python中的栈

Python部落(python.freelycode)组织翻译，禁止转载，欢迎转发。

根据IEEE Spectrum的统计，Python在2017年的顶级编程语言中排名第一。Python从去年开始持续上升，两度跃到排名第一的位置。虽然在Web和Enterprise应用中python稳居第一的位置，但是在基于Python的嵌入式开发平台（如Zerynth和MicroPython）中，python还需要大力发展。

上面的排名并不奇怪，现今绝大多数的嵌入式代码仍然是用C编写的。专家和熟练的C程序员认为这理所当然，他们说：“C语言生成一个更快，更紧凑，更可靠的代码”。但是 ，如果你用汇编语言代替C语言，就会理解20年前那代程序员到底在说什么了。

为什么在嵌入式应用中使用python?

如果你用Google搜一下“嵌入式系统中的python”会找到许多类似下面的文章：

1、python比C语言更好！

2、嵌入式系统中python和C/C++的对比

3、嵌入式系统中Python的地位

4、未来嵌入式系统的编程语言还会是C语言吗？

5、python对嵌入式系统的发展意义

我们可以用下面的一段话来总结上面的内容：

“如果一个问题可以在Python中解决，那么也可以在C中解决，反之不一定成立。但是，如果问题可以在Python中解决，那么：

——解决方案（源代码）将比相应的C代码简单

——更加可靠

——也许更重要的是，可“可重复写”（这一点容易被忽视）“

C / C ++编码速度慢，容易出错，而且经常是不可读的，但Python以其可写性，减少错误和可读性而闻名。由于这些原因，最近的一项研究表明，Python不仅仅是介绍性CS程序和业余兴趣开发人员最受欢迎的语言，它也是嵌入式计算中增长最快的语言。有大量的专业人士熟练使用Python“潜在地”为物联网中的“下一件大事”开发软件，而且将会在短时间内发布新的惊人的嵌入式应用程序。

为什么要使用Zerynth作为基于Python的嵌入式应用程序

Zerynth超越了专业的嵌入式开发人员，为高级程序员，产品设计师和IoT开发人员提供了一套完整的高品质嵌入式开发工具来创建交互式连接式的解决方案。

Zerynth允许使用任何32位微控制器设计嵌入式应用程序和IoT连接设备，来连接到任何云基础架构，而且可以实现Python和C 语言的混合编程。

初学者容易上手

一个词来形容：简单！与其他用于微控制器的Python实现不同，Zerynth不需要从不同的Web源复制/粘贴令人毛骨悚然的脚本。不需要拖放任何文件夹或FTP中的任何文件。无需在PC上安装Python，无需安装Putty或特殊驱动程序。使用Zerynth，您只需点击几下即可使您的设备在Python中编程！

在本教程中可以看到如何使用Zerynth编程NodeMCU板，您只需要按照如下步骤来即可：

1、下载安装Zerynth Studio

2、连接，注册并虚拟化ESP8266主板

3、克隆一个例子，并将其上传到主板

只需遵循上面这些非常简单的步骤，您就可以使用Python编程设备，而不必使用复杂的低级语言（如C或C ++）。对于新手编程的初学者来说，这是一个很好的选择。

对于高级用户，Zerynth允许在同一个项目中混合使用Python和C代码。这种“混合”编程在项目需要关键任务的低级代码时非常强大，同时保持Python对非关键部分的灵活性和可读性。使用Zerynth，你可以同时拥有开发速度和运行时速度！你可以在官方文档中了解有关Zerynth-C语言界面的更多信息。

一次编码，多种场景使用

Zerynth虚拟机是Zerynth堆栈的核心元素，提供了一个真正的硬件抽象层，允许在大多数32位微控制器（嵌入式和IoT解决方案的核心）上重用代码。

硬件的独立性对许多方面至关重要：

1、对于产品设计师来说，由于在从原型转换为生产过程中无需重写代码，因此可缩短上市时间;

2、对于系统集成商来说，它更容易集中在集成部分，并选择更适合项目的主板，而不需要担心低级功能和可编程性;

