Python 3.11 有哪些新变化，值得您升级吗？

在过去四年里，Python 三次获得 TIOBE “年度语言” 奖项，四年中的三次都由它摘得。到 2022 年年中，这门广受欢迎的编程语言依然位居 TIOBE 指数榜首。

Python 位居 2022 年 6 月 TIOBE 指数榜首。

Python 的评分为 12.74%，意味着关键词“Python”出现在大约 13% 的所有编程相关搜索引擎查询中。换句话说，互联网上每 7 到 8 个编程问题中就有一个与 Python 有关。

如今，Python 经常与数据科学和人工智能领域的重大突破相伴。实践者看重它的简洁、覆盖多种任务的大量内置与第三方库，以及强大的社区。

随着 3.11 的最终稳定版将在 2022 年 10 月 3 日发布，Python 社区可以期待多项令人欢迎的更新，包括显著的速度提升、更好的错误处理与调试能力，以及对标准库的诸多易用性改进。

Python 3.11 有哪些新功能？

Python 3.11 更新日志几乎是无尽的修复、改进与新增条目清单，其中大多数您可能甚至不会注意到。不过，有几项关键的新功能可能会在稳定版发布后显著改善您的 Python 工作流。下面就来概述这些新特性。 

1. 速度提升

首先让数据科学家兴奋的重大变化是速度提升——标准基准测试套件相较 3.10 大约快了 25%。官方文档称，在某些情况下 3.11 最高可快 60%。下面介绍如何自己执行基准测试，以验证速度提升。 

要比较 Python 3.10 与 3.11 的速度，您需要安装 Docker。确认 Docker Desktop 正在运行后，在终端中执行以下两条命令，它们会为两个 Python 版本各自下载一个镜像。

$ docker run -d python:3.10.4-bullseye

$ docker run -d python:3.11-rc-bullseye技术支持

下载完成的镜像应可在您的 Docker 仪表盘中看到，您也可以在此启动它们。

启动容器后，您可以运行 docker ps 查看容器 ID、镜像、状态等详细信息。

运行中的容器也会显示在仪表盘的 Containers 选项卡下，您会在“Run/Stop”旁看到 CLI 按钮。为两个容器都点击该按钮，以启动分别附着在容器上的两个终端标签页。

在两个标签页中，都通过 pip 安装 pyperformance 包。然后在各自容器的终端中运行下面的命令。

针对 Python 3.10

$ pyperformance run -r -o py310.json技术支持

针对 Python 3.11

$ pyperformance run -r -o py310.jsone run -r -o py311.json技术支持

这些命令会对标准库中的约 60 个 Python 函数运行基准测试，并生成 JSON 元数据。我可选地添加了 -r 标签，告诉 pyperformance 我希望测试更为严格，这将更耗时。在我的案例中，两个容器运行在一台搭载 AMD Ryzen 12 核 CPU 的 Windows 机器上。

现在两个容器中各有一个 JSON 文件，我们需要把它们放到同一目录中以继续进行速度测试。为此，我们使用 docker cp 命令将 Python 3.11 容器中的 JSON 文件复制到 3.10 容器中。

在单独的终端标签页中运行以下命令，并根据您计算机上的实际路径进行更新：

$ docker cp crazy_snyder:/py311.json C:/Users/bex/Desktop

$ docker cp C:/Users/bex/Desktop/py311.json charming_proskuriakova:/技术支持

在我的例子中，crazy_snyder 和 charming_proskuriakova 是正在运行的容器 ID。现在两个 JSON 文件都在 Python 3.10 容器中。要完成基准测试并将结果保存为 CSV，请运行以下命令。

$ pyperformance compare py310.json py311.json --csv comparison.csv

$ docker cp charming_proskuriakova:/comparison.csv C:/Users/bex/Desktop/articles技术支持

最后，我们将 CSV 加载到 Pandas 中进行分析：

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

df = pd.read_csv("data/comparison.csv")
df.rename({"Base": "py310", "Changed": "py311", "Benchmark": "function"},
                   axis=1,
                   inplace=True)技术支持

>>> df.shape
技术支持

(59, 3)技术支持

>>> df.sample(5)
技术支持

数据框中的每一行都记录了两个版本运行给定 Python 函数所耗费的时间（毫秒）。我们来绘制速度提升的直方图。

df["speed_up"] = (df["py310"] / df["py311"]).round(3)

fig, ax = plt.subplots()

sns.histplot(df["speed_up"], bins=11)
ax.set(xlabel="Speedup (times)", 
           title="Python 3.10 vs. Python 3.11 - speedup comparison")

plt.show()技术支持

从图中可以明显看出，Python 3.11 中大多数函数大约快了 1.2 倍（20%）。我们也可以用均值和中位数来验证这一估计。

>>> df["speed_up"].mean()
技术支持

1.2605593220338982技术支持

>>> df["speed_up"].median()
技术支持

1.207技术支持

看起来有一个案例的速度提升超过了 60%。 

>>> df["speed_up"].max()
技术支持

1.899技术支持

同时也有四个案例显示 Python 3.10 比新版本更快。

>>>  (df["speed_up"] <= 1).sum() 
技术支持

4技术支持

虽然纸面上的性能提升显而易见，但其具体影响会因人而异，而且 Python 3.11 的最终稳定版尚未发布。该基准测试使用的是纯 Python 函数，您在日常工作中可能并不会大量使用。不过，同时为 Python 3.10 与 3.11 搭建 Docker 环境，仍能帮助您评估针对自身用例的速度提升情况。 

