python3.6+ 新特性一

1. Python 3.7 将引入 dataclass 装饰器

    import dataclasses
   
    @dataclasses.dataclass
    class InventoryItem:
        '''Class for keeping track of an item in inventory.'''
        name: str
        unit_price: float
        quantity_on_hand: int = 0
    
        def total_cost(self) -> float:
            return self.unit_price * self.quantity_on_hand
    
    
    inv=InventoryItem('PYTHON','200',1)
    
    print(f"{inv.unit_price!r}")
   

   我们去掉了init方法，以确保 data class 装饰器可以添加它生成的对应方法。不过，我们在这个过程中失去了一些功能，我们的 Python 3.6 构造函数不仅定义了所有的值，还试图解析日期，我们怎样才能用 data class 来做到这一点呢？

   如果要覆盖 init，我们将失去 data class 的优势，因此，如果要处理任何附加功能可以使用新的 dunder 方法：post_init，让我们看看post_init方法对于我们的包装类来说是什么样子的：

    def __post_init__(self):
       if type(self.release_date) is str:
           self.release_date = dateutil.parser.parse(self.release_date)
    
       if type(self.created) is str:
           self.created = dateutil.parser.parse(self.created)
    
       if type(self.edited) is str:
           self.edited = dateutil.parser.parse(self.edited)
   

   更多好东西

   通过使用装饰器的选项，可以为用例进一步定制 data class，默认选项是：

    @dataclass(init=True, repr=True, eq=True, order=False, unsafe_hash=False, frozen=False)

init决定是否生成__init__ dunder 方法

repr决定是否生成__repr__ dunder方法

eq对__eq__ dunder 方法也是如此，它决定相等性检查的行为（your_class_instance == another_instance）

order 实际上创建了四种 dunder 方法，它们确定所有检查小于，and/or，大于的行为，如果将其设置为 true，则可以对对象列表进行排序。

最后两个选项确定对象是否可以被哈希化，如果你想使用你的 class 的对象作为字典键的话，这是必要的。

python3.8 新特性

1. ：=

   引入赋值表达式，可以说是Python3.8 中最大的一个变化了。（:=）形似海象侧牙，也被称为“海象运算符”。赋值表达式可以在统一表达式中赋值并返回值，比如下面的代码，执行给变量分配值，并打印这个值：

    walrus = False
    print(walrus)
   

   可以改为

    print(walrus:=True)
   

   应用场景

    inputs = list()
    while (current := input("Write something: ")) != "quit":
        inputs.append(current)
   

2. 仅位置参数（Positional-Only Arguments）

    def info(name):
        print(name)

    info(name='python') #python
    info('python')  #python
    
    
但是

    def info(name，/):
        print(name)

    info(name='python'). #error
    info('python') #python
    
通过在 name 之后加入 /，就可以指定 name 为 仅位置参数。常规参数与仅位置参数结合使用，可将常规参数放在 / 之后：
    
    def info(name , / ,sex=1):
        print(f'name={name},sex={sex}')
    
    info('python')
    info('python',sex=0)
    
还可以通过按 / 和分隔的顺序组合仅位置、常规和仅关键字参数 *，例如下段代码中，text 是仅位置参数，border 是常规参数（值为默认值），并且 width 是仅关键字参数（值为默认值）：

    def headline(text, /, border="♦", *, width=50):
        return f" {text} ".center(width, border)

**??**什么是仅关键字参数

3. 详细类型

    def double(number: float) -> float:
        return int(2 * number)
    
    
    print(double(3.2))
   

   在此示例中，数字应该是浮点数，并且double（）函数也应该返回浮点数。但是，Python将这些注释视为提示。它们不会在运行时强制执行：

    from typing import Literal
   
    def draw_line(direction: Literal["horizontal", "vertical"]) -> None:
        if direction == "horizontal":
            ...  # Draw horizontal line
    
        elif direction == "vertical":
            ...  # Draw vertical line
    
        else:
            raise ValueError(f"invalid direction {direction!r}")
    
    draw_line("up")
   

4. 使用f字符串进行更简单的调试

   f字符串是在Python 3.6中引入的

    def add(a:int,b:int) ->None:
        print(f'{a = } {b=}')
        print(f'a={a}, b={b}')
        
        print(f'{a=} {b= :.2f}') # :.2f 可以控制输出格式
   
    
    add(3,4)
    
    
    def show(s:str) ->None:
        print(f'{s.upper()[::-1] = }')
    show('abc') #s.upper()[::-1] = 'CBA'
   

5. 新增和改进的数学和统计功能

   1. math.prod()