3、对于嵌入式生产者来说，它加速了新的嵌入式硬件的采用，并向庞大的Python程序员社区开放。

Zerynth虚拟机的开发是使Python可以在嵌入式世界中使用。为了做到这一点，Python的一些功能被丢弃，因为它们太占用资源，而一些非Python功能被引入，因为它们在嵌入式设置中更具功能。可以参看官方文档中Zerynth和Python之间的区别列表（不完整）

你可以用Zerynth做什么

与其他IoT开发平台不同，Zerynth提供了一个完整的“生态系统”工具，可以让您从固件开发到云连接，这些都得益于大量的库链接。

需要灵感吗？ Zerynth Academy网站部分提供了一系列教程，指导您使用Zerynth Stack开发Python中的嵌入式和IoT解决方案。你将学习：

1、如何使用Zerynth在Python中编程ESP8266，这是用于IoT和嵌入式应用的常用微控制器

2、如何使用Zerynth和Arduino MKR1000来启用IoT Security;

3、如何创建一个使用Zerynth在Python中编程并连接到The Things Network的LoRa网络;

4、如何使用Zerynth和Matplotlib（一种非常受欢迎的Python绘图库）来获取和可视化LoRa节点的传感器数据;

5、如何在Python中使用Zerynth程序为Hexiwear，最受欢迎的可穿戴式IoT开发平台之一

6、如何使用Zerynth在Python中为Nordic的nRF52832编程，这是支持蓝牙低能耗（BLE）的蓝牙5-ready SoC。

您还可以在此链接或Zerynth Studio的左侧面板上直接找到有用的示例列表。

超越Arduino和树莓派

如上所述，在无人机，机器人或其他项目的Python中，学生和业余爱好者经常拥有树莓派或Arduino背景。

Zerynth提供基于微处理器的一些优势，如树莓派：

1、使用python编程，必要的话可以和c语言混合

2、支持多线程

以及基于微控制器的电路板的巨大优势：

1、相对于微处理器电路板的功耗更低

2、降低原型设计阶段的硬件成本

3、在工业化阶段硬件成本极低

而且拥有60k-80k的闪存以及3-5k的RAM.

应用广泛

Zerynth已被公司和专业团队用于在不同行业建立惊人的IoT和嵌入式解决方案：如零售，商业制冷，废物管理，智能设备等等，这些都可以在“Built with Zerynth”中看到。

英文原文：https://zerynth/blog/the-rise-of-python-for-embedded-systems/ 译者：咋家

机器之心编译

目前，Python 科学栈中的所有主要项目都同时支持 Python 3.x 和 Python 2.7，不过，这种情况很快即将结束。去年 11 月，Numpy 团队的一份声明引发了数据科学社区的关注：这一科学计算库即将放弃对于 Python 2.7 的支持，全面转向 Python 3。Numpy 并不是唯一宣称即将放弃 Python 旧版本支持的工具，pandas 与 Jupyter notebook 等很多产品也在即将放弃支持的名单之中。对于数据科学开发者而言，如何将已有项目从 Python 2 转向 Python 3 成为了正在面临的重大问题。来自莫斯科大学的 Alex Rogozhnikov 博士为我们整理了一份代码迁移指南。

Python 3 功能简介

Python 是机器学习和其他科学领域中的主流语言，我们通常需要使用它处理大量的数据。Python 兼容多种深度学习框架，且具备很多优秀的工具来执行数据预处理和可视化。

但是，Python 2 和 Python 3 长期共存于 Python 生态系统中，很多数据科学家仍然使用 Python 2。2019 年底，Numpy 等很多科学计算工具都将停止支持 Python 2，而 2018 年后 Numpy 的所有新功能版本将只支持 Python 3。

