我用Python八年后学到的东西「Rosetta」

22 May, 2025

Python之禅示例、我的建议以及其他技巧和窍门！

• 原文链接： What I've learned after 8 years of Python - by Alex Razvant
• 日期： 2025年5月10日
• 作者：Alex Razvant

在这篇实用的文章中，我将阐述一套帮助我改进 Python 编程方式的最佳实践。

我并非从一开始就了解这些，但随着我职业生涯的进步，它们变得显而易见，我是通过编写代码、学习 Python 中的最佳软件原则和简洁代码概念间接学到的。

让我们从几个有趣的图表开始！

Python 的受欢迎程度

2025年 TIOBE 指数记录。(https://www.tiobe.com/tiobe-index/)

甚至在人工智能领域飞速发展之前，Python 就已经是开发者中广受欢迎的语言。它拥有清晰易懂的语法，使得各种经验水平的人都能快速学习并提高生产力。

由于 Python 解释器的存在，它具有可移植性，因此跨平台开发不会涉及编译器版本或其他障碍。

随着人工智能的兴起，Python 变得更加流行，谷歌的 Tensorflow 团队和 Meta 的 PyTorch 团队等大型团队都选择了 Python 优先的方法。一个快速发展的领域需要一种简化的方法，而 Python 正好适合。

此外，许多其他工具、开源框架和库也积极响应，并以 Python 优先的理念进行构建。让我们看几个例子：

• Pandas
• PyTorch (C++, Python)
• Tensorflow, Keras (C++, Python)
• Polars (后端 Rust, API Python)
• Bytewax (后端 Rust, API Python)
• HuggingFace Transformers
• OpenAI GPU Triton Lang
• Langchain, Langgraph, vLLM, SGLang, TRTLLM
• 等等，不胜枚举……

随着越来越多的公司使用人工智能进行构建，寻找在驱动人工智能的技术（包括精通 Python）方面经验丰富的开发人员，就变得理所当然了。这是来自 2024 年 StackOverflow 开发者调查的另一张图表，再次印证了上述观点。

2024 StackOverflow 开发者调查

既然已经确定 Python 是目前最热门的语言之一，我想重申一些我在职业生涯中学到的、对我帮助很大的原则。

Python之禅

想要一个彩蛋吗？ 在你的 Python 终端中，输入 import this，你就会看到 Tim Peters 写的 Python之禅。

Python之禅 是为编写计算机程序而设定的19条“指导原则”的集合，这些原则影响了Python 编程语言的设计。符合这些原则的 Python 代码通常被称为“Pythonic”(Python风格的)。

它是这样说的：

1. 优美胜于丑陋。
2. 明确胜于隐晦。
3. 简单胜于复杂。
4. 复杂胜于繁复。
5. 扁平胜于嵌套。
6. 稀疏胜于密集。
7. 可读性很重要。
8. 特殊情况不足以特殊到打破规则。
9. 尽管实用性胜过纯粹性。
10. 错误不应该悄无声息地忽略。
11. 除非明确地使其保持沉默。
12. 面对模棱两可，拒绝猜测的诱惑。
13. 应该有一种——最好只有一种——显而易见的方法来做这件事。
14. 尽管这种方法一开始可能并不那么显而易见，除非你是荷兰人。
15. 现在胜于永不。
16. 尽管永不常常胜过立即行动。
17. 如果实现很难解释，那就是个坏主意。
18. 如果实现很容易解释，那可能是个好主意。
19. 命名空间是个绝妙的主意——我们应该多多使用它！
20. 第20条本应由 Python 语言的创造者 Guido 撰写，但从未完成。

让我们一步步来解读它们。

优美且明确

多个概念都融入了这一点。从你如何命名变量，如何划分代码块的逻辑，如何编写文档字符串，传递参数，将参数绑定到类型等等。

让你的代码明确。如果功能在一个类内部发生，要清楚地说明该方法做了什么以及更新了哪些变量。

简单胜于复杂，复杂胜于繁复

过度设计是所有开发人员都牢记于心的概念，而且我们都曾这样做过。编程是一门艺术，我们希望它看起来不错，但我们不应该忽略代码的目的是运行并解决问题。

当然，拥有继承、嵌套块和复杂的类看起来很棒，并且可能暗示“嘿，这设计太棒了”，但功能应该是健壮的，不需要在其之上堆砌大量层次。

保持简单，避免过度设计！

可读性，扁平优于嵌套

Python 是一种动态类型语言，可以让你快速完成工作。当你编写 Python 代码时，你应该致力于隔离每个方法和代码块的逻辑，使其首先具有可读性，即使这需要多行代码。诚然，某些功能可能可以用一行代码完成，但你写的行数越少，可能遇到的错误就越多。

此外，请记住，当你在团队中工作时，其他人会阅读你的代码，你肯定不希望你的 PR（合并请求）收到大量评论。其他人没有你对那段代码的上下文，所以他们应该能够简单快速地理解它。

