1. 易重构
本节对一些Python重整的操作进行对比，
1.1 有放回随机样本和无放回随机样本
随机汇入
random.choices(seq, k= 1 ) #长度为k的串列，有放回采样
random.sample(seq, k) #长度为k的串列，无放回采样1.2 lambda 函式的自变量
很多人学习蟒蛇，不知道从何学起， 很多人学习python，掌握了基本语法之后，不知道在哪里寻找案例上手， 很多已经可能案例的人，却不知道如何去学习更多高深的知识， 那么针对这三类人，我给大家提供一个好的学习平台，免费获取视频教程，电子书，以及课程的源代码！ QQ群：101677771 欢迎加入，一起讨论一起学习
func = lambda y: x + y # x 的值在函式运行时被系结
func = lambda y, x=x: x + y # x 的值在函式定义时被系结1.3 拷贝与深拷贝
import copy
y = copy.copy(x) # 只复制最速
y = copy . deepcopy(x) # 复制所有隐藏部分复制和变量结合时，容易重新组合：
a = [ 1 , 2 , [ 3 , 4 ]]
#别名，
b_alias = a
断言b_alias == a并且b_alias是一个
# 浅拷贝，
b_shallow_copy = a[:]
断言b_shallow_copy ==一个和b_shallow_copy就是 不一个和b_shallow_copy [ 2 ]是一个[ 2 ]
# 深拷贝，
汇入副本
b_deep_copy = copy.deepcopy(a)
断言b_deep_copy ==一个和b_deep_copy就是 不一个和b_deep_copy [ 2 ]是 不一个[ 2 ]对异名的修改影响原变量，（浅）复制中的元素是串列中的元素，而原变量是还原的进行复制，对还原的修改不影响原变量，
1.4 == 和是
x == y # 两参考物件是否有相同的值
x 是 y # 两参考是否关联物件1.5 判断型别
type(a) == int # 忽略面向物件设计中的多型特征
isinstance(a, int) # 考虑了面向物件设计中的多型特征1.6 字符串搜索
str.find(sub, start=None, end=None); str.rfind(...) # 如果找不到回传-1
str.index(sub, start=None, end=None); str.rindex(...) # 如果找不到抛出ValueError例外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开始可以使用~，
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++ 迁移过来的，这两种语言在语法、代码风格等方面有些不同，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 布林值
C/C++ 的习惯是使用 0 和非 0 值表示 True 和 False， Python 建议直接使用 True 和 False 表示布林值，
a = True
b = False2.3 判断为空
C/C++ 对空指标判断的习惯是 if (a) 和 if (!a)，Python 对于 None 的判断是：
if x is None:
pass如果使用 if not x，则会将其他的物件（比如长度为 0 的字符串、串列、元组、字典等）都会被当做 False，
2.4 交换值
C/C++ 的习惯是定义一个临时变量，用来交换值，利用 Python 的 Tuple 操作，可以一步到位，
a, b = b, a2.5 比较
C/C++ 的习惯是用两个条件，利用 Python 可以一步到位，
if 0 < a < 5:
pass2.6 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 函式存取其中的值，在 Python 中虽然也可以通过 @property、@setter、@deleter 设定对应的 Set 和 Get 函式，我们应避免不必要的抽象，这会比直接访问慢 4 - 5 倍，
2.7 函式的输入输出自变量
C/C++ 的习惯是把输入输出自变量都列为函式的自变量，通过指标改变输出自变量的值，函式的回传值是执行状态，函式呼叫方对回传值进行检查，判断是否成功执行，在 Python 中，不需要函式呼叫方进行返回值检查，函式中遇到特殊情况，直接抛出一个例外，
2.8 读档案
相比 C/C++，Python 读档案要简单很多，打开后的档案是一个可迭代物件，每次回传一行内容，
with open(file_path, 'rt', encoding='utf-8') as f:
for line in f:
print(line) # 末尾的\n会保留2.9 档案路径拼接
C/C++ 的习惯通常直接用 + 将路径拼接，这很容易出错，Python 中的 os.path.join 会自动根据作业系统不同补充路径之间的 / 或 \ 分隔符：
import os
os.path.join('usr', 'lib', 'local')2.10 决议命令列选项
虽然 Python 中也可以像 C/C++ 一样使用 sys.argv 直接决议命令列选择，但是使用 argparse 下的 ArgumentParser 工具更加方便，功能更加强大，
2.11 呼叫外部命令
虽然 Python 中也可以像 C/C++ 一样使用 os.system 直接呼叫外部命令，但是使用 subprocess.check_output 可以自由选择是否执行 Shell，也可以获得外部命令执行结果，
import subprocess
# 如果外部命令回传值非0，则抛出subprocess.CalledProcessError例外
result = subprocess.check_output(['cmd', 'arg1', 'arg2']).decode('utf-8')
# 同时收集标准输出和标准错误
result = subprocess.check_output(['cmd', 'arg1', 'arg2'], stderr=subprocess.STDOUT).decode('utf-8')
# 执行shell命令（管道、重定向等），可以使用shlex.quote()将自变量双引号引起来
result = subprocess.check_output('grep python | wc > out', shell=True).decode('utf-8')2.12 不重复造轮子
不要重复造轮子，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 档案
import csv
# 无header的读写
with open(name, 'rt', encoding='utf-8', newline='') as f: # newline=''让Python不将换行统一处理
for row in csv.reader(f):
print(row[0], row[1]) # CSV读到的资料都是str型别
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})注意，当 CSV 档案过大时会报错：_csv.Error: field larger than field limit (131072)，通过修改上限解决
import sys
csv.field_size_limit(sys.maxsize)csv 还可以读以 \t 分割的资料
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时停止迭代
# 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) # 根据selectors每个元素是True或False进行选择
# 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需要先被排序
# groupby(sorted([1, 4, 6, 4, 1])) -> (1, iter1), (4, iter4), (6, iter6)
itertools.permutations(iterable, r=None) # 排列，回传值是Tuple
# permutations('ABCD', 2) -> AB, AC, AD, BA, BC, BD, CA, CB, CD, DA, DB, DC
itertools.combinations(iterable, r=None) # 组合，回传值是Tuple
itertools.combinations_with_replacement(...)