为了使 Python 2 向 Python 3 的转换更加轻松，我收集了一些 Python 3 的功能，希望对大家有用。

使用 pathlib 更好地处理路径

pathlib 是 Python 3 的默认模块，帮助避免使用大量的 os.path.joins：

from pathlib importPath

dataset ='wiki_images'

datasets_root =Path('/path/to/datasets/')

train_path = datasets_root / dataset /'train'

test_path = datasets_root / dataset /'test'

for image_path in train_path.iterdir():

with image_path.open()as f:# note, open is a method of Path object

# do something with an image

Python 2 总是试图使用字符串级联（准确，但不好），现在有了 pathlib，代码安全、准确、可读性强。

此外，pathlib.Path 具备大量方法，这样 Python 新用户就不用每个方法都去搜索了：

p.exists()

p.is_dir()

p.parts()

p.with_name('sibling.png')# only change the name, but keep the folder

p.with_suffix('.jpg')# only change the extension, but keep the folder and the name

p.chmod(mode)

p.rmdir()

pathlib 会节约大量时间，详见：

文档：https://docs.python.org/3/library/pathlib.html；

参考信息：https://pymotw/3/pathlib/。

类型提示（Type hinting）成为语言的一部分

PyCharm 中的类型提示示例：

Python 不只是适合脚本的语言，现在的数据流程还包括大量步骤，每一步都包括不同的框架（有时也包括不同的逻辑）。

类型提示被引入 Python，以帮助处理越来越复杂的项目，使机器可以更好地进行代码验证。而之前需要不同的模块使用自定义方式在文档字符串中指定类型（注意：PyCharm 可以将旧的文档字符串转换成新的类型提示）。

下列代码是一个简单示例，可以处理不同类型的数据（这就是我们喜欢 Python 数据栈之处）。

def repeat_each_entry(data):

""" Each entry in the data is doubled

"""

index = numpy.repeat(numpy.arange(len(data)),2)

return data[index]

上述代码适用于 numpy.array（包括多维）、astropy.Table 和 astropy.Column、bcolz、cupy、mxnet.ndarray 等。

该代码同样可用于 pandas.Series，但是方式是错误的：

repeat_each_entry(pandas.Series(data=[0,1,2], index=[3,4,5]))# returns Series with Nones inside

这是一个两行代码。想象一下复杂系统的行为多么难预测，有时一个函数就可能导致错误的行为。明确了解哪些类型方法适合大型系统很有帮助，它会在函数未得到此类参数时给出提醒。

def repeat_each_entry(data:Union[numpy.ndarray, bcolz.carray]):

如果你有一个很棒的代码库，类型提示工具如 MyPy 可能成为集成流程中的一部分。不幸的是，提示没有强大到足以为 ndarrays/tensors 提供细粒度类型，但是或许我们很快就可以拥有这样的提示工具了，这将是 DS 的伟大功能。

类型提示 → 运行时的类型检查

默认情况下，函数注释不会影响代码的运行，不过它也只能帮你指出代码的意图。

但是，你可以在运行时中使用 enforce 等工具强制进行类型检查，这可以帮助你调试代码（很多情况下类型提示不起作用）。

@enforce.runtime_validation

def foo(text: str)->None:

print(text)

foo('Hi')# ok

foo(5)# fails

@enforce.runtime_validation

def any2(x:List[bool])->bool:

return any(x)

any ([False,False,True,False])# True

any2([False,False,True,False])# True

any (['False'])# True

any2(['False'])# fails

any ([False,None,"",0])# False

any2([False,None,"",0])# fails

函数注释的其他用处

如前所述，注释不会影响代码执行，而且会提供一些元信息，你可以随意使用。

例如，计量单位是科学界的一个普遍难题，astropy 包提供一个简单的装饰器（Decorator）来控制输入量的计量单位，并将输出转换成所需单位。

# Python 3

from astropy import units as u

@u.quantity_input()

def frequency(speed: u.meter / u.s, wavelength: u.m)->u.terahertz:

return speed / wavelength

frequency(speed=300_000 * u.km / u.s, wavelength=555* u.nm)

# output: 540.5405405405404 THz, frequency of green visible light

如果你拥有 Python 表格式科学数据（不必要太多），你应该尝试一下 astropy。你还可以定义针对某个应用的装饰器，用同样的方式来控制／转换输入和输出。

通过 @ 实现矩阵乘法

下面，我们实现一个最简单的机器学习模型，即带 L2 正则化的线性回归：

# l2-regularized linear regression: || AX - b ||^2 + alpha * ||x||^2 ->min

# Python 2

X = np.linalg.inv(np.dot(A.T, A)+ alpha * np.eye(A.shape[1])).dot(A.T.dot(b))

