Refactoring to Pythonic Idioms: A Hybrid Knowledge-Driven Approach Leveraging Large Language Models

Pythonic编程习惯在Python编程社区中备受重视且广泛使用。然而，许多Python用户发现使用Pythonic编程习惯具有挑战性。采用基于规则的方法或仅使用语言模型（LLM）方法无法克服代码习惯化的三个持久性挑战，包括代码遗漏、错误检测和错误重构。在规则的确定性和LLM的适应性的推动下，我们提出了一个由三个模块组成的混合方法。我们不仅编写提示来指导LLM完成任务，还调用分析规则接口（ARI）来完成任务。ARI是由提示LLM生成代码的Python代码。我们首先构建一个包括ASTscenario、ASTcomponent和Condition三个元素的知识模块，并提示LLM生成Python代码以纳入ARI库以供后续使用。之后，对于任何无语法错误的Python代码，我们从ARI库中调用ARI提取ASTscenario中的ASTcomponent，然后过滤出不符合条件的ASTcomponent。最后，我们设计提示来指导LLM抽象和习惯化代码，然后从ARI库中调用ARI将非习惯化代码重写为习惯化代码。接下来，我们对我们的方法RIdiom和Prompt-LLM在RIdiom中的九个已建立的Pythonic习惯进行了全面评估。我们的方法表现出卓越的准确性、F1值和召回率，同时保持与RIdiom可比的精度水平，所有指标的每个习惯的数值均始终超过或接近90%。最后，我们将评估扩展到四个新的Pythonic习惯。我们的方法始终优于Prompt-LLM，实现的指标值始终超过90%的准确性、F1值、精度和召回率。

该论文旨在解决Python编程社区中Pythonic习惯用法的问题，即代码习惯化中的三个挑战：代码缺失、错误检测和错误重构。作者提出了一种混合方法，旨在通过ARIs和LLMs的结合来实现更准确、更高效的Pythonic习惯用法检测和重构。

本文提出了一种混合方法，将ARIs和LLMs结合起来，以实现更准确、更高效的Pythonic习惯用法检测和重构。作者首先构建了一个知识模块，包括AST场景、AST组件和条件，然后提示LLMs生成Python代码，用于构建ARIs库。然后，通过ARIs从ARIs库中提取AST组件，并过滤掉不符合条件的组件。最后，通过提示LLMs将非习惯用法的代码重构为习惯用法的代码。

本文的实验结果表明，该方法在九个已建立的Pythonic习惯用法上具有优越的准确性、F1分数和召回率，同时保持与RIdiom相当的精度水平。作者还扩展了实验，验证了该方法在四个新的Pythonic习惯用法上的有效性。此外，作者还提供了一个ARIs库，可以用于其他Pythonic习惯用法的检测和重构。实验使用的数据集和代码均已开源。

最近的相关研究包括：《Pythonic：Python编程习惯》、《Python Cookbook》、《Fluent Python》等。