Wer denkt, Python sei nur eine simple Skriptsprache ohne Typisierung, der irrt sich gewaltig. Dank des typing-Moduls und Type Checkers wie Mypy lässt sich auch in Python statisch typisierter Code entwickeln. Die neuen Datencontainer ab Python 3.6 runden das Bild ab und bringen mit intelligenten Datenzeilen typisiert testbaren Code auf das nächstes Level.
Seit den letzten zwei bis drei Jahren ist Python aus dem Bereich Data Science endgültig nicht mehr wegzudenken und hat sich als Lingua Franca für Projekte rund um künstliche Intelligenz etabliert. Sogar Machine-Learning-Projekte in Apache Spark werden aktuell primär mit dem Python API verwirklicht, obwohl das Spark Framework in Scala entwickelt wird. PySpark ist kein bisschen langsamer als Spark mit Scala, solange man keine eigenen, maßgeschneiderten Funktionen einsetzt. Dennoch hat Scala in Spark einen Mehrwert, den Python nicht bieten kann: der statisch typisierte Code und damit das typisierte DataSet API für noch sichereres Programmieren. Hat Python generell das Nachsehen, wenn Codequalität durch Typisierung von entscheidender Bedeutung ist?
Python nur schwach typisiert? Weit gefehlt!
Die mangelnde Typisierung von Variablen und Funktionen stellt einen der häufigsten Kritikpunkte gegenüber Python dar. Nicht selten hört oder liest man sogar die Behauptung, Python sei einfach eine nur schwach oder gar nicht typisierte Skriptsprache. Tatsächlich handelt es sich bei Python jedoch um eine Sprache mit einer dynamischen starken Typisierung. Das bedeutet konkret, dass die Typisierung zwar erst zur Laufzeit des Codes festgelegt wird, dann aber unveränderlich und eindeutig gesetzt ist.
Ein einfaches Codebeispiel wie "abc" + 123, führt sofort zu einem TypeError. Hier wird eben nicht, wie in manch anderen Sprachen, der Integer 123 implizit in einen String konvertiert und mit dem ersten String verkettet. Die Typen bleiben stattdessen statisch festgelegt.
Die dynamische Typisierung zur Laufzeit ermöglicht zunächst einmal schnelles und flexibles Programmieren gemäß dem Duck-Typing-Paradigma (auch bekannt als Structural Subtyping). Duck Typing bedeutet: Wenn es quakt und Eier legt, muss es wohl eine Ente sein, auch wenn sich dahinter ein Frosch versteckt. Genauso bleibt es in Python zweitrangig, ob man zum Beispiel ein Dictionary verwendet oder ein gänzlich anderes Objekt, das sich augenscheinlich genauso verhält.
Diese Freiheit fordert jedoch mehr Aufwand beim Testen und Debuggen und oft offenbaren sich Fehler leider erst zur Laufzeit.
Optionale Typisierung ab Python 3.5
Ab Python 3.5 wurde der Kernumfang von Python erstmals durch ein Submodul namens typing ergänzt. Es ermöglicht eine reichhaltige Notation von Typen für Variablen, Funktionsparameter und Rückgabewerte.
Seit Python 3.8 ist der Funktionsumfang so weit angewachsen, dass es sogar möglich ist, Variablen als final zu deklarieren, also als Konstanten auszuweisen, Methodenüberladung mit dem @overload-Decorator nachzubilden und vieles mehr. Man darf sich von diesem Modul jedoch nicht vormachen lassen, dass Änderungen an der Grundphilosophie von Python geplant wären. Alle Type Annotations sind lediglich Literale, um mit strukturierten Kommentierungen den Code anzureichern. Sie erlauben dann IDEs und Type Checkers, den Code so zu prüfen, als wäre Python statisch typisiert. Das hat jedoch final keinerlei Konsequenz für die Ausführung des Codes.
Im PEP 484 [1], der unter anderem vom Python-Erfinder Guido van Rossum verfasst wurde, wird versichert: „Python will remain a dynamically typed language, and the authors have no desire to ever make type hints mandatory, even by convention“.
Auf keinen Fall darf durch die Type Annotations die Ausführung des Codes leiden. Sei es durch schlechtere Performance oder durch geringere Kompatibilität mit bereits existierendem Code. Im PEP 483 [2] wird dazu von denselben Autoren das Konzept des Gradual Typing erläutert. Das heißt, Type Annotations können nur für einen Teil des Codes gesetzt werden, um sich je nach Bedarf der statischen oder dynamischen Typisierung zu bedienen. Damit ist es kein Problem, sein Projekt nachträglich graduell auf statische Typisierung umzustellen.
Mypy, der quasioffizielle Code-Checker
Die Entwicklung des wichtigsten Type Checker für Python, Mypy [3], wurde von Jukka Lehtosalo im Rahmen einer Doktorarbeit begonnen. Schnell erkannte Guido van Rossum wohl das Potenzial und die Bedeutung und holte Jukka als Kollegen zu Dropbox. Dort begann er auch selbst, an Mypy mit zu entwickeln und den Type Checker in Produktion bei Dropbox einzusetzen. Mittlerweile gilt wohl mehr als ein Drittel des Python-Codes bei Dropbox als statisch typisiert. Mypy ist daher als Dropbox-Projekt zu betrachten, aber gleichzeitig als Open-Source-Modul für jeden Python-Entwickler verfügbar. Natürlich gibt es neben Mypy noch andere Type Checkers für Python, aber man kann Mypy getrost als den de facto offiziellen betrachten. Guido van Rossum wurde vor kurzem gefragt...