# Python 3

X = np.linalg.inv(A.T @ A + alpha * np.eye(A.shape[1]))@(A.T @ b)

下面 Python 3 带有 @ 作为矩阵乘法的符号更具有可读性，且更容易在深度学习框架中转译：因为一些如 X @ W + b[None, :] 的代码在 numpy、cupy、pytorch 和 tensorflow 等不同库下都表示单层感知机。

使用 ** 作为通配符

递归文件夹的通配符在 Python2 中并不是很方便，因此才存在定制的 glob2 模块来克服这个问题。递归 flag 在 Python 3.6 中得到了支持。

import glob

# Python 2

found_images = \

glob.glob('/path*.jpg') \

+ glob.glob('/path*.jpg') \

+ glob.glob('/path***.jpg')

# Python 3

found_images = glob.glob('/path*.jpg', recursive=True)

python3 中更好的选择是使用 pathlib：

# Python 3

found_images = pathlib.Path('/path/').glob('**/*.jpg')

Print 在 Python3 中是函数

Python 3 中使用 Print 需要加上麻烦的圆括弧，但它还是有一些优点。

使用文件描述符的简单句法：

print>>sys.stderr,"critical error"# Python 2

print("critical error", file=sys.stderr)# Python 3

在不使用 str.join 下输出 tab-aligned 表格：

# Python 3

print(*array, sep='\t')

print(batch, epoch, loss, accuracy, time, sep='\t')

修改与重新定义 print 函数的输出：

# Python 3

_print =print# store the original print function

defprint(*args,**kargs):

pass# do something useful, e.g. store output to some file

在 Jupyter 中，非常好的一点是记录每一个输出到独立的文档，并在出现错误的时候追踪出现问题的文档，所以我们现在可以重写 print 函数了。

在下面的代码中，我们可以使用上下文管理器暂时重写 print 函数的行为：

@contextlib.contextmanager

def replace_print():

import builtins

_print =print# saving old print function

# or use some other function here

builtins.print=lambda*args,**kwargs: _print('new printing',*args,**kwargs)

yield

builtins.print= _print

with replace_print():

上面并不是一个推荐的方法，因为它会引起系统的不稳定。

print 函数可以加入列表解析和其它语言构建结构。

# Python 3

result = process(x)if is_valid(x)elseprint('invalid item: ', x)

f-strings 可作为简单和可靠的格式化

默认的格式化系统提供了一些灵活性，且在数据实验中不是必须的。但这样的代码对于任何修改要么太冗长，要么就会变得很零碎。而代表性的数据科学需要以固定的格式迭代地输出一些日志信息，通常需要使用的代码如下：

# Python 2

print('{batch:3} {epoch:3} / {total_epochs:3} accuracy: {acc_mean:0.4f}±{acc_std:0.4f} time: {avg_time:3.2f}'.format(

batch=batch, epoch=epoch, total_epochs=total_epochs,

acc_mean=numpy.mean(accuracies), acc_std=numpy.std(accuracies),

avg_time=time / len(data_batch)

))

# Python 2 (too error-prone during fast modifications, please avoid):

print('{:3} {:3} / {:3} accuracy: {:0.4f}±{:0.4f} time: {:3.2f}'.format(

batch, epoch, total_epochs, numpy.mean(accuracies), numpy.std(accuracies),

time / len(data_batch)

))

样本输出：

12012/300 accuracy:0.8180±0.4649 time:56.60

f-strings 即格式化字符串在 Python 3.6 中被引入：

# Python 3.6+

print(f'{batch:3} {epoch:3} / {total_epochs:3} accuracy: {numpy.mean(accuracies):0.4f}±{numpy.std(accuracies):0.4f} time: {time / len(data_batch):3.2f}')

另外，写查询语句时非常方便：

query = f"INSERT INTO STATION VALUES (13, '{city}', '{state}', {latitude}, {longitude})"

「true pision」和「integer pision」之间的明显区别

对于数据科学来说这种改变带来了便利（但我相信对于系统编程来说不是）。

data = pandas.read_csv('timing.csv')

velocity = data['distance']/ data['time']