   2. 使用isqrt（）来找到平方根的整数部分

       import math
       
       math.isqrt(15) #3
      

   3. 使用math.dist（）找到两点之间的距离，并通过math.hypot（）找到向量的长度：

       import math
       point_1 = (16, 25, 20)
       point_2 = (8, 15, 14)
       math.dist(point_1, point_2)
       math.hypot(*point_1)
      

      这使得使用标准库更容易处理点和向量。但是，如果要对点或向量进行许多计算，则应签出NumPy。 统计模块还具有几个新功能：

      statistics.fmean（）计算浮点数的平均值。
      statistics.geometric_mean（）计算浮点数的几何平均值。
      statistics.multimode（）查找序列中最频繁出现的值。
      statistics.quantiles（）计算用于将数据等概率分为n个连续区间的切点。

       import statistics
       data = [9, 3, 2, 1, 1, 2, 7, 9]
       statistics.fmean(data)4.25
      

   4. 在Python 3.8中，有一个新的statistics.NormalDist类，这使得高斯正态分布更加方便。

      要查看使用NormalDist的示例，可以对新的statistics.fmean（）和传统的statistics.mean（）的速度进行比较：

       import random
       >>> import statistics
       >>> from timeit import timeit
       
       >>> # Create 10,000 random numbers
       >>> data = [random.random() for _ in range(10_000)]
       
       >>> # Measure the time it takes to run mean() and fmean()
       >>> t_mean = [timeit("statistics.mean(data)", number=100, globals=globals())
       ...           for _ in range(30)]
       >>> t_fmean = [timeit("statistics.fmean(data)", number=100, globals=globals())
       ...            for _ in range(30)]
       
       >>> # Create NormalDist objects based on the sampled timings
       >>> n_mean = statistics.NormalDist.from_samples(t_mean)
       >>> n_fmean = statistics.NormalDist.from_samples(t_fmean)
       
       >>> # Look at sample mean and standard deviation
       >>> n_mean.mean, n_mean.stdev
       (0.825690647733245, 0.07788573997674526)
       
       >>> n_fmean.mean, n_fmean.stdev
       (0.010488564966666065, 0.0008572332785645231)
       
       >>> # Calculate the lower 1 percentile of mean
       >>> n_mean.quantiles(n=100)[0]
       0.64450132212
      

6. 优化

   Python 3.8进行了一些优化，有的让代码运行得更快，有的优化减少了内存占用。例如，与Python 3.7相比，在Python 3.8中查找命名元组中的字段要快得多：

**python 简单了解namedtuple**

namedtuple类位于collections模块,有了namedtuple后通过属性访问数据能够让我们的代码更加的直观更好维护

namedtuple能够用来创建类似于元祖的数据类型，除了能够用索引来访问数据，能够迭代，还能够方便的通过属性名来访问数据

    from collections import namedtuple
    Friend =namedtuple("Friend",['name','age','email'])
    f1=Friend('giga',38,'[email protected]')
    print(f1)
    print(f1.age)
    print(f1.email)
    f2=Friend(name='jjuu',email='[email protected]',age=15)
    print(f2)
     
    name,age,email=f2
    print(name,age,email)


优化体现

    >>>
    >>> import collections
    >>> from timeit import timeit
    >>> Person = collections.namedtuple("Person", "name twitter")>>> raymond = Person("Raymond", "@raymondh")
    
    >>> # Python 3.7
    >>> timeit("raymond.twitter", globals=globals())
    0.05876131607996285
    
    >>> # Python 3.8
    >>> timeit("raymond.twitter", globals=globals())
    0.0377705999400132
    
可以看到，在Python 3.8中在namedtuple上查找.twitter的速度提高了30-40％。从具有已知长度的可迭代对象初始化列表时，可以节省一些空间。这样可以节省内存：

    >>> import sys
    
    >>> # Python 3.7
    >>> sys.getsizeof(list(range(20191014)))
    181719232
    
    >>> # Python 3.8
    >>> sys.getsizeof(list(range(20191014)))
    161528168
    
本例中，该列表在Python 3.8中使用的内存比Python 3.7少了大约11％。

7. 所以，我们必须要更新到 Python3.8 吗？
   如果你想尝鲜新功能，那是肯定要升级的。

   实际产品的开发环境需要升级到 Python3.8 吗？首先，如果在 Python3.8 中运行 3.7 版本代码，问题应该不会很大；Python3.8 的beta版本也试用几个月了，也解决了不少问题，如果能升级到Python3.8，肯定也是安全的，还能在新版本中进行优化。

   如果你想尝试一下Python3.8，可以阅读下的文档，以帮助更好的完成移植

   https://docs.python.org/3.8/whatsnew/3.8.html#porting-to-python-3-8

   还有不能遗漏官方文档：

   https://www.python.org/downloads/release/python-380/