# combinations('ABCD', 2) -> AB, AC, AD, BC, BD, CD多个序列合并：
itertools.chain(*iterables) # 多个序列直接拼接
# chain('ABC', 'DEF') -> A, B, C, D, E, F
import heapq
heapq.merge(*iterables, key=None, reverse=False) # 多个序列按顺序拼接
# merge('ABF', 'CDE') -> A, B, C, D, E, F
zip(*iterables) # 当最短的序列耗尽时停止，结果只能被消耗一次
itertools.zip_longest(*iterables, fillvalue=https://www.cnblogs.com/sn520/archive/2022/01/04/None) # 当最长的序列耗尽时停止，结果只能被消耗一次3.3 计数器
计数器可以统计一个可迭代物件中每个元素出现的次数，
import collections
# 创建
collections.Counter(iterable)
# 频次
collections.Counter[key] # key出现频次
# 回传n个出现频次最高的元素和其对应出现频次，如果n为None，回传所有元素
collections.Counter.most_common(n=None)
# 插入/更新
collections.Counter.update(iterable)
counter1 + counter2; counter1 - counter2 # counter加减
# 检查两个字符串的组成元素是否相同
collections.Counter(list1) == collections.Counter(list2)3.4 带默认值的 Dict
当访问不存在的 Key 时，defaultdict 会将其设定为某个默认值，
import collections
collections.defaultdict(type) # 当第一次访问dict[key]时，会无自变量呼叫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顺序4. 高性能编程和除错
4.1 输出错误和警告信息
向标准错误输出信息
import sys
sys.stderr.write('')输出警告信息
import warnings
warnings.warn(message, category=UserWarning)
# category的取值有DeprecationWarning, SyntaxWarning, RuntimeWarning, ResourceWarning, FutureWarning控制警告讯息的输出
$ python -W all # 输出所有警告，等同于设定warnings.simplefilter('always')
$ python -W ignore # 忽略所有警告，等同于设定warnings.simplefilter('ignore')
$ python -W error # 将所有警告转换为例外，等同于设定warnings.simplefilter('error')4.2 代码中测验
有时为了除错，我们想在代码中加一些代码，通常是一些 print 陈述句，可以写为：
# 在代码中的debug部分
if __debug__:
pass一旦除错结束，通过在命令列执行 -O 选项，会忽略这部分代码：
$ python -0 main.py4.3 代码风格检查
使用 pylint 可以进行不少的代码风格和语法检查，能在运行之前发现一些错误
pylint main.py4.4 代码耗时
耗时测验
$ python -m cProfile main.py测验某代码块耗时
# 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))
# 代码块耗时测验
with timeblock('counting'):
pass代码耗时优化的一些原则
- 专注于优化产生性能瓶颈的地方，而不是全部代码，
- 避免使用全域变量，区域变量的查找比全域变量更快，将全域变量的代码定义在函式中运行通常会快 15%-30%，
- 避免使用.访问属性，使用 from module import name 会更快，将频繁访问的类的成员变量 self.member 放入到一个区域变量中，
- 尽量使用内置资料结构，str, list, set, dict 等使用 C 实作，运行起来很快，
- 避免创建没有必要的中间变量，和 copy.deepcopy()，
- 字符串拼接，例如 a + ‘:’ + b + ‘:’ + c 会创造大量无用的中间变量，’:’,join([a, b, c]) 效率会高不少，另外需要考虑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 其他技巧
5.1 argmin 和 argmax
items = [2, 1, 3, 4]
argmin = min(range(len(items)), key=items.__getitem__)argmax同理，
5.2 转置二维串列
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 list5.3 一维串列展开为二维串列
A = [1, 2, 3, 4, 5, 6]
# Preferred.
list(zip(*[iter(A)] * 2))
0 评论