为何多数机器学习包与代码仍使用os模块而非Pathlib？

• 历史遗留与兼容性优先：Pathlib是Python 3.4才正式加入标准库的，而像PyTorch这类大型项目的代码基底早在这之前就已搭建。大量基于os模块的旧代码运行稳定，全面迁移到Pathlib需要修改大量接口逻辑，还要兼顾用户传入字符串路径的传统调用习惯——如果贸然切换，很可能导致现有依赖这些库的用户代码报错，维护成本极高。

• 性能敏感场景的保守选择：虽然绝大多数场景下两者性能差异可以忽略，但在高频路径操作场景（比如PyTorch加载大规模数据集时的循环路径处理），os模块的字符串操作避免了Pathlib对象实例化的额外开销，能带来细微的性能提升。对于追求极致性能的框架来说，这种保守选择是合理的。

• 开发者习惯与生态惯性：资深Python开发者大多在Pathlib出现前就已熟悉os模块的API，写代码时无需额外学习成本；同时，现有教程、文档、社区案例大多基于os模块，库维护者没必要强行切换，除非能带来不可替代的收益。

• 底层交互的便利性：像PyTorch这类包含大量C++底层代码的框架，Python层与C层交互时，字符串/字节串路径的传递比Pathlib对象更直接，不需要额外的类型转换，减少了跨层交互的复杂度。

需要明确的是，Pathlib的面向对象设计确实更简洁，能减少字符串拼接错误、提升代码可读性，个人项目或新启动的小项目非常推荐使用。但大型库的技术选择，往往要在易用性、兼容性、性能之间做平衡，而非只看单一维度的优势。

内容的提问来源于stack exchange，提问作者alexxcollins