def validate_input(data: str | int | float) -> str:
if isinstance(data, str):
if not data.strip():
raise ValueError("String cannot be empty")
return data
elif isinstance(data, (int, float)):
if data < 0:
raise ValueError("Number cannot be negative")
return str(data)
else:
raise TypeError("Unsupported input type")
def display_value(value: int | str) -> None:
print(value)
Any 型：
from typing import Any
def display_value(value: Any) -> None:
print(value)
Q2. Python 3.10 以前與以後的 Union 型是否相容？
是的，兩種寫法是相容的。Python 3.10 引入了新語法，但舊的 Union 寫法仍然可使用。
範例：相容的寫法
from typing import Union
# 舊語法
def old_union(data: Union[int, str]) -> None:
print(data)
# 新語法
def new_union(data: int | str) -> None:
print(data)
Q3. 型別提示會影響執行效能嗎？
不會。型別提示僅作為開發輔助資訊，在執行階段並不會影響程式的效能。它主要用於靜態分析工具與 IDE 的補全提示。 但若搭配像 mypy 這類工具，則有以下好處：
在撰寫階段就能提早發現錯誤。
強化 IDE 的智慧提示與補全功能，提高開發效率。
Q4. Optional 型與 Union 型有何不同？
Optional 型是 Union 型的一種特例，用來表示某個值可以是特定型別或 None。 Union 型範例：
def process_data(data: int | None) -> str:
return str(data) if data is not None else "No data"
Optional 型範例：
from typing import Optional
def process_data(data: Optional[int]) -> str:
return str(data) if data is not None else "No data"
Q5. 靜態分析工具是必要的嗎？
雖然不是強制使用，但非常建議搭配靜態分析工具，能顯著提升程式碼品質與維護效率。
原因如下：
幫助發現潛在錯誤。
提升除錯與開發速度。
在團隊開發中維持一致性。
推薦工具
mypy： 適合嚴格型別檢查。
Pyright： 提供快速且即時的型別分析。
mypy 使用範例
pip install mypy
mypy script.py
總結
本章 FAQ 針對 Union 型常見問題進行說明，包括它與 Any、Optional 的差異，以及靜態工具的實用性。
Union 型與 Any 用途不同，應根據需求選用。
新舊語法相容，開發階段可自由切換。
靜態分析工具有助於提升品質與安全性。
8. 推薦工具與函式庫
mypy：靜態型別檢查工具
什麼是 mypy？ mypy 是一款支援 Python 型別提示的靜態分析工具，能夠驗證 Union 型等型別是否正確。
功能特色
在執行前發現型別錯誤。
協助大型專案維持高品質程式碼。
完全支援 Python 型別提示語法。
安裝方式
pip install mypy
使用範例
from typing import Union
def process_input(data: Union[int, str]) -> str:
return str(data)
process_input(100) # OK
process_input("hello") # OK
process_input(10.5) # 錯誤：型別不符
執行型別檢查
mypy script.py
Pyright：快速型別檢查工具
什麼是 Pyright？ Pyright 是由 Microsoft 開發的 Python 型別檢查工具，特別適合與 VSCode 結合使用，可即時分析程式。
功能特色
高效且快速。
與 VSCode 整合流暢。
支援自動型別推論。
安裝方式
npm install -g pyright
使用範例
def validate_input(data: int | str) -> str:
if isinstance(data, int):
return str(data)
elif isinstance(data, str):
return data
return "Invalid input" # 檢查工具會偵測此問題
Pydantic：資料驗證與型別檢查
什麼是 Pydantic？ Pydantic 是一款可根據型別提示進行資料驗證與序列化的函式庫，非常適合搭配 Union 型處理複雜資料結構。
功能特色
強大支援 JSON 與 API 驗證。
支援自動型別轉換。
能夠定義安全又清晰的資料模型。
安裝方式
pip install pydantic
使用範例
from pydantic import BaseModel
from typing import Union
class Item(BaseModel):
name: str
value: Union[int, float]
item = Item(name="example", value=42)
print(item)
IDE 支援：PyCharm 與 VSCode
現代 IDE 提供完善的型別提示與檢查功能，能提升 Union 型開發效率。
推薦 IDE
PyCharm： 強大的型別提示與警告功能，適合專業開發者。
VSCode： 搭配 Python 與 Pyright 外掛，提供輕量且快速的開發體驗。
總結
透過這些工具與函式庫，可以更有效地利用 Union 型，提升程式安全性與開發效率。 推薦工具整理：
mypy： 嚴格靜態型別檢查。
Pyright： 即時、快速型別分析。
Pydantic： 適合資料模型與驗證處理。
PyCharm / VSCode： 提供強大 IDE 支援。
9. 總結
Union 型的實用性與進化重點
本文從基礎到進階，完整介紹了 Python 中 Union 型的定義、應用與最佳實踐。 以下是本文重點整理：
基本概念：
Union 型可容納多種資料型別，提高靈活性與型別安全。
新舊語法差異：
Python 3.10 以前使用 Union[X, Y]，以後可使用簡潔的 X | Y。
應用場景：
資料分析、API 回應處理、使用者輸入驗證等。
實踐建議：
配合靜態工具檢查型別。
善用型別別名提升可讀性。
建議使用 Python 3.10 以上版本開發
新語法不僅簡潔，還能提升維護效率與可讀性。以下是新語法範例：
def process_input(data: int | str) -> str:
return str(data)
