1. 易混同操作
本节对一些 Python 易混同的操作进行比照。
1.1 有放回随机采样和无放回随机采样
import random
random.choices(seq, k=1) # 长度为 k 的 list,有放回采样
random.sample(seq, k) # 长度为 k 的 list,无放回采样
1.2 lambda 函数的参数
func = lambda y: x + y # x 的值在函数运行时被绑定
func = lambda y, x=x: x + y # x 的值在函数定义时被绑定
1.3 copy 和 deepcopy
import copy
y = copy.copy(x) # 只复制最顶层
y = copy.deepcopy(x) # 复制所有嵌套局部
复制和变量别名联合在一起时,容易混同:
a = [1, 2, [3, 4]]
# Alias.
b_alias = a
assert b_alias == a and b_alias is a
# Shallow copy.
b_shallow_copy = a[:]
assert b_shallow_copy == a and b_shallow_copy is not a and b_shallow_copy[2] is a[2]
# Deep copy.
import copy
b_deep_copy = copy.deepcopy(a)
assert b_deep_copy == a and b_deep_copy is not a and b_deep_copy[2] is not a[2]
对别名的批改会影响原变量,(浅)复制中的元素是原列表中元素的别名,而深层复制是递归的进行复制,对深层复制的批改不影响原变量。
1.4 == 和 is
x == y # 两援用对象是否有雷同值
x is y # 两援用是否指向同一对象
1.5 判断类型
type(a) == int # 疏忽面向对象设计中的多态特色
isinstance(a, int) # 思考了面向对象设计中的多态特色
1.6 字符串搜寻
str.find(sub, start=None, end=None); str.rfind(...) # 如果找不到返回 -1
str.index(sub, start=None, end=None); str.rindex(...) # 如果找不到抛出 ValueError 异样
1.7 List 后向索引
这个只是习惯问题,前向索引时下标从 0 开始,如果反向索引也想从 0 开始能够应用~。
print(a[-1], a[-2], a[-3])
print(a[~0], a[~1], a[~2])
2. C/C++ 用户使用指南
不少 Python 的用户是从以前 C/C++ 迁徙过去的,这两种语言在语法、代码格调等方面有些不同,本节简要进行介绍。
2.1 很大的数和很小的数
C/C++ 的习惯是定义一个很大的数字,Python 中有 inf 和 -inf:
a = float('inf')
b = float('-inf')
2.2 布尔值
C/C++ 的习惯是应用 0 和非 0 值示意 True 和 False,Python 倡议间接应用 True 和 False 示意布尔值。
a = True
b = False
2.3 判断为空
C/C++ 对空指针判断的习惯是 if (a) 和 if (!a)。Python 对于 None 的判断是:
if x is None:
pass
如果应用 if not x,则会将其余的对象(比方长度为 0 的字符串、列表、元组、字典等)都会被当做 False。
2.4 替换值
C/C++ 的习惯是定义一个长期变量,用来替换值。利用 Python 的 Tuple 操作,能够一步到位。
a, b = b, a
2.5 比拟
C/C++ 的习惯是用两个条件。利用 Python 能够一步到位。
if 0 < a < 5:
pass
2.6 类成员的 Set 和 Get
C/C++ 的习惯是把类成员设为 private,通过一系列的 Set 和 Get 函数存取其中的值。在 Python 中尽管也能够通过 @property、@setter、@deleter 设置对应的 Set 和 Get 函数,咱们应防止不必要的形象,这会比间接拜访慢 4 – 5 倍。
2.7 函数的输入输出参数
C/C++ 的习惯是把输入输出参数都列为函数的参数,通过指针扭转输入参数的值,函数的返回值是执行状态,函数调用方对返回值进行查看,判断是否胜利执行。在 Python 中,不须要函数调用方进行返回值查看,函数中遇到非凡状况,间接抛出一个异样。
2.8 读文件
相比 C/C++,Python 读文件要简略很多,关上后的文件是一个可迭代对象,每次返回一行内容。
with open(file_path, 'rt', encoding='utf-8') as f:
for line in f:
print(line) # 开端的 \n 会保留
2.9 文件门路拼接
C/C++ 的习惯通常间接用 + 将门路拼接,这很容易出错,Python 中的 os.path.join 会主动依据操作系统不同补充门路之间的 / 或 \ 分隔符:
import os
os.path.join('usr', 'lib', 'local')
2.10 解析命令行选项
尽管 Python 中也能够像 C/C++ 一样应用 sys.argv 间接解析命令行抉择,然而应用 argparse 下的 ArgumentParser 工具更加不便,性能更加弱小。
2.11 调用外部命令
