自从很久以前改用了python3,语言层面的特征变化就相对较小了，然而对于每一个版本，Python都会添加一些新函数。

随着Python3.8于2019年10月发布，我发现自己使用的是这种语言的一些特性，关于Python每个版本新增的特性，有如下

3.5-类型注解

3.6-异步

3.7-数据类

3.8-海象算子

3.9-字典联合运算符和泛型类型提示

以上所有的这些，我都会在代码库中使用到。

oapbox演讲：如果你仍在工作或项目中使用旧版本的Python，不要害怕升级！你的旧代码仍然可以工作，而且你将从Python的新特性中获益！

免责声明：如果你仍然使用Python2.7，在这种情况下，我知道你很有可能不会升级。

下面我将回顾(快速)我最喜欢的一些特性，我希望你可以在你的代码中使用。

它们是：类型注解、数据类、字典联合运算符、海象算子。

在这第一部分，我主要介绍：类型注解，海象算子。

Python 3.5

从Python 3开始，Typing就成为了一个特性。因为我们是开发人员，而不是历史学家，所以Typing将提供类型注解和类型提示。

Python不需要为变量指定类型，这是我如此热爱这门语言的部分原因。清晰易读的语法，可以用20多种不同的方法编写一个解决方案，但仍能得到相同的结果。

但后来随着应用程序的增长，或者回头看看你几个月或几年没碰过的代码，或者去阅读别人写的代码。

这种情况下，你就会意识到变量不指定类型对你来说没有啥好处。

Typing 可以帮助你解决这个问题，这也是TypeScript如此流行的原因。

from typing import List

def print_cats(cats: List[str]) -> None:

for cat in cats:

print(f"{cat} has a name with {len(cat)} letters.")

class Cat(object):

def init(self, name: str, age: int, **attrs):

self.cattributes = {

"name": name,

"age": age,

**attrs

}

cats = "this still works w/o type annotation!"

cats: List[str] = ["Meowie", "Fluffy", "Deathspawn"]

不是字符串列表，Python不会检查

cats2: List[str] = [Cat("Meowie", 2), Cat("Deathspawn", 8)]

print_cats(cats)

print_cats(cats2) # 失败

这将返回：

Meowie has a name with 6 letters.

Fluffy has a name with 6 letters.

Deathspawn has a name with 10 letters.

...

TypeError: object of type 'Cat' has no len()

类型注解在这里并没有起到任何作用，那为什么要使用它们呢？因为在创建变量cats并用List[str]时，很明显分配的数据应该与该结构相匹配，因此对于具有复杂类型的可维护代码来说，这将变得更加有用。

from typing import List

class Cat(object):

def init(self, name: str, age: int, **attrs):

self.cattributes = {

"name": name,

"age": age,

**attrs

}

创建类型变量

Cats: type = List[Cat]

def print_cats(cats: Cats) -> None:

for cat in cats:

name: str = cat.cattributes.get("name")

print(f"{name} has a name with {len(name)} letters.")

cats = [Cat("Meowie", 2), Cat("Deathspawn", 8)]

print_cats(cats)

输出：

Meowie has a name with 6 letters.

Deathspawn has a name with 10 letters.

在函数/方法定义中键入参数称为类型暗示，而且类型甚至不必是Python数据类型或来自typing模块。例如最后一行提示性字符串是完全合法的：

import pandas as pd

cols = ["name", "age", "gender"]

data = [["Meowie", 2, "female"],

["Fluffy", 5, "male"],

["Deathspawn", 8, "rather not say"]]

df: pd.DataFrame = pd.DataFrame()

df: "name (string), age (integer), gender (string)" =

pd.DataFrame(data, columns=cols)

在数据处理管道中，如果有很多复杂类型的变量，那这样的操作可能会很有用，因为你可能搞不清楚读取的数据是什么结构，你会试图把它们弄清楚。在IDE上鼠标悬停在变量上会有类型提示的信息，而不是一个简单的pandas.DataFrame提示。

额外的好处是：在python4中，前向引用可以开箱即用，这意味着你可以对尚未定义的类型进行注解。我们现在仍然可以利用这种优势，在文件顶部编写from future import annotations，然后执行以下操作：

from future import annotations

class Food:

"""

Food是合法的，即使没有类别的定义。

"""

def init(self, ingred_1: Food, ingred_2: Food) -> None:

self.ingred_1 = ingred_1

self.ingred_2 = ingred_2

原生类型注解-3.9

内置泛型类型是3.9中的一个特性，我们不需要从typing中导入以向泛型数据类型添加参数。从3.7版开始，使用from futures import annotations就可以使用这种方法，但这是因为它阻止了在运行时计算类型引用。

这个功能让我很兴奋。在3.8中我将typing导入每个模块，或者导入在公共模块中。

示例(信贷：PEP 585)：

l = liststr

[]

list is list[str]

False

list == list[str]

False

list[str] == list[str]

True

list[str] == list[int]

False

isinstance([1, 2, 3], list[str])

TypeError: isinstance() arg 2 cannot be a parameterized generic

issubclass(list, list[str])

TypeError: issubclass() arg 2 cannot be a parameterized generic

isinstance(list[str], types.GenericAlias)

True

def find(haystack: dict[str, list[int]]) -> int:

...

海象算子-3.8

海象有眼睛:，然后有牙齿=。

:=是Python3.8中新增的赋值表达式。

complicated = {

"data": {

"list": [1,2,3],

"other": "stuff"

}

}

if (nums := complicated.get('data').get('list')):

print(nums)

结果：

1

2

3

如果没有海象，会有更多的代码行。

...

nums = complicated.get('data').get('list')

if nums:

print(nums)

由于控制流语句在编程中经常使用，使用海象算子可以简化代码。

来自PEP 572：

这样的命名表达式的值与合并表达式的值的结果是相同的，但附加的作用是目标被赋给了该值

换言之，用一个表达式表达了两个语句。

在我复制/粘贴PEP指南的同时，这里还有一些规范中的示例，我认为它们是很好的示例。迫不及待地想尝试一下海象算子来理解列表。

#处理匹配正则表达式

if (match := pattern.search(data)) is not None:

# 匹配后...

一个更直观易写的循环

while chunk := file.read(8192):

process(chunk)

重用一个计算成本很高的值

[y := f(x), y2, y3]

在理解filter语句及其输出之间共享子表达式

filtered_data = [y for x in data if (y := f(x)) is not None]