НСПК / 24.12.24 / перетяжка / 2W5zFK76vmn
НСПК / 24.12.24 / перетяжка / 2W5zFK76vmn
НСПК / 24.12.24 / перетяжка / 2W5zFK76vmn

Как работать с типизацией в Python

Логотип компании SimbirSoft
Отредактировано

Разбор основ типизации кода в Python и её роли в динамически-типизированном языке, который будет наиболее полезен новичкам в Python.

73К открытий79К показов

Рассказывает команда SimbirSoft

Первые упоминания о подсказках типов в языке программирования Python появились в базе Python Enhancement Proposals (PEP-483). Такие подсказки нужны для улучшения статического анализа кода и автодополнения редакторами, что помогает снизить риски появления багов в коде.

В этой статье мы рассмотрим основы типизации кода Python и ее роль в динамически-типизированном языке, эта информация будет наиболее полезна для начинающих Python-разработчиков.

Типизация в Python

Для обозначения базовых типов переменных используются сами типы:

  • str
  • int
  • float
  • bool
  • complex
  • bytes
  • etc.

Пример использования базовых типов в python-функции:

			def func(a: int, b: float) -> str:  
    a: str = f"{a}, {b}"  
    return a
		

Помимо этого, можно параметризировать более сложные типы, например, List. Такие типы могут принимать значения параметров, которые помогают более точно описать тип функции. Так, например, List[int] указывает на то, что список состоит только из целочисленных значений.

Пример кода:

			from typing import List  
  
def func(n: int) -> List[int]:  
    return list(range(n))
		

Кроме List, существуют и другие типы из модуля typing, которые можно параметризировать. Такие типы называются Generic-типами. Такого рода типа определены для многих встроенных в Python структур данных:

  • Set[x]
  • FrozenSet[x]
  • ByteString[x]
  • Dict[x, y]
  • DefaultDict[x, y]
  • OrderedDict[x, y]
  • ChainMap[x,y]
  • Counter[x, int]
  • Deque[x]
  • и т.д.

Как можно заметить, некоторые типы имеют несколько параметров, которые можно описать. Например, Dict[x, y] означает, что это будет словарь, где ключи будут иметь тип x, а значения – тип y.

Также есть более абстрактные типы, например:

  • Mapping[x, y] – объект имеет реализации метода __getitem__;
  • Iterable[x] – объект имеет реализацию метода __iter__.

При этом функции тоже имеют свои типы. Например, для описания функции можно использовать тип Callable, где указываются типы входных параметров и возвращаемых значений. Пример использования:

			from typing import Callable  

def func(f: Callable[[int, int], bool]) -> bool:  
    return f(1,2)  
                                                                                
func(lambda x, y: x == y)                                                      
>>> False
		

Тип Callable:

  • говорит о том, что у объекта реализован метод __call__;
  • описывает типы параметров к этому методу.

 

На первом месте стоит массив типов входных параметров, на втором — тип возвращаемого значения.

Про остальные абстрактные типы контейнеров можно прочитать в документации Python.

Также есть более конкретные типы, например Literal[x], где x указывает не тип, а конкретное значение. Например Literal[3] означает цифру 3. Используют такой тип крайне редко.

Также Python позволяет определять свои Generic-типы.

			from typing import TypeVar, Generic  
     
T = TypeVar('T')  
   
class Stack(Generic[T]):  
    def __init__(self) -> None:  
        # Create an empty list with items of type T  
        self.items: List[T] = []  
   
    def push(self, item: T) -> None:  
        self.items.append(item)  
 
    def pop(self) -> T:  
        return self.items.pop()  

    def empty(self) -> bool:  
        return not self.items
		

В данном примере TypeVar означает переменную любого типа, которую можно подставить при указании. Например:

			def func(stack: Stack[int]) -> None:  
     stack.push(11)  
     stack.push(-2)  
                                                                                  
s = Stack[int]()                                                               
func(s)                                                                        
s.empty()                                                                      
>>> False

s.items                                                                        
>>> [11, -2]
		

Для определения собственных типов наследование возможно не только от Generic, но и от других абстрактных типов, например, таких, как Mapping, Iterable.

			from typing import Generic, TypeVar, Mapping, Iterator, Dict  
   
KeyType = TypeVar('KeyType')  
ValueType = TypeVar('ValueType')  

class MyMap(Mapping[KeyType, ValueType]):  # This is a generic subclass of Mapping  
    def __getitem__(self, k: KeyType) -> ValueType:  
        ...  # Implementations omitted  
    def __iter__(self) -> Iterator[KeyType]:  
        ...  
    def __len__(self) -> int:  
        ...
		

На месте KeyType или ValueType могут быть конкретные типы.

Также есть специальные конструкции, которые позволяют комбинировать типы. Например, Union[x, y, ...] — один из типов. Если переменной может быть как int, так и float, то как тип следует указать Union[int, float]. Если переменной может быть как int, так и None, то в качестве типа можно указать Union[int,None] или, что предпочтительно, Optional[int].

Зачем это нужно

Цель — указать разработчику на ожидаемый тип данных при получении или возврате данных из функции или метода. В свою очередь, это позволяет сократить количество багов, ускорить написание кода и улучшить его качество.

