轉自CSDN博客
轉眼間，2018 年已進入倒計時階段，回憶起這一年中編程語言界的發展，過得風生水起的語言非 Python 莫屬。而它的火熱和人工智能產業的爆發不無關係，但全局來看，得益於 AI 的 Python 並非止於 AI，Python 還在系統編程、多媒體應用、數據庫編程、Web、爬蟲等多個場景中均有應用。不僅如此，這一年的 Python 在 TIOBE 編程語言排行榜中，兩度超越了 C++，湧進排行榜的前三甲。
但當前的 Python 是否真的如此完美？
我剛剛從本月早些時候在 PyCon Canada 上演講的興奮中平靜下來。在會議上我見到了許多聰明的人，似乎每個人都在談論著同樣的痛點和希望。在這篇文章中，我將總結當前最為流行的編程語言 Python 的趨勢，以及所面臨的現狀。
我喜歡 Python，且在個人項目和專業項目上使用 Python 也將近 10 年了。我的工作一半是數據分析，另一半是快速原型創建，所以 Python 是個絕佳的工具。Python 本身最大的優點就是它有大量的庫，可以用來幹任何事情：機器學習、數據探索、可復現的研究、可視化、雲功能、Web API、以及其他所有你能想到的東西。
我離不開 Python 的原因之一就是 Python 的社區非常好，在 StackOverflow 和 GitHub 上與他人交流是一件非常愉快的事情。2015 年，我的一個朋友在我們學校組織 PyCon Canada，拉著我去做志願者。我發現社區非常友好，也非常有創造力。今年，我覺得我應該做一些回饋，在我的家鄉多倫多舉行的 PyCon 上做一次演講。短短三年內社區成長了很多，我對此感到十分震驚。
和以前一樣，我發現社區裡到處都是聰明又富有創造力的人。一個例子就是在這次演講中，有一位嘉賓分享了：用 Python 發現哈利波特中的性別偏差”，不管你覺得這個題目如何，但確實是個非常抓人眼球又非常好笑的題目。
但是，像任何工程一樣，Python 依然在建設中。我們對於 Python 語言的感受甚至不同於五年前，因此當時一些看似不熟悉的事情，今天不僅成為了可能，甚至成為了理所當然。這篇文章將闡述一些 Python 的發展方向，以及我對於它們成長的看法。
1,優點
2018 年的 Python 世界中出現了許多新東西，一些甚至度過了成長的煩惱期。下面是我個人喜愛的一些：
JupyterLab
Jupyter Notebook 是一個可以執行 Python（及其他語言）的 Web 應用程序，並能立即以嵌入的方式查看執行結果，包括圖表、格式化後的表格以及 Markdown 各式的文字等。它還會自動保存中間結果（像 REPL 一樣），可以導出成多種格式，還有上百種其他功能。
Jupyter Notebook 在社區中被廣泛使用，特別是在研究和科學領域。Jupyter 團隊毫無爭議地贏得了 2017 年的 ACM 軟件系統獎。
JupyterLab 是在傳統 Jupyter notebook 上進行了改進。它包含一些非常好的功能，如單元格拖拽、嵌入式查看數據文件（如 CSV）、標籤頁式的環境，以及一個以命令為中心的界面。當然它仍然在 beta 階段，還有一些小問題，如 Revea.js 幻燈片導出功能，單元格摺疊功能等都不能正常使用。但整體來說，它表明一個好的工具會不斷成長並進步，以滿足用戶的複雜需求。
pipfile 和 pipenv
pipfile 讓我感到非常激動！pipfile 是 PEP508 的一個實現，它的動機是用依賴管理系統替換 requirements.txt。
最原始的動機就是，使用 pip 進行的依賴管理與其他 Rust、Javascript 等語言中類似的系統比起來太落後了。雖然 pip / requirements.txt 的缺點眾所周知的，但我見過總結得最全面的就是這篇文章（https://www.kennethreitz.org/essays/a-better-pip-workflow）。我建議閱讀一下全文，不過大致內容如下：