尽管 Python 中也能够像 C/C++ 一样应用 os.system 间接调用外部命令,然而应用 subprocess.check_output 能够自由选择是否执行 Shell,也能够取得外部命令执行后果。
import subprocess
# 如果外部命令返回值非 0,则抛出 subprocess.CalledProcessError 异样
result = subprocess.check_output(['cmd', 'arg1', 'arg2']).decode('utf-8')
# 同时收集规范输入和规范谬误
result = subprocess.check_output(['cmd', 'arg1', 'arg2'], stderr=subprocess.STDOUT).decode('utf-8')
# 执行 shell 命令(管道、重定向等),能够应用 shlex.quote() 将参数双引号引起来
result = subprocess.check_output('grep python | wc > out', shell=True).decode('utf-8')
2.12 不反复造轮子
不要反复造轮子,Python 称为 batteries included 即是指 Python 提供了许多常见问题的解决方案。
3. 常用工具
3.1 读写 CSV 文件
import csv
# 无 header 的读写
with open(name, 'rt', encoding='utf-8', newline='') as f: # newline='' 让 Python 不将换行对立解决
for row in csv.reader(f):
print(row[0], row[1]) # CSV 读到的数据都是 str 类型
with open(name, mode='wt') as f:
f_csv = csv.writer(f)
f_csv.writerow(['symbol', 'change'])
# 有 header 的读写
with open(name, mode='rt', newline='') as f:
for row in csv.DictReader(f):
print(row['symbol'], row['change'])
with open(name, mode='wt') as f:
header = ['symbol', 'change']
f_csv = csv.DictWriter(f, header)
f_csv.writeheader()
f_csv.writerow({'symbol': xx, 'change': xx})
留神,当 CSV 文件过大时会报错:_csv.Error: field larger than field limit (131072),通过批改下限解决
import sys
csv.field_size_limit(sys.maxsize)
csv 还能够读以 \t 宰割的数据
f = csv.reader(f, delimiter='\t')
3.2 迭代器工具
itertools 中定义了很多迭代器工具,例如子序列工具:
import itertools
itertools.islice(iterable, start=None, stop, step=None)
# islice('ABCDEF', 2, None) -> C, D, E, F
itertools.filterfalse(predicate, iterable) # 过滤掉 predicate 为 False 的元素
# filterfalse(lambda x: x < 5, [1, 4, 6, 4, 1]) -> 6
itertools.takewhile(predicate, iterable) # 当 predicate 为 False 时进行迭代
# takewhile(lambda x: x < 5, [1, 4, 6, 4, 1]) -> 1, 4
itertools.dropwhile(predicate, iterable) # 当 predicate 为 False 时开始迭代
# dropwhile(lambda x: x < 5, [1, 4, 6, 4, 1]) -> 6, 4, 1
itertools.compress(iterable, selectors) # 依据 selectors 每个元素是 True 或 False 进行抉择
# compress('ABCDEF', [1, 0, 1, 0, 1, 1]) -> A, C, E, F
序列排序:
sorted(iterable, key=None, reverse=False)
itertools.groupby(iterable, key=None) # 按值分组,iterable 须要先被排序
# groupby(sorted([1, 4, 6, 4, 1])) -> (1, iter1), (4, iter4), (6, iter6)
itertools.permutations(iterable, r=None) # 排列,返回值是 Tuple
# permutations('ABCD', 2) -> AB, AC, AD, BA, BC, BD, CA, CB, CD, DA, DB, DC
itertools.combinations(iterable, r=None) # 组合,返回值是 Tuple
itertools.combinations_with_replacement(...)
