True
4. attrs
attrs 是一个第三方的库,用来减少一些重复模板代码的编写。开发者可以在类上面添加一个 @attrs.s 装饰器来引入。属性则可以使用一个 attr.ib() 方法来赋值:
‘’’
遇到问题没人解答?小编创建了一个Python学习交流QQ群:778463939
寻找有志同道合的小伙伴,互帮互助,群里还有不错的视频学习教程和PDF电子书!
‘’’
from typing import Optional
import attr
@attr.s
class Position:
longitude: float = attr.ib()
latitude: float = attr.ib()
address: Optional[str] = attr.ib(default=None)
@longitude.validator
def check_long(self, attribute, v):
if not (-180 <= v <= 180):
raise ValueError(f"Longitude was {v}, but must be in [-180, +180]")
@latitude.validator
def check_lat(self, attribute, v):
if not (-90 <= v <= 90):
raise ValueError(f"Latitude was {v}, but must be in [-90, +90]")
pos1 = Position(49.0127913, 8.4231381, “Parkstraße 17”)
pos2 = Position(42.1238762, 9.1649964)
def get_distance(p1: Position, p2: Position) -> float:
pass
通过把装饰器改成 @attr.s(frozen=True)来使这个类变得不可修改。
你也可以在构造器入参的时候自动执行代码。这被称为是 “转换”。
@attr.s
… class C(object):
… x = attr.ib(converter=int)
o = C(“1”)
o.x
Visual Studio Code 中对类型注解有很多的插件可以使用。
5. Dataclass
Dataclasses 在 PEP 557 中被加入 Python 3.7。它与 attrs 类似,但是被收录于标准库中。一个很重要的点是 dataclass 就是普通的类, 不过是其中保存大量的数据而已。
与 attrs 不同的是,dataclass 使用类型注解而非 attr.ib() 这样的注解。我认为这样大大提高了可读性。另外,由于现在对属性有了注解,编辑器的支持效果也更好了。
你可以很容易的利用装饰器 @dataclass(frozen=True) 使 dataclass 变成不可修改的——这与 attrs 类似。
from typing import Optional
from dataclasses import dataclass
@dataclass
class Position:
longitude: float
latitude: float
address: Optional[str] = None
pos1 = Position(49.0127913, 8.4231381, “Parkstraße 17”)
pos2 = Position(42.1238762, 9.1649964, None)
def get_distance(p1: Position, p2: Position) -> float:
pass
这里我少说的一部分是属性的验证。可以在构造器中使用__post_init__(self)
来实现:
‘’’
遇到问题没人解答?小编创建了一个Python学习交流QQ群:778463939
寻找有志同道合的小伙伴,互帮互助,群里还有不错的视频学习教程和PDF电子书!
‘’’
def post_init(self):
if not (-180 <= self.longitude <= 180):
v = self.longitude
raise ValueError(f"Longitude was {v}, but must be in [-180, +180]")
if not (-90 <= self.latitude <= 90):
v = self.latitude
raise ValueError(f"Latitude was {v}, but must be in [-90, +90]")
你也可以将 dataclass 和属性一起使用:
@dataclass
class Position:
longitude: float
latitude: float
address: Optional[str] = None
@property
def latitude(self) -> float:
“”“Getter for latitude.”“”
return self._latitude
@latitude.setter
def latitude(self, latitude: float) -> None:
“”“Setter for latitude.”“”
if not (-90 <= latitude <= 90):
raise ValueError(f"latitude was {latitude}, but has to be in [-90, 90]")
self._latitude = latitude
@property
def longitude(self) -> float:
“”“Getter for longitude.”“”
return self._longitude
@longitude.setter
def longitude(self, longitude: float) -> None:
“”“Setter for longitude.”“”
if not (-180 <= longitude <= 180):
raise ValueError(f"longitude was {longitude}, but has to be in [-180, 180]")
self._longitude = longitude
但是,我不太喜欢这种超级冗长且丢失了许多 dataclass 独有魅力的手段。 如果你需要类型未涵盖的验证,请使用 Pydantic。
6. Pydantic
Pydantic 是一个专注于数据各实验组和设置管理的第三方库。要使用它,你可以继承自 pydantic.BaseModel 或者创建一个 Pydantic 的 dataclass:
from typing import Optional
from pydantic import validator
from pydantic.dataclasses import dataclass
@dataclass(frozen=True)
class Position:
longitude: float
latitude: float
address: Optional[str] = None
@validator(“longitude”)
def longitude_value_range(cls, v):
if not (-180 <= v <= 180):
raise ValueError(f"Longitude was {v}, but must be in [-180, +180]")
return v
@validator(“latitude”)
def latitude_value_range(cls, v):
if not (-90 <= v <= 90):
raise ValueError(f"Latitude was {v}, but must be in [-90, +90]")
return v
pos1 = Position(49.0127913, 8.4231381, “Parkstraße 17”)
pos2 = Position(longitude=42.1238762, latitude=9.1649964)
def get_distance(p1: Position, p2: Position) -> float:
pass
乍一看,这与标准的 @dataclass 相同,只是从 Pydantic 获得了 dataclass 装饰器。
可变性和散列性
我不太会自觉地考虑可变性,但是在很多情况下,我希望我的类是不变的。最大的例外是数据库模型,但它们本身就是自洽的。
可以选择将类标记为冻结以使其对象不可变,这非常不错。
为一个可变对象实现 hash 是有问题的,因为当对象改变时哈希值可能会改变。这意味着如果对象在字典中,则字典将需要知道对象的哈希值已更改,并将其存储在其他位置。因此,默认情况下,dataclass 和 Pydantic 都不对可变类进行散列,因为他们有 unsafe_hash 。
默认字符串表示
拥有合理的字符串表示形式非常有帮助(例如,用于日志记录)。老实说:很多人都在进行 print 调试。
如果我们打印上面例子中的 pos1 ,下面是我们能得到的。为了方便阅读已经添加了换行和缩进。原始的输出是在一行内的:
‘’’
遇到问题没人解答?小编创建了一个Python学习交流QQ群:778463939
寻找有志同道合的小伙伴,互帮互助,群里还有不错的视频学习教程和PDF电子书!