requirements.txt 沒有標準：它應該列出所有直接和間接的依賴，或者只是直接的依賴？是否應該包括固定的版本號？另外，開發時所需的依賴也非常依賴個人喜好。不同的開發團隊會使用不同的規則，會讓構建的重現成問題。
為了保證依賴列表最新，就要在 pip install $package 之後立即執行 pip freeze > requirements.txt，這個流程非常難用，而且有許多問題。
依賴管理系統包含三個工具和標準（virtualenv，pip和requirements.txt），它們之間並沒有明確的互操作性。它們的存在都是為了完成單一的任務，那麼為什麼沒有單一的工具來做這件事呢？
使用 pipenv 吧。
pipenv 會自動創建 virtualenv，安裝並管理該 virtualenv 下的所有依賴，並自動保持 pipfile 最新。
儘管這個想法很好，但使用起來很麻煩。我在實際使用中遇到了許多問題，經常得回到前一種方式，比如顯式地使用 virtualenv。我還發現 locking 操作非常慢（部分源自 setup.py 的標準，也是工具鏈生態標準中的許多問題之一）。
2，缺點
像許多與 Python 一樣老的項目一樣（Python 都和我一樣老了），一些模塊和思想也上了年紀。這不是吐槽大會，我只是想說 Python 的社區可以做得更好。
tox
Tox 依然是 Python 世界中最好的測試執行器，而且它也非常糟糕。不僅是因為 tox.ini 的語法很不直觀，工具本身也非常慢。當然這並不是 tox 自己的錯誤，而是整個 setup.py 系統就有設計缺陷。因為這些文件定義了包之間的依賴，而它們執行代碼查找依賴繼承關係就非常慢。這導致一系列工具都很慢。我相信 2019 年我們的社區應該嘗試解決這個問題。
此外，它依然不支持 pipfile，讓它變得更慢。像許多東西一樣，並不是說它本身好壞，而更大程度上取決於它周圍工具的好壞。
類型標註只能用於工具
引用自PEP0484:
考慮到該 PEP 出現時 Python 的狀態，這一點也是可以理解的，但現在應該更進一步了。我們已經成功地轉移到了 Python3，360 個 PyPi 上下載次數最多的包中有 359 個都兼容 Python3。類型提示深受社區歡迎。更進一步，Python 的類型提示應該帶來更多好處，如類型優化、自動運行時類型斷言等。我發現運行時類型斷言非常有用（特別是在函數庫中），但手工編寫非常麻煩。再加上類型提示，維護多個類型系統就變得特別麻煩。
就像其他提到的那樣，Python 4 很可能會把 JIT 當做最優先的功能。似乎這是個給類型標註進行性能優化的好地方。
變量可修改性
對於現在的 Python 我最大的不滿就是它沒有 const 或類似的東西。在我犯過的所有編碼錯誤中，90% 都是類型相關的錯誤（現在可以通過 mypy 捕獲大部分），或是以為自己創建了新變量，實際上卻錯誤地使用了同一個函數中定義過的變量。我知道有些包能實現這一點，但我希望 Python 自身能支持 const。
nbconvert
nbconvet 項目非常贊。它可以將 Jupyter notebook 轉換成其他各種格式，包括 PDF、Reveal.js 幻燈片，或者可執行腳本。在過去幾個月內我經常使用後兩者，它們真的改變了我的工作流程。我可以把一切都放在一個 notebook 中，最後再將其轉換成幻燈片在每週會議上把我的進度演示給同事。類似地我也可以在 notebook 中規劃一個想法，然後只需最小的代價將其轉換成腳本並用在產品中。
當然這只是想法。現實是，任何大小的 notebook 轉換成腳本都需要大量手工操作才能成功轉換，有時還不如手動複製粘貼。我聽說許多公司創建了 nbconvert 的 wrapper 使它更容易使用。我希望這些人能開源，這樣就能解決我的痛苦了。
關注小編，後期推送更多優秀的互聯網新聞~
閱讀更多 蔣肖彤 的文章