错误不应该悄无声息地忽略！

当你编写 Python 代码时，始终致力于使用内置异常来处理边缘情况并相应地处理异常。如果你正在从文件中读取，不要假设文件总是存在。添加一个 FileNotFoundException 来处理文件丢失的情况。

此外，如果你正在解析 JSON 或任何其他对象，请使用 ValueError 来处理缺失的键或错误的解析。这样的例子不胜枚举，但重要的是，你应该致力于捕获和处理你的代码可能遇到的异常。

如果你对任何异常没有特定的处理逻辑，请使用 logger.error 记录它，以便在你的命令行界面或 .log 文件中看到该消息。

使用命名空间！

这是我在 GitHub 上的许多开源项目中看到的一个关键点。规则是避免星号导入（from X import *）或多模块导入，因为某些方法可能具有冲突的名称。请改用命名空间。

不要导入特定的方法，而是导入模块，并仅从该模块内部引用方法。这里有更多例子：

import utils
result = utils.my_func()

import tools
result = tools.my_func()

关于所有这些主题，我有一个很棒的书籍推荐：Fluent Python！

环境和包管理器

在 Python 开发中，高效管理项目依赖和 Python 版本是强制性的。虚拟环境为每个项目提供隔离的空间，防止不同项目需求之间的冲突。

为了在这些环境中安装、更新和删除库，我们会使用 Python 包管理器。在很长一段时间里，常用的方法有：

• Virtualenv 和 pip install requirements.txt
• Poetry 和 Pyproject.toml
• Conda

从我开始使用 Python 的第一年起，我就一直在使用所有这些方法或其变体。但是，目前，我已经转向了最新的工具——uv，并且再也没有回头。

uv 工具 是一个用于 Python 的高速包和项目管理器。它用 Rust 编写，可以完成上述所有解决方案所做的一切，但速度要快得多。它提供快速的依赖安装，并将各种功能集成到一个工具中。

你可以用以下命令安装它：curl -LsSf https://astral.sh/uv/install.sh | sh

UV 入门

开始时需要遵循3个步骤：

1. 使用 uv init <name> 创建一个新项目
2. 使用 cd <name> && uv init 初始化一个新的虚拟环境
3. 使用 uv add <pkg_name> 开始向你的环境添加包

就这样，现在你可以激活虚拟环境并使用特定的解释器工作了。

cd <name>
source .venv/bin/activate
uv sync

充分利用 UV

以下是 UV 提供的命令和功能列表，涵盖多种用例，从在 Dockerfile 内部使用，到为你的包构建可分发的 wheel (.whl) 文件，或在 [dev]、[prod] 或 test 中分离依赖组。

额外建议

对于一些额外的建议，我推荐使用静态类型、Python 内置标志以及用于模式验证的 Dataclasses 或 Pydantic 模型。

静态类型

不要这样做，如果 data 参数不是字典，这很容易出错：

def process_data(data):
  for item in data:
    name = item['name']
    value = item['value'] * 2
    print(f"{name}: {value}")

这样做，指定类型和预期的模式：

from typing import List, TypedDict

class DataItem(TypedDict):
  name: str
  value: int

def process_data(data: List[DataItem]) -> None:
  for item in data:
    name: str = item['name']
    value: int = item['value'] * 2
    print(f"{name}: {value}")

my_data = [
  {'name': 'A', 'value': 5},
  {'name': 'B', 'value': 10}
]
process_data(my_data)

更进一步，Pydantic 模式验证

上面的代码示例可以通过使用 Pydantic 模型作为验证模式再改进一步，因此，不要这样：

from typing import List, TypedDict

class DataItem(TypedDict):
  name: str
  value: int

def process_data(data: List[DataItem]) -> None:
  for item in data:
    name: str = item['name']
    value: int = item['value'] * 2
    print(f"{name}: {value}")

my_data = [{'name': 'A', 'value': 5}, {'name': 'B', 'value': 10}]
process_data(my_data)

这样做，我们根据 Pydantic 中的 BaseModel 验证 DataItem：

from typing import List
from pydantic import BaseModel, field_validator

class DataItem(BaseModel):
  name: str
  value: int

  @field_validator("name")
  def val_name(cls, v: str):  # 注意：Pydantic v2 中验证器是类方法，第一个参数通常是 cls
    if v in ["A", "B"]:
      return v
    else:
      return "NONE"

def process_data(data: List[DataItem]) -> None:
  for item in data:
    name: str = item.name
    value: int = item.value * 2
    print(f"{name}: {value}")

my_data = [
  DataItem(name="A", value=5),
  DataItem(name="B", value=10)
]
process_data(my_data)

所以在这里，我们使用了一个带有 field_validator 的 BaseModel，它表示对于 "A" 和 "B"，DataItem 是有效的，因为 name 字段的任何其他值都会将 name 字段转换为 "NONE"。

当然，这是一个基础示例，但它说明了重点，因为使用 Pydantic 模型，我们不仅强调类型，还可以添加验证、字段描述、默认值等等。

最后的想法

本文描述的列表只涉及了几个方面，因为关于如何编写简洁的 Python 代码，市面上有很多指南。

我想让它简短而实用，提供代码示例来说明每个主题。