Допустим, у вас есть класс юзера и функция, которая преобразует json в User.

			from typing import Dict, Union, Optional                                        

from dataclasses import dataclass                                               

@dataclass  
class User:  
    name: str  
    surname: str  
    age: int                                                                        

def get_user_from_json(json_dict: Dict[str, Optional[Union[int, str]]]) -> User:  
    name = json_dict.get("name")  
    surname = json_dict.get("surname")  
    age = json_dict.get("age")  
    if (age is None or  
        name is None or  
        surname is None):  
        raise ValueError("Not enough information")  
    return User(age=age, name=name, surname=surname)
		

Конечно, можно написать и проще:

			def get_user_from_json(json_dict: Dict[str, Optional[Union[int, str]]]) -> User:  
    return User(age=json_dict["age"], name=json_dict["name"], surname=json_dict["surname"])
		

Однако, в обоих случаях может возникнуть ошибка, если ключ age будет присутствовать и при этом иметь строковый тип. Валидация типов добавляет не очень много строк кода, но при большом количестве моделей может занимать немало места в проекте.

Использование Pydantic помогает корректно валидировать данные, при этом тип автоматически поменяется на требуемый.

			from pydantic import BaseModel                                                 

class User(BaseModel):  
    name: str  
    surname: str  
    age: int  
                                                                              

def get_user_from_json(json_dict: Dict[str, Optional[Union[int, str]]]) -> User:  
    return User(**json_dict)                                                                               

get_user_from_json({  
    "name": "ssa",  
    "surname": "ddd",  
    "age": 10  
})                                                                             
>>> User(name='ssa', surname='ddd', age=10)

get_user_from_json({  
    "name": "ssa",  
    "surname": "ddd",  
    "age": "10"  
 })                                                                             
>>> User(name='ssa', surname='ddd', age=10)

get_user_from_json({  
    "name": "ssa",  
    "surname": "ddd",  
    "age": "d"  
})
--------------------------------------
ValidationError: 1 validation error for User
age
 value is not a valid integer (type=type_error.integer)
		

Как можно заметить, более строгая типизация кода помогает сделать его проще и безопаснее. Однако, использование некоторых возможностей Pydantic может нежелательно повлиять на код. Так, мутация данных при валидации способна привести к тому, что тип значения модели будет непонятен. Например:

			from pydantic import BaseModel, validator                                                   

class User(BaseModel):  
    name: str  
    age: int  

    @validator('age')  
    def validate_age(cls, value):  
        if int(value) < 10:  
            raise ValueError("too low")  
        return str(value)  
                                                                                       
User(name='Brian', age=33)                                                                  
>>> User(name='Brian', age='33')
		

В данном примере созданный User после валидации будет иметь отличный от того, который был указан в модели. Это ведет к возможным крупным багам, которые лучше всегда избегать.

Также сейчас набирает большую популярность фреймворк FastAPI, который, благодаря Pydantic, позволяет быстро писать веб-приложения с автоматической валидацией данных.

			from fastapi import FastAPI  
from typing import Optional  
from pydantic import BaseModel  
   
app = FastAPI()  

class Item(BaseModel):  
    name: str  
    price: float  
    is_offer: Optional[bool] = None  

@app.put("/item")  
async def put_item(item: Item):  
    return {"item_name": item.name, "item_price": item.price}
		

В данном примере эндпоинт /item автоматически валидирует входящий json и передает его в функцию как требуемую модель.

Также для уменьшения количества багов используют mypy, который позволяет проводить статический анализ кода на соответствие типов. За счет этого зачастую можно избежать очевидных багов или несоответствий типов в функциях.

И как бонус для тех, кто ленится вручную поддерживать типизацию. MonkeyType дает возможность автоматически проставить типы во всех функциях, хотя после запуска этой программы обычно требуется пройтись по коду и поправить некоторые значения, которые оказались распознаны не так, как предполагалось.

Нововведения Python 3.9.0

Начиная с недавно вышедшей версии Python 3.9, у разработчиков больше нет необходимости импортировать абстрактные коллекции для описания типов. Теперь вместо typing.Dict[x, y] можно использовать dict[x,y], то же самое происходит с Deque, List, Counter и т.д. Полное описание этого нововведения можно прочитать тут: PEP-585.

Также добавили аннотации типов, которые в дальнейшем могут быть использованы инструментами статического анализа. variable: Annotated[T, x] где T — тип переменной variable, а x — некоторые метаданные для переменной. По оценкам некоторых авторов, эти метаданные могут быть использованы также и во время выполнения (подробности смотрите в PEP-593).

Заключение

В этой статье мы рассмотрели некоторые типы в языке Python. В заключение отметим, что типизированный код в Python становится намного более читаемым и очевидным, что помогает проводить ревью в команде и не допускать глупых ошибок. Хорошее описание типов также позволяет разработчикам быстрее влиться в проект, понять, что происходит, и погрузиться в задачи. Также при использовании определенных библиотек удается в несколько раз сократить количество строк кода, которые ранее требовались только для валидации типов и значений.

 

Следите за новыми постами
Следите за новыми постами по любимым темам
73К открытий79К показов