目前，Python 科學棧中的所有主要專案都同時支援 Python 3.x 和 Python 2.7，不過，這種情況很快即將結束。去年 11 月，Numpy 團隊的一份宣告引發了資料科學社群的關注：這一科學計算庫即將放棄對於 Python 2.7 的支援，全面轉向 Python 3。Numpy 並不是唯一宣稱即將放棄 Python 舊版本支援的工具，pandas 與 Jupyter notebook 等很多產品也在即將放棄支援的名單之中。對於資料科學開發者而言，如何將已有專案從 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程式碼遷移指南。

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資料。Python 相容多種深度學習框架，且具備很多優秀的工具來執行資料預處理和視覺化。

但是，Python 2 和 Python 3 長期共存於 Python 生態系統中，很多資料科學家仍然使用 Python 2。2019 年底，Numpy 等很多科學計算工具都將停止支援 Python 2，而 2018 年後 Numpy 的所有新功能版本將只支援 Python 3。

為了使 Python 2 向 Python 3 的轉換更加輕鬆，我收集了一些 Python 3 的功能，希望對大家有用。

pathlib 是 Python 3 的預設模組，幫助避免使用大量的 os.path.joins：

from pathlib import Path
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 總是試圖使用字串級聯（準確，但不好），現在有了 pathlib，程式碼安全、準確、可讀性強。

此外，pathlib.Path 具備大量方法，這樣 Python 新使用者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 folder
p.with_suffix('.jpg') # only change the extension, but keep the folder and the name
p.chmod(mode)
p.rmdir()

pathlib 會節約大量時間，詳見：

型別提示（Type hinting）成為語言的一部分

PyCharm 中的型別提示示例：

Python 不只是適合指令碼的語言，現在的資料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）。

型別提示被引入 Python，以幫助處理越來越複雜的專案，使機器可以更好地進行程式碼驗證。而之前需要不同的模組使用自定義方式在文件字串中指定型別（注意：PyCharm 可以將舊的文件字串轉換成新的型別提示）。

下列程式碼是一個簡單示例，可以處理不同型別的資料（這就是我們喜歡 Python 資料棧之處）。

def repeat_each_entry(data):
   """ Each entry in the data is doubled 
   <blah blah nobody reads the documentation till the end>
   """
   index = numpy.repeat(numpy.arange(len(data)), 2)
   return data[index]

上述程式碼適用於 numpy.array（包括多維）、astropy.Table 和 astropy.Column、bcolz、cupy、mxnet.ndarray 等。

該程式碼同樣可用於 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

這是一個兩行程式碼。想象一下複雜系統的行為多麼難預測，有時一個函式就可能導致錯誤的行為。明確瞭解哪些型別方法適合大型系統很有幫助，它會在函式未得到此類引數時給出提醒。

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

如果你有一個很棒的程式碼庫，型別提示工具如 MyPy 可能成為整合流程中的一部分。不幸的是，提示沒有強大到足以為 ndarrays/tensors 提供細粒度型別，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。

型別提示 → 執行時的型別檢查

預設情況下，函式註釋不會影響程式碼的執行，不過它也只能幫你指出程式碼的意圖。

但是，你可以在執行時中使用 enforce 等工具強制進行型別檢查，這可以幫助你除錯程式碼（很多情況下型別提示不起作用）。

@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

函式註釋的其他用處

如前所述，註釋不會影響程式碼執行，而且會提供一些元資訊，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，並將輸出轉換成所需單位。

# 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 表格式科學資料（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 正則化的線性迴歸：

# 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, :] 的程式碼在 numpy、cupy、pytorch 和 tensorflow 等不同庫下都表示單層感知機。

使用 ** 作為萬用字元

遞迴資料夾的萬用字元在 Python2 中並不是很方便，因此才存在定製的 glob2 模組來克服這個問題。遞迴 flag 在 Python 3.6 中得到了支援。

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)

python3 中更好的選擇是使用 pathlib：

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

Print 在 Python3 中是函式

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。

使用檔案描述符的簡單句法：

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 函式的輸出：

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

在下面的程式碼中，我們可以使用上下文管理器暫時重寫 print 函式的行為：

@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():
<code here will invoke other print function>

上面並不是一個推薦的方法，因為它會引起系統的不穩定。

print 函式可以加入列表解析和其它語言構建結構。

# Python 3
result = 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

預設的格式化系統提供了一些靈活性，且在資料實驗中不是必須的。但這樣的程式碼對於任何修改要麼太冗長，要麼就會變得很零碎。而代表性的資料科學需要以固定的格式迭代地輸出一些日誌資訊，通常需要使用的程式碼如下：

