เขียน Python ให้เป็นระบบ: จากโค้ดทดลองสู่โค้ดที่อ่านง่าย

ถ้าคุณเริ่มจากการเขียน Python แบบลองผิดลองถูก คุณอาจรู้สึกว่าโค้ดมัน “รันได้” ก็พอแล้ว แต่พอโปรเจกต์เริ่มใหญ่ขึ้น ความยุ่งจะเริ่มตามมาอย่างรวดเร็ว: ตัวแปรกระจัดกระจาย ฟังก์ชันยาวเกินไป และแก้จุดหนึ่งแล้วพังอีกจุดหนึ่ง

บทความนี้จะช่วยเปลี่ยนมุมมองจากการ “เขียนให้รันได้” ไปสู่การ “เขียนให้ดูแลต่อได้” ซึ่งเป็นทักษะที่สำคัญมากสำหรับงานจริง ไม่ว่าจะเป็นงานวิเคราะห์ข้อมูล ระบบอัตโนมัติ เว็บแอป หรือ AI

1) เริ่มจากการคิดให้ชัดก่อนเขียน

ก่อนแตะ keyboard ให้ตอบคำถาม 3 ข้อนี้ให้ได้:

• อินพุตคืออะไร
• เอาต์พุตต้องการอะไร
• ขั้นตอนกลางมีอะไรบ้าง

ตัวอย่างเช่น ถ้าโจทย์คือ “รับรายชื่อคะแนนแล้วหาค่าเฉลี่ย” เราควรแยกความคิดออกเป็น: รับข้อมูล, ตรวจข้อมูล, คำนวณ, และแสดงผล

scores = [85, 92, 78, 90]
average = sum(scores) / len(scores)
print(f"ค่าเฉลี่ยคือ {average:.2f}")

โค้ดแบบนี้สั้น แต่ถ้าต้องรับข้อมูลจากไฟล์หรือ API เราควรแยกเป็นฟังก์ชันย่อยเพื่อให้ทดสอบได้ง่าย

2) ใช้ฟังก์ชันเพื่อแบ่งความรับผิดชอบ

ฟังก์ชันที่ดีควรทำหน้าที่เดียวและชื่อควรสื่อความหมายชัดเจน เช่น load_data(), clean_text(), calculate_average()

def calculate_average(values: list[float]) -> float:
  if not values:
    raise ValueError("values must not be empty")
  return sum(values) / len(values)


def format_report(student_name: str, scores: list[float]) -> str:
  avg = calculate_average(scores)
  return f"{student_name}: ค่าเฉลี่ย {avg:.2f}"

เมื่อฟังก์ชันเล็กลง เราจะอ่านง่ายขึ้น และหาจุดผิดพลาดได้เร็วขึ้นมาก

3) จัดโครงสร้างโปรเจกต์ตั้งแต่ต้น

สำหรับโปรเจกต์จริง ควรแยกไฟล์ตามหน้าที่ เช่น:

project/
  app.py
  src/
    data.py
    services.py
    utils.py
  tests/
    test_services.py

ข้อดีคือคุณไม่ต้องยัดทุกอย่างไว้ในไฟล์เดียว และทีมงานคนอื่นจะเข้าใจโครงสร้างได้ทันที

4) ใช้ virtual environment ทุกครั้ง

Python มักทำให้มือใหม่พลาดเรื่อง dependency ได้ง่าย ถ้าไม่แยก environment โปรเจกต์หนึ่งอาจไปกระทบอีกโปรเจกต์หนึ่ง

python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

การแยก environment ช่วยให้ติดตั้งแพ็กเกจได้เป็นระเบียบ และทำให้โปรเจกต์ reproduce ได้ง่ายขึ้น

5) เขียนโค้ดที่อ่านได้ก่อน แล้วค่อย optimize

หลายคนพยายามเขียนโค้ดให้เร็วที่สุดตั้งแต่แรก แต่สิ่งที่สำคัญกว่าคือความชัดเจน

แนวทางที่ควรจำ:

• ใช้ชื่อตัวแปรที่อธิบายตัวเองได้
• อย่าเขียน nested ซ้อนกันลึกเกินไป
• ถ้า logic เริ่มยาว ให้แตกเป็นฟังก์ชัน
• ใส่ type hint เมื่อเริ่มทำงานกับข้อมูลซับซ้อน

def normalize_name(name: str) -> str:
    return name.strip().title()

6) ทดสอบด้วยข้อมูลเล็ก ๆ ก่อนเสมอ

ก่อนเอาโค้ดไปรันกับข้อมูลจริงจำนวนมาก ให้ลองกับชุดข้อมูลเล็ก ๆ เพื่อดูว่าผลลัพธ์ถูกต้องไหม

assert calculate_average([10, 20, 30]) == 20

ถ้าเริ่มจาก test เล็ก ๆ คุณจะจับบั๊กได้ก่อนที่มันจะกลายเป็นปัญหาใหญ่

สรุป

Python ที่ดีไม่ใช่แค่โค้ดที่รันผ่าน แต่ต้องเป็นโค้ดที่ทีมอื่นอ่านต่อได้ คุณกลับมาแก้ได้ในอีก 3 เดือน และขยายต่อได้เมื่อ requirement เปลี่ยน

ถ้าคุณฝึก 6 เรื่องนี้บ่อย ๆ คือ การคิดให้ชัด, แยกฟังก์ชัน, จัดโครงสร้างโปรเจกต์, ใช้ virtual environment, เขียนให้อ่านง่าย และทดสอบก่อนเสมอ คุณจะยกระดับจากผู้เริ่มต้นไปสู่คนที่ทำโปรเจกต์จริงได้เร็วมาก