机器之心编译
目前，python 科学栈中的所有主要项目都同时支持 python 3.x 和 python 2.7，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 python 2.7 的支持，全面转向 python 3。numpy 并不是唯一宣称即将放弃 python 旧版本支持的工具，pandas 与 jupyter notebook 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 python 2 转向 python 3 成为了正在面临的重大问题。来自莫斯科大学的 alex rogozhnikov 博士为我们整理了一份代码迁移指南。
python 3 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，python 2 和 python 3 长期共存于 python 生态系统中，很多数据科学家仍然使用 python 2。2019 年底，numpy 等很多科学计算工具都将停止支持 python 2，而 2018 年后 numpy 的所有新功能版本将只支持 python 3。
为了使 python 2 向 python 3 的转换更加轻松，我收集了一些 python 3 的功能，希望对大家有用。
使用 pathlib 更好地处理路径
pathlib 是 python 3 的默认模块，帮助避免使用大量的 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 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')# 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 会节约大量时间，详见：
文档：；
参考信息：https://pymotw/3/pathlib/。
类型提示（type hinting）成为语言的一部分
pycharm 中的类型提示示例：
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）。
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]))# returns series with nones inside
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。
def repeat_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
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。
# 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-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 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 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 中更好的选择是使用 pathlib：
# python 3
found_images = pathlib.path('/path/').glob('**/*.jpg')
print 在 python3 中是函数
python 3 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,critical error# python 2
print(critical error, file=sys.stderr)# python 3
在不使用 str.join 下输出 tab-aligned 表格：
# python 3
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：
# 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
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。
# python 3
result = process(x)if is_valid(x)elseprint('invalid item: ', 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：
# 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)
))
样本输出：
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，写查询语句时非常方便：
query = finsert into station values (13, '{city}', '{state}', {latitude}, {longitude})
「true pision」和「integer pision」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']
python 2 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 python 3 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 # correct for int and float arguments
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
# 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]
防止不同类型实例的偶然性的排序。
sorted([2,'1',3])# invalid for python 3, in python 2 returns [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）：
if a isnotnone:
pass
if a:# wrong check for none
pass
自然语言处理的 unicode
s ='您好'
print(len(s))
print(s[:2])
输出：
python 2: 6\n
python 3: 2\n 您好.
x = u'со'
x +='co'# ok
x +='со'# fail
python 2 在此失败了，而 python 3 可以如期工作（因为我在字符串中使用了俄文字母）。
在 python 3 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'< 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})
这些在 python 2 里也能正确地工作，但 python 3 更为友好。
保留词典和**kwargs 的顺序
在 cpython 3.6+ 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。
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}
它同样适用于**kwargs（在 python 3.6+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：
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())
)
注意到了吗？名称的唯一性也会被自动检查。
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)
默认的 pickle 引擎为数组提供更好的压缩
# 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
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�...