# 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：

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

f-strings 即格式化字串在 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

對於資料科學來說這種改變帶來了便利（但我相信對於系統程式設計來說不是）。

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

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

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型別和由資料包（例如，numpy 或 pandas）提供的自定義型別。

嚴格排序

# All these comparisons are illegal in Python 3
3 < '3'
2 < None
(3, 4) < (3, None)
(4, 5) < [4, 5]

# False in both Python 2 and Python 3
(4, 5) == [4, 5]

防止不同型別例項的偶然性的排序。

sorted([2, '1', 3]) # invalid for Python 3, in Python 2 returns [2, 3, '1']

在處理原始資料時幫助發現存在的問題。

旁註：對 None 的合適檢查是（兩個版本的 Python 都適用）：

if a is not None:
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（因為我在字串中使用了俄文字母）。

在 Python 3 中 strs 是 Unicode 字串，對非英語文字的 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 import Counter
Counter('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 裡也能正確地工作，但 Python 3 更為友好。

保留詞典和**kwargs 的順序

在 CPython 3.6+ 版本中，字典的預設行為類似於 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}

它同樣適用於**kwargs（在 Python 3.6+版本中）：它們的順序就像引數中顯示的那樣。當設計資料流程時，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 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 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)

預設的 pickle 引擎為陣列提供更好的壓縮

# 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 引數來實現，但是使用者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

關於 super()

Python 2 的 super（...）是程式碼錯誤中的常見原因。

# 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)

更好的 IDE 會給出變數註釋

在使用 Java、C# 等語言程式設計的過程中最令人享受的事情是 IDE 可以提供非常好的建議，因為在執行程式碼之前，所有識別符號的型別都是已知的。

而在 Python 中這很難實現，但是註釋可以幫助你：

• 以清晰的形式寫下你的期望
• 從 IDE 獲取良好的建議

這是一個帶變數註釋的 PyCharm 示例。即使你使用的函式不帶註釋（例如，由於向後相容性），它也能工作。

多種拆封（unpacking）

在 Python3 中融合兩個字典的程式碼示例：

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.

aame 方法對於列表（list）、元組（tuple）和集合（set）都是有效的（a、b、c 是任意的可迭代物件）：

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

對於*args 和 **kwargs，函式也支援額外的 unpacking：

Python 3.5+
do_something(**{**default_settings, **custom_settings})

# Also possible, this code also checks there is no intersection between keys of dictionaries
do_something(**first_args, **second_args)

只帶關鍵字引數的 API

我們考慮這個程式碼片段：

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

很明顯，程式碼的作者還沒熟悉 Python 的程式碼風格（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 中改變引數的順序（adding/deleting）會使得程式碼無效。特別是，sklearn 經常會重排序或重新命名大量的演算法引數以提供一致的 API。每次重構都可能使程式碼失效。

在 Python3，庫的編寫者可能需要使用*以明確地命名引數：

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

• 現在，使用者需要明確規定引數 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 模組中的常量

# Python 3
math.inf # 'largest' number
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))

小調：單精度整數型別

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

Python 3 有一個單精度型別的 int，它包含了長時間的運算。

下面是檢視值是否是整數的方法：

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

其他

• Enums 有理論價值，但是字串輸入已廣泛應用在 python 資料棧中。Enums 似乎不與 numpy 互動，並且不一定來自 pandas。
• 協同程式也非常有希望用於資料流程，但還沒有出現大規模應用。
• Python 3 有穩定的 ABI
• Python 3 支援 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 只支援 Python 3，因此對你來講沒用的功能對於你可能只想使用一次的庫很有用。

資料科學特有的程式碼遷移問題（以及如何解決它們）

停止對巢狀引數的支援：

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

然而，它依然完美適用於不同的理解：

{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。

用 python 教機器學習和資料科學的主要問題

• 課程作者應該首先花時間解釋什麼是迭代器，為什麼它不能像字串那樣被分片/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。

研究和生產程式碼應該更短，更易讀取，並且在遷移到 Python 3 程式碼庫之後明顯更加的安全。

現在大多數庫同時支援 2.x 和 3.x 兩個版本。但我們不應等到流行工具包開始停止支援 Python 2 才開始行動，提前享受新語言的功能吧。