Python 2 中的结果依赖于『时间』和『距离』（例如，以米和秒为单位）是否被保存为整数。

在 Python 3 中，结果的表示都是精确的，因为除法的结果是浮点数。

另一个案例是整数除法，现在已经作为明确的运算：

n_gifts = money // gift_price # correct for int and float arguments

注意，该运算可以应用到内建类型和由数据包（例如，numpy 或 pandas）提供的自定义类型。

严格排序

# All these comparisons are illegal in Python 3

3<'3'

2

(3,4)<(3,None)

(4,5)<[4,5]

# False in both Python 2 and Python 3

(4,5)==[4,5]

防止不同类型实例的偶然性的排序。

sorted([2,'1',3])# invalid for Python 3, in Python 2 returns [2, 3, '1']

在处理原始数据时帮助发现存在的问题。

旁注：对 None 的合适检查是（两个版本的 Python 都适用）：

if a isnotNone:

pass

if a:# WRONG check for None

pass

自然语言处理的 Unicode

s ='您好'

print(len(s))

print(s[:2])

输出：

Python 2: 6\n

Python 3: 2\n 您好.

x = u'со'

x +='co'# ok

x +='со'# fail

Python 2 在此失败了，而 Python 3 可以如期工作（因为我在字符串中使用了俄文字母）。

在 Python 3 中 strs 是 Unicode 字符串，对非英语文本的 NLP 处理更加方便。

还有其它有趣的方面，例如：

'a'< type < u'a'# Python 2: True

'a'< u'a'# Python 2: False

from collections importCounter

Counter('Mbelstück')

Python 2: Counter({'\xc3': 2, 'b': 1, 'e': 1, 'c': 1, 'k': 1, 'M': 1, 'l': 1, 's': 1, 't': 1, '\xb6': 1, '\xbc': 1})

Python 3: Counter({'M': 1, '': 1, 'b': 1, 'e': 1, 'l': 1, 's': 1, 't': 1, 'ü': 1, 'c': 1, 'k': 1})

这些在 Python 2 里也能正确地工作，但 Python 3 更为友好。

保留词典和**kwargs 的顺序

在 CPython 3.6+ 版本中，字典的默认行为类似于 OrderedDict（在 3.7+版本中已得到保证）。这在字典理解（和其他操作如 json 序列化/反序列化期间）保持顺序。

import json

x ={str(i):i for i in range(5)}

json.loads(json.dumps(x))

# Python 2

{u'1':1, u'0':0, u'3':3, u'2':2, u'4':4}

# Python 3

{'0':0,'1':1,'2':2,'3':3,'4':4}

它同样适用于**kwargs（在 Python 3.6+版本中）：它们的顺序就像参数中显示的那样。当设计数据流程时，顺序至关重要，以前，我们必须以这样繁琐的方式来编写：

from torch import nn

# Python 2

model = nn.Sequential(OrderedDict([

('conv1', nn.Conv2d(1,20,5)),

('relu1', nn.ReLU()),

('conv2', nn.Conv2d(20,64,5)),

('relu2', nn.ReLU())

]))

# Python 3.6+, how it *can* be done, not supported right now in pytorch

model = nn.Sequential(

conv1=nn.Conv2d(1,20,5),

relu1=nn.ReLU(),

conv2=nn.Conv2d(20,64,5),

relu2=nn.ReLU())

)

注意到了吗？名称的唯一性也会被自动检查。

迭代地拆封

# handy when amount of additional stored info may vary between experiments, but the same code can be used in all cases

model_paramteres, optimizer_parameters,*other_params = load(checkpoint_name)

# picking two last values from a sequence

*prev, next_to_last, last = values_history

# This also works with any iterables, so if you have a function that yields e.g. qualities,

# below is a simple way to take only last two values from a list

*prev, next_to_last, last = iter_train(args)

默认的 pickle 引擎为数组提供更好的压缩

# Python 2

import cPickle as pickle

import numpy

print len(pickle.dumps(numpy.random.normal(size=[1000,1000])))

# result: 23691675

# Python 3

import pickle

import numpy

len(pickle.dumps(numpy.random.normal(size=[1000,1000])))

# result: 8000162

节省 3 倍空间，而且速度更快。实际上，类似的压缩（不过与速度无关）可以通过 protocol=2 参数来实现，但是用户�...