# combinations('ABCD', 2) -> AB, AC, AD, BC, BD, CD
多个序列合并:
itertools.chain(*iterables) # 多个序列间接拼接
# chain('ABC', 'DEF') -> A, B, C, D, E, F
import heapq
heapq.merge(*iterables, key=None, reverse=False) # 多个序列按程序拼接
# merge('ABF', 'CDE') -> A, B, C, D, E, F
zip(*iterables) # 当最短的序列耗尽时进行,后果只能被耗费一次
itertools.zip_longest(*iterables, fillvalue=None) # 当最长的序列耗尽时进行,后果只能被耗费一次
3.3 计数器
计数器能够统计一个可迭代对象中每个元素呈现的次数。
import collections
# 创立
collections.Counter(iterable)
# 频次
collections.Counter[key] # key 呈现频次
# 返回 n 个呈现频次最高的元素和其对应呈现频次,如果 n 为 None,返回所有元素
collections.Counter.most_common(n=None)
# 插入 / 更新
collections.Counter.update(iterable)
counter1 + counter2; counter1 - counter2 # counter 加减
# 查看两个字符串的组成元素是否雷同
collections.Counter(list1) == collections.Counter(list2)
3.4 带默认值的 Dict
当拜访不存在的 Key 时,defaultdict 会将其设置为某个默认值。
import collections
collections.defaultdict(type) # 当第一次拜访 dict[key] 时,会无参数调用 type,给 dict[key] 提供一个初始值
3.5 有序 Dict
import collections
collections.OrderedDict(items=None) # 迭代时保留原始插入程序
4. 高性能编程和调试
4.1 输入谬误和正告信息
向规范谬误输入信息
import sys
sys.stderr.write('')
输入正告信息
import warnings
warnings.warn(message, category=UserWarning)
# category 的取值有 DeprecationWarning, SyntaxWarning, RuntimeWarning, ResourceWarning, FutureWarning
管制正告音讯的输入
$ python -W all # 输入所有正告,等同于设置 warnings.simplefilter('always')
$ python -W ignore # 疏忽所有正告,等同于设置 warnings.simplefilter('ignore')
$ python -W error # 将所有正告转换为异样,等同于设置 warnings.simplefilter('error')
4.2 代码中测试
有时为了调试,咱们想在代码中加一些代码,通常是一些 print 语句,能够写为:
# 在代码中的 debug 局部
if __debug__:
pass
一旦调试完结,通过在命令行执行 -O 选项,会疏忽这部分代码:
$ python -0 main.py
4.3 代码格调查看
应用 pylint 能够进行不少的代码格调和语法查看,能在运行之前发现一些谬误
pylint main.py
4.4 代码耗时
耗时测试
$ python -m cProfile main.py
测试某代码块耗时
# 代码块耗时定义
from contextlib import contextmanager
from time import perf_counter
@contextmanager
def timeblock(label):
tic = perf_counter()
try:
yield
finally:
toc = perf_counter()
print('%s : %s' % (label, toc - tic))
# 代码块耗时测试
with timeblock('counting'):
pass
代码耗时优化的一些准则
- 专一于优化产生性能瓶颈的中央,而不是全副代码。
- 防止应用全局变量。局部变量的查找比全局变量更快,将全局变量的代码定义在函数中运行通常会快 15%-30%。
- 防止应用. 拜访属性。应用 from module import name 会更快,将频繁拜访的类的成员变量 self.member 放入到一个局部变量中。
- 尽量应用内置数据结构。str, list, set, dict 等应用 C 实现,运行起来很快。
- 防止创立没有必要的两头变量,和 copy.deepcopy()。
- 字符串拼接,例如 a + ‘:’ + b + ‘:’ + c 会发明大量无用的两头变量,’:’,join([a, b, c]) 效率会高不少。另外须要思考字符串拼接是否必要,例如 print(‘:’.join([a, b, c])) 效率比 print(a, b, c, sep=’:’) 低。
5. Python 其余技巧
5.1 argmin 和 argmax
items = [2, 1, 3, 4]
argmin = min(range(len(items)), key=items.__getitem__)
argmax 同理。
5.2 转置二维列表
A = [['a11', 'a12'], ['a21', 'a22'], ['a31', 'a32']]
A_transpose = list(zip(*A)) # list of tuple
A_transpose = list(list(col) for col in zip(*A)) # list of list
5.3 一维列表开展为二维列表
A = [1, 2, 3, 4, 5, 6]
# Preferred.
list(zip(*[iter(A)] * 2))
以上就是本次分享的所有内容,如果你感觉文章还不错,欢送关注公众号:Python 编程学习圈 ,每日干货分享,发送“J”还可支付大量学习材料。或是返回编程学习网,理解更多编程技术常识。