2. 更好的错误消息

Python 3.11 另一项令人期待的特性是更精准的错误提示，它能指出错误的准确位置。相比返回长达百行、且末尾错误信息难以理解的 traceback，Python 3.11 会定位到导致错误的那个具体表达式。

在上面的示例中，解释器指出由于值为 None 的 x 导致脚本崩溃。在当前版本的 Python 中，错误会比较模糊，因为有两个对象都带有“x”属性。而 3.11 的错误处理则清楚地指出了有问题的表达式。 

这个例子展示了 3.11 如何从深层嵌套的字典中定位错误，并清晰地标出出错的键属于哪一层。

在复杂的算术表达式中，同样能看到这种精确度。

更新后的错误消息无疑是令人欢迎的补充，尤其能帮助在调试脚本上费力的数据科学家。

3. 异常备注（Exception Notes）

“清晰优于隐晦。”

上面这句话是Python 之禅的第二条准则，这 20 条设计原则之一强调 Python 代码应当尽可能表达清晰。

为强化这一设计理念，Python 3.11 引入了异常备注（PEP 678）。现在，在 except 子句中，您可以调用 add_note() 函数，在抛出错误时附加自定义消息。

import math

try:
  math.sqrt(-1)
except ValueError as e:
  e.add_note("Negative value passed! Please try again.")
  raise技术支持

如果您像下面这样编写了自定义异常类，也可以在受保护的类级属性 __notes__ 中为该类添加多条备注：

import math

class MyOwnError(Exception):
   # Should be a list of strings
   __notes__ = ["This is a custom error!"]

try:
   math.sqrt(-1)
except:
   raise MyOwnError技术支持

现在，当解释器触发该错误时，会在常规消息体之后显示自定义消息。

此外，还引入了与新类 ExceptionGroup 搭配使用的 except* 子句语法。PEP 654 表示，在多种场景中可以用它同时抛出多个相互无关的错误。多数此类场景较为小众，例如处理 WebSocket、使用 asyncio 进行并发编程等，在日常数据科学工作中并不常见。如果您感兴趣，可以在此处了解新语法。

4. 新的类型特性：Self

静态类型有助于提升代码的可读性与可调试性。明确变量、函数输入与输出的具体类型，能帮您节省数小时的调试时间，也让他人更容易阅读您的代码。添加类型注解还能让现代 IDE 在您输入函数名时显示函数定义，便于他人理解您的函数。

此前，Python 中强大的 typing 模块几乎为所有数据类型提供了类，唯独缺少“返回自身实例”的类。在当前版本的 Python 中，下面的示例是无法实现的：

from typing import Self
class Language:

  def __init__(self, name, version, release_date):
      self.name = name
      self.version = version
      self.release_date = release_date

  def change_version(self, version) -> Self:
      self.version = version

      return Language(self.name, self.version, self.release_date)技术支持

而在 Python 3.11 中，引入了 Self 类。如果函数的返回值是 self 或该类的新实例，您就可以在函数定义中使用 Self。

5. 标准库的改进

标准库还有一些其他的易用性改进。首先，math 模块新增了两个期待已久的函数。

>>> import math
>>> math.cbrt(9)  # Find the cube-root of x
2.080083823051904
>>> math.cbrt(27)
3.0000000000000004
>>> math.exp2(5)  # Raise 2 to the power of x
32.0技术支持

立方根函数竟然让 Python 等了 28 年才加入，确实令人惊讶，但俗话说得好，“亡羊补牢，犹未为晚”。  

fractions 模块也新增了一个功能，允许您从字符串创建分数：

>>> from fractions import Fraction
>>> Fraction("22/7")  # New in Python 3.11
Fraction(22, 7)
>>> Fraction(numerator=22, denominator=7)
Fraction(22, 7)
>>> Fraction("3e-4")
Fraction(3, 10000)
>>> Fraction("-73/41")
Fraction(-73, 41)
>>> Fraction(3.1415)  # Find the closest approximation to the given float
Fraction(7074029114692207, 2251799813685248)技术支持

如您所见，fractions 模块在某些算术运算中相当实用。我尤其喜欢它能找到最接近给定浮点数的分数。您还可以进一步通过设置分母上限来控制：

>>> from math import pi
>>> Fraction(pi).limit_denominator(100000)
Fraction(312689, 99532)技术支持

此外，还新增了用于解析 TOML 文档的 tomllib 模块。TOML（Tom's Obvious Minimal Language）是一种用于编写人类可读配置文件的流行格式。下面这张图来自项目主页：

import tomllib

toml_str = """
python-version = "3.11.0"
release_date = "2022-10-22"
"""

data = tomllib.loads(toml_str)
print(data)  # {'python-version': '3.11.0', 'release_date': '2022-10-22'}
print(data['python-version'])  # 3.11.0
print(data['release_date'])  # 2022-10-22技术支持

Python 3.11 的发布时间

Python 3.11 的开发始于 2021 年 5 月 5 日。此后发布了七个 alpha 版本，并于 2022 年 5 月 8 日首次推出 beta 版。从该日期起直到正式发布，Python 将不再引入新功能。

最终的稳定版将于 2022 年 10 月 3 日发布，其间还会有三个 beta 版与两个候选版本。想要进一步了解 Python，您可以查看以下资源。