‘’’
print(pos1)
Plain class : <main.Position object at 0x7f1562750640>
1 Tuples : (49.0127913, 8.4231381, ‘Parkstraße 17’)
2 Dicts : {‘longitude’: 49.0127913,
‘latitude’: 8.4231381,
‘address’: ‘Parkstraße 17’}
3 NamedTuple: Position(longitude=49.0127913,
latitude=8.4231381,
address=‘Parkstraße 17’)
4 attrs : Position(longitude=49.0127913,
latitude=8.4231381,
address=‘Parkstraße 17’)
5 dataclass : Position(longitude=49.0127913,
latitude=8.4231381,
address=‘Parkstraße 17’)
可以看到从普通类创建的对象的字符串表示形式是无用的。元组看起来更好,但是它们没有指出哪个索引代表哪个属性。其余所有表示形式都很棒。它们很容易理解,甚至可以用来重新创建对象!
数据验证
现在我们已经了解了如何为普通类、attrs、dataclass 和 Pydantic 实现数据验证。但我们还并不清楚错误消息的样子。
接下来,我将新建一个 Position(1234, 567) ,里面的经度和纬度都是不正确的。下面是不同的数据结构触发的错误信息:
Plain Class
ValueError: Longitude was 11111, but has to be in [-180, 180]
4: attr
ValueError: Longitude was 1234, but must be in [-180, +180]
5: dataclasses
(same as plain classes is possible)
6: Pydantic
pydantic.error_wrappers.ValidationError: 2 validation errors for Position
longitude
Longitude was 1234.0, but must be in [-180, +180] (type=value_error)
latitude
Latitude was 567.0, but must be in [-90, +90] (type=value_error)
我要指出的是这一点:Pydantic 非常清楚地为我们提供了所有错误。 普通的类和属性只会给我们返回第一个错误。
JSON 序列化
JSON 是在网络上交换数据的方式。GitLab API 也不例外。假设我们要拥有可以序列化为 JSON 的 Python 对象,以[获取单个合并分支请求]( docs.gitlab.com/ee/api/merg… 在 Pydantic 中,就这么简单(删除了许多属性以提高可读性):
from pydantic import BaseModel
class GitlabUser(BaseModel):
id: int
username: str
class GitlabMr(BaseModel):
id: int
squash: bool
web_url: str
title: str
author: GitlabUser
mr = GitlabMr(
id=1,
squash=True,
web_url=“http://foo”,
title=“title”,
author=GitlabUser(id=42, username=“Joe”),
)
json_str = mr.json()
print(json_str)
这返回了:
{“id”: 1, “squash”: true, “web_url”: “http://foo”, “title”: “title”, “author”: {“id”: 42, “username”: “Joe”}}
对于 dataclasses 而言, dataclasses.asdict 做了很多工作。然后,字典可以被直接序列化为 JSON。对于 DateTime 或者 小数 对象的结果会很有趣。 attrs 的结果也是 相似的 。
JSON 的反序列化
使用 JSON 字符串对嵌套类进行用户化对于 Pydantic 来说是很容易的。使用上面的示例,可以这么写:
mr = GitlabMr.parse_raw(json_str)
datatclass 的实现则很不优雅。对于 attrs 的反序列化 则看起来好一些,但我猜想它在嵌套结构方面也很困难。而且,当谈到 DateTime 或小数时,我敢肯定,两者都比 Pydantic 出现更多的问题。序列化,反序列化和验证是 Pydantic 的亮点。
内存占用
在 pos1 调用 getsize 方法可得:
最后
不知道你们用的什么环境,我一般都是用的Python3.6环境和pycharm解释器,没有软件,或者没有资料,没人解答问题,都可以免费领取(包括今天的代码),过几天我还会做个视频教程出来,有需要也可以领取~
给大家准备的学习资料包括但不限于:
Python 环境、pycharm编辑器/永久激活/翻译插件
python 零基础视频教程
Python 界面开发实战教程
Python 爬虫实战教程
Python 数据分析实战教程
python 游戏开发实战教程
Python 电子书100本
Python 学习路线规划
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!