Lo nuevo en Python 3.7

Python, continua con su desarrollo y aunque en la versión 2.7 ya no tiene grandes cambios si que lo tiene en la versión 3, en esta ocasión la versión 3.7 que incluye una cuantas cositas que si que valen la pena mencionar.

Breakpoints ahora están dentro de builtins.

Cuando queremos depurar código y no estamos usando un IDE o queremos hacerlo “a manita” recurrimos a pdb y set_trace() , que tenemos que importarlo y después invocarlo, es fácil pero no llega a ser tan práctico como  print() , por eso muchos prefieren llenar de print su código.

Ahora con breakpoints es fácil crear un punto donde la ejecución del programa se detenga para la depuración, sin necesidad de hacer un import primero y después, una vez que hemos terminado de depurar,  quitarlo.

def adivina(numero):
    adivinado = input("advina el numero")
    breakpoint()
    if numero == adivinado:
         return "Exito!"
    return "Nope"

El resultado es básicamente igual que si llamáramos pdb.set_trace() pero de nuevo, sin importar nada ni quitar mas que el breakpoint.

Anotaciones y tipado de datos

Python se ha notado por mucho tiempo en que las funciones/métodos no tienen un tipado duro, bueno, sigue siendo, pero si quieres hacer un tipado ahora lo puedes hacer. Para esto al definir tus parámetros pondrás dos puntos y seguido el tipo de dato que se espera.

def adivina(numero: int):

Adicional a esto, puedes decir que tipo de valor devolverá la función/método, para esto, después de la definición de tu función, antes de los dos puntos, pones un guion y mayor que ->  y el tipo de dato que se devolverá.

def adivina(numero: int) -> str:

Como podemos ver, advinaahora indica que devolverá una cadena. Esto nos ayudará en los IDEs que detecten este tipo de errores directamente mientras escribimos, evitándonos problemas en tiempo de ejecución.

Que pasa si el tipo de dato es el mismo de la clase ?.

La solución son anotaciones, veamos este ejemplo:

class User:
    def __init__(self, user: str, prev_user: User) -> None:

En este ejemplo no podemos indicar que el tipo de dato de  es User puesto que no está definido aún. Para esto tendremos que importar annotations de __future__ . Esto se tiene que hacer así para mantener la compatibilidad a codigo escrito previamente.

from __future__ import annotations

class User:
    def __init__(self, user: str, prev_user: User) -> None:

Nanosegundos en Time

time  tiene nuevas funciones, ahora cada función de time tiene su función correspondiente en nanosegundos, por ejemplo, time.time() tiene su correspondiente time.time_ns() que agrega la resolución de nanosegundos.

Mas rápido

Hablando de tiempos, Python es mas rápido, las optimizaciones son a bajo nivel por lo que nose ahondara aquí, pero en general, es 10% mas rápido en Linux, 30% mas rápido en macOS y en términos generales las funciones serán un 20% mas rápidas.

Dataclases

Es común que escribamos el inicializador solo para asignar unas variables a la clase:

class User:
    def __init__(self, name: str, age: int) -> None:
        self.name = name
        self.age = age

    def is_adult(self) -> bool:
        return self.age > 18

u = User("Marco", 34)
u.is_adult()
True

Dataclases nos ahorra este trabajo, para esto tendremos que decorar la clase con @dataclass

@dataclass
class User:
    name: str
    age: int

    def is_adult(self) -> bool:
        return self.age > 18


u = User("Marco", 34)
u.is_adult()
True

Otros cambios:

  • Los diccionarios ahora respetan el orden en que fueron insertados los datos, por lo tanto un diccionario remplazará en casi todos los casos a collections.OrderedDict .
  • Documentation en Frances, Coreano y Japonés
  • Control del contenido del módulo puesto que __getattr__ahora puede ser definido a nivel de módulo.
  • Un nuevo modo developer para cPython.
  • Los archivos .pyc son deterministicos, es decir, cada ejecución creará exactamente el mismo .pyc byte por byte.

Mas información en las notas de liberación de Python 3.7

1,841 total views, 22 views today

Site Footer

Skip to toolbar