論文の概要: Type Hints in Python Libraries and Frameworks: An Empirical Analysis of Adoption and Maintenance
- arxiv url: http://arxiv.org/abs/2609.02782v1
- Date: Wed, 02 Sep 2026 16:15:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.467863
- Title: Type Hints in Python Libraries and Frameworks: An Empirical Analysis of Adoption and Maintenance
- Title（参考訳）: Pythonライブラリとフレームワークにおける型ヒント:採用とメンテナンスに関する実証分析
- Abstract要約: 我々はPythonライブラリやフレームワークにおける型ヒントの導入、使用、メンテナンス、理性について検討する。
分析されたリポジトリのうち、91%のライブラリが少なくとも1回は型ヒントを使用しているが、採用には矛盾がある。
修正されると、アノテーションはより表現力のある型に移行する傾向がある。
- 参考スコア（独自算出の注目度）: 0.29332247106953097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Context: In Python, type hints allow developers to annotate variables and functions with explicit type information, improving code clarity and reliability. Although type hints are widely available, little is known about how they are adopted and maintained in libraries and frameworks. Objective: We investigate the adoption, usage, maintenance, and rationale of type hints in Python libraries and frameworks. Method: We analyzed 1,000 popular GitHub repositories, identifying libraries and frameworks and extracting their type annotations. We examined annotation coverage, the locations and origins of annotations, their evolution across git histories, and the relationship between developer annotations and types inferred by Pyright. Results: Of the analyzed repositories, 91% of libraries use type hints at least once, although adoption is inconsistent. Among libraries with systematic usage, maintainers prioritize function parameters and return types, with median coverage of 45.8% and 35.9%, respectively, and mainly use built-in types (73.0%). When modified, annotations tend to migrate to more expressive types. Developers annotate members even when Pyright can infer their types, and these annotations often simplify the inferred type. Conclusion: Type hints in Python libraries and frameworks primarily serve as API contracts rather than comprehensive descriptions of implementation details. The findings suggest opportunities for tooling that prioritizes public interfaces, identifies meaningful annotation changes, and supports maintainers in evolving type information.
- Abstract（参考訳）: コンテキスト: Pythonでは、型ヒントによって、変数や関数を明示的な型情報でアノテートすることが可能になり、コードの明確性と信頼性が向上する。
型ヒントは広く提供されているが、ライブラリやフレームワークでどのように採用され、維持されているかはほとんど分かっていない。
目的: Pythonライブラリやフレームワークにおける型ヒントの採用、使用、メンテナンス、理性について検討する。
メソッド: 1000の人気のあるGitHubリポジトリを分析し、ライブラリとフレームワークを特定し、型アノテーションを抽出しました。
アノテーションのカバレッジ,アノテーションの場所と起源,gitヒストリー間の進化,およびPyrightが推測した開発者アノテーションと型との関係について検討した。
結果: 解析されたリポジトリのうち、91%のライブラリが少なくとも1回は型ヒントを使用しているが、採用には矛盾がある。
体系的な使用法を持つライブラリでは、メンテナが関数パラメータと戻り型を優先しており、それぞれ45.8%と35.9%で、主に組み込み型(73.0%)を使用している。
修正されると、アノテーションはより表現力のある型に移行する傾向がある。
開発者は、Pyrightが自身の型を推測できる場合でも、メンバに注釈を付け、これらのアノテーションは、しばしば推論された型を単純化する。
結論: Pythonライブラリやフレームワークの型ヒントは、実装の詳細を包括的に記述するのではなく、APIコントラクトとして機能する。
この結果は、公開インターフェースの優先順位付け、意味のあるアノテーションの変更の特定、型情報の進化におけるメンテナのサポートといったツールの機会を示唆している。
