一些关于 Python 编程的疑惑

[marin11]

我现在编写 python 程序时，基本上都是在使用.ipynb 而不是.py ，
但是我依赖.ipynb 的主要原因是 ipynb 可以创建单元格允许我只运行一部分代码，
而不是他提供的交互性（比如直接显示图片和输出结果之类的）
所以让我感觉有点违和感。。。

具体来说 ipynb 可以允许我只运行一部分代码，即使报了 BUG ，
我也知道只是我最近写的一个单元格里的代码出问题了，而不是之前的某一部分代码出了问题。
但是其他编程语言中并没有 ipynb 这个文件格式，我在在想他们 debug 应该都是怎么做的？
这是不是因为我不会断点调试而导致我依赖 ipynb

举一个具体的例子：
我从原文件提取了很多特征量，用来作为模型的输入，之后我会定义一个 Model 来训练。
如果使用 ipynb ，我可以在一个单元格里提取了这些特征量，然后在下一个单元格里定义 model ，即使 model 定义错了（比如模型输入 size 和特征量 size 不符），我也可以直接在第二个单元格里修改，而不用从头开始执行特征提取这一步。
但是用.py 就要从头开始执行，又要浪费时间提取一遍特征量就很麻烦。。

[shinsekai]

matlab 的话可以用 mlx 实时脚本或者使用%%分段运行

[Alias4ck]

可是你工程化的时候就不能这么做了啊

[thinkershare]

基本的不需要 Debug, Debug 也是跑 UnitTest/Log/端点单步调试, 任何工程性质的项目都不会使用 ipynb 这种模式，这个模式只是提供给交互场景这种及其有限情况下使用的。

[eagleoflqj]

ipynb 就是用来干这个的，其他语言要么也有这种功能（比如 mathematica ），要么压根不适合做数据处理
当你用 python 做别的，比如写 django 后端，自然就不用 ipynb 了

[lithiumii]

因为你在做的事情是探索性、实验性的，人为介入是流程的一部分，最终成果不一定是代码而是某个问题的答案，所以写一段跑一段改一段很方便。MATLAB 和 R 的用户也是这样。

写工程代码的人，交付的是代码，代码要在无人介入的情况下跑千遍万遍无数遍。在代码能这样跑起来之前，也有逐步运行或者分割运行的情况，可以靠 debugger 或者自动重载的调试模式、单元测试、打日志、反复运行看结果等等。

此外，其实 Jupyter 可以跑很多很多语言，名字里就有仨（ Julia 、Py 、R ），此外什么 C 啊 C++ 啊 JS 啊等等都有。

[geekdonie]

有需求，使用合适的解决方案，没什么可疑惑的

[zhzy]

支持 rrpl 的语言都可以吧，只是可能没有一个像 ipynb 那样具体的文件

[zhzy]

@zhzy repl 打错了

[pcbl]

只能说羡慕楼主工作中可以写这种各部分关联性不强的代码。我这边生产用到的代码已经是面条状态了，想单独调试运行一部分那是不可能的。

[dayeye2006199]

LZ 你需要的就是 literate programming 。边写程序边研究下面怎么干。

如果你想写出比较健壮的代码，可以采用测试驱动编程。

比如先写特征处理的代码，然后把形状、结果的数字什么的编写到测试里。然后再去做代码实现。
跑测试的时候，可以整个测试数据集，数量小一些，可以比较快的得到结果。

[Contextualist]

越过现象看本质：无论什么领域的代码、无论多大规模的项目，维护靠的都是模块化，即把一个项目拆分成尽量相互独立的部分，以便管理维护。

对于一个 .ipynb 文件，单元格就是一种模块化。而一个组织良好的 Python 项目并不会是单个 .py 文件，而是会包含许多相互依赖的 .py 文件和文件夹，它们构成了 Python 模块化中的包（ package ）和模组（ module ）。

以 debug 举例，一个 Python 项目中，一个 .py 文件实现一个具体的功能，与之对应的一个单元测试文件针对性验证这个 .py 文件的功能。所以很多时候 debug 并不用运行整个项目，而是单独运行查验一个单元测试文件。

最后多讲两句，.ipynb 是快速验证想法或者做小 demo 的利器。但如果一个项目持续增长到一定规模，最终还是整理成一个 Python 的包更有利于长期维护，因为线性组织的 .ipynb 很难维护多层的依赖关系，而且版本控制也比较困难。再说你写成一个包也是可以在 .ipynb 里导入使用的。

[shinession]

python 据说就是 jupyter notebook 火起来之后位列第一的, 对新手非常友好, 适合入门, 可以一步一步的得到想要的结果, 但是对大佬来说这功能可有可无

[silkriver]

vscode 也支持只运行.py 中的一部分代码，当然直接 vscode 运行.ipynb 更方便

[uni]

这就是做草稿嘛，我也经常这么做（你们 py 工程师都是靠试的吗.jpg
我用的 vscode 的# %%，感觉比 jupyter 方便很多

[ruanimal]

@uni 我们炼丹工程师是这样的

[smallsung]

感觉特征向量提取后可以存到硬盘上，没必要每次运行都重新提取一次吧，还挺耗时间的。

[InvincibleDream]

ipynb 相当于记事本，py 相当于扳手或者齿轮。记事本是用来读的，扳手或者齿轮是用来操作或者作为机器本身工作的。

[cordea]

类似.ipynb 的这种东西并不是 python 独有，支持 repl 的语言都能做到类似的事，像 commonlisp 这种语言甚至就是鼓励你用 repl 来写到哪里执行到哪里。

再说 debug ，debug 是一种最后的手段，在理想情况下，潜在的错误应该在执行程序前就被发现。而找到程序执行结果与期望不一致的原因并不一定要通过“实际去运行程序”来完成。类似于 haskll ，idris 这样的语言，能够在类型层面确保程序的一致性，使用这样的语言很少需要依赖 debug 这种最后的手段。

以楼主的例子来说，模型输入 size 和特征量 size 不符，如果编程语言支持依赖类型之类的高级特性，会直接在运行前就提示你类型不符，就像往一个只接受 int 的函数里传入 string 一样。

而对于更一般的语言，比如 cpp ，由于设计上的取舍，类型系统的缺陷等等，则不得不依赖 debug 或者程序员的经验来找出错误。

[marin11]

@pcbl 我其实也很想有这种能处理大量相互依赖的代码的能力，但我现在不知道怎么培养。。。