關(guān)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())

)

注意到了嗎？名稱的唯一性也會(huì)被自動(dòng)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)

默認(rèn)的 pickle 引擎為數(shù)組提供更好的壓縮

# 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(jié)省 3 倍空間，而且速度更快。實(shí)際上，類似的壓縮（不過與速度無關(guān)）可以通過 protocol=2 參數(shù)來實(shí)現(xiàn)，但是用戶?...