関連論文リスト
- Typify: A Lightweight Usage-driven Static Analyzer for Precise Python Type Inference [7.733270505483109]
Pythonの動的型システムは静的解析に重大な課題をもたらす。
使用法駆動の静的解析エンジンであるTypifyを紹介する。
Typifyは、統計的学習に頼ることなく、正確で文脈的に関係のある型情報を推測する。
論文 参考訳（メタデータ） (2026-04-06T18:13:34Z) - Do Developers Read Type Information? An Eye-Tracking Study on TypeScript [4.249448869949738]
静的アノテーション付き型は、開発者が多くのプログラミングタスクを行うのに役立つことが示されている。
これは、開発者がインコードドキュメンテーションとして型アノテーションを使っているためであると仮定されている。
論文 参考訳（メタデータ） (2026-02-04T18:12:59Z) - RightTyper: Effective and Efficient Type Annotation for Python [0.7673339435080445]
RightTyperは実際のプログラムの振る舞いに基づいて正確な型アノテーションを生成する。
RightTyperは高速で空間効率が良いため、平均的なパフォーマンスオーバーヘッドは30%に過ぎません。
論文 参考訳（メタデータ） (2025-07-21T20:37:35Z) - How Do Developers Use Type Inference: An Exploratory Study in Kotlin [3.382017614888546]
KotlinはAndroid開発のデフォルト言語であり、最大のソフトウェアマーケットプレースのひとつです。
ソフトウェアリポジトリをマイニングするツールであるBoaを用いて,大規模な実証的研究を行う。
この結果,ローカル変数や変数に対して,ファイル外でメソッド呼び出しが宣言される場合,型推論が頻繁に使用されることがわかった。
論文 参考訳（メタデータ） (2024-10-30T18:07:21Z) - Generative Type Inference for Python [62.01560866916557]
本稿では静的解析から静的ドメイン知識を取り入れた数ショットの生成型推論手法であるTypeGenを紹介する。
TypeGenは、静的解析の型推論ステップを、型依存グラフ(TDG)に基づいたプロンプトに変換することで、COTプロンプトを生成する。
実験の結果、TypeGenは引数型予測では10.0%、Top-1 Exact Matchでは22.5%で最高のベースラインであるType4Pyを上回っている。
論文 参考訳（メタデータ） (2023-07-18T11:40:31Z) - TypeT5: Seq2seq Type Inference using Static Analysis [51.153089609654174]
本稿では,型予測をコード入力タスクとして扱う新しい型推論手法を提案する。
本手法では静的解析を用いて,型シグネチャがモデルによって予測されるコード要素毎に動的コンテキストを構築する。
また,モデルの入力コンテキストに事前の型予測を組み込んだ反復復号方式を提案する。
論文 参考訳（メタデータ） (2023-03-16T23:48:00Z) - Selective Annotation Makes Language Models Better Few-Shot Learners [97.07544941620367]
大規模な言語モデルはコンテキスト内学習を実行でき、いくつかのタスクデモから新しいタスクを学ぶことができる。
本研究は、新しい自然言語タスクのためのデータセット作成において、文脈内学習がもたらす意味について考察する。
本稿では,無教師付きグラフベースの選択的アノテーションであるvoke-kを提案する。
論文 参考訳（メタデータ） (2022-09-05T14:01:15Z) - Annotation Error Detection: Analyzing the Past and Present for a More
Coherent Future [63.99570204416711]
我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。
アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。
私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
論文 参考訳（メタデータ） (2022-06-05T22:31:45Z) - Type4Py: Deep Similarity Learning-Based Type Inference for Python [9.956021565144662]
類似度学習に基づくpythonの型推論モデルであるtype4pyを提案する。
高次元空間における同種の型と異種の型を区別することを学ぶ階層的ニューラルネットワークモデルを設計する。
Top-1の予測を考えると、Type4PyはTypilusとTypeWriterよりも19.33%、13.49%高い精度である。
論文 参考訳（メタデータ） (2021-01-12T13:32:53Z) - pyBART: Evidence-based Syntactic Transformations for IE [52.93947844555369]
pyBARTは、英語のUD木を拡張UDグラフに変換するためのオープンソースのPythonライブラリである。
パターンに基づく関係抽出のシナリオで評価すると、より少ないパターンを必要としながら、より高精細なUDよりも高い抽出スコアが得られる。
論文 参考訳（メタデータ） (2020-05-04T07:38:34Z) - LambdaNet: Probabilistic Type Inference using Graph Neural Networks [46.66093127573704]
本稿では,グラフニューラルネットワークに基づくTypeScriptの確率型推論手法を提案する。
弊社のアプローチでは、数値や文字列などの標準型と、トレーニング中に遭遇していないユーザ定義型の両方を予測できる。
論文 参考訳（メタデータ） (2020-04-29T17:48:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。