干货，Python使用技巧整理

干货，Python使用技巧整理

💝💝💝欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。

推荐:Linux运维老纪的首页,持续学习,不断总结,共同进步,活到老学到老
导航剑指大厂系列:全面总结 运维核心技术:系统基础、数据库、网路技术、系统安全、自动化运维、容器技术、监控工具、脚本编程、云服务等。
常用运维工具系列:常用的运维开发工具, zabbix、nagios、docker、k8s、puppet、ansible等
数据库系列:详细总结了常用数据库 mysql、Redis、MongoDB、oracle 技术点,以及工作中遇到的 mysql 问题等
懒人运维系列:总结好用的命令,解放双手不香吗?能用一个命令完成绝不用两个操作
数据结构与算法系列:总结数据结构和算法,不同类型针对性训练,提升编程思维,剑指大厂
非常期待和您一起在这个小小的网络世界里共同探索、学习和成长。💝💝💝 ✨✨ 欢迎订阅本专栏 ✨✨

本节对一些 Python 易混淆的操作进行对比。

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) # 复制所有嵌套部分

复制和变量别名结合在一起时，容易混淆：

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]

对别名的修改会影响原变量，（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，对深层复制的修改不影响原变量。

1.4 == 和 is

x == y # 两引用对象是否有相同值

x is y # 两引用是否指向同一对象

1.5 判断类型

type(a) == int # 忽略面向对象设计中的多态特征

isinstance(a, int) # 考虑了面向对象设计中的多态特征

1.6 字符串搜索

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异常

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. 常用工具

2.1 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不将换行统一处理

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})

注意，当 CSV 文件过大时会报错：_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 分割的数据

f = csv.reader(f, delimiter=‘\t’)

2.2 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，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=None) # 当最长的序列耗尽时停止，结果只能被消耗一次

2.3 计数器

计数器可以统计一个可迭代对象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

# 返回n个出现频次最高的元素和其对应出现频次，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

# 检查两个字符串的组成元素是否相同

collections.Counter(list1) == collections.Counter(list2)

2.4 带默认值的 Dict

当访问不存在的 Key 时，defaultdict 会将其设置为某个默认值。

import collections

collections.defaultdict(type) # 当第一次访问dict[key]时，会无参数调用type，给dict[key]提供一个初始值

2.5 有序 Dict

import collections

collections.OrderedDict(items=None) # 迭代时保留原始插入顺序

3. 高性能编程和调试

3.1 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

控制警告消息的输出

$ python -W all # 输出所有警告，等同于设置warnings.simplefilter(‘always’)

$ python -W ignore # 忽略所有警告，等同于设置warnings.simplefilter(‘ignore’)

$ python -W error # 将所有警告转换为异常，等同于设置warnings.simplefilter(‘error’)

3.2 代码中测试

有时为了调试，我们想在代码中加一些代码，通常是一些 print 语句，可以写为：

# 在代码中的debug部分

if debug:

pass

一旦调试结束，通过在命令行执行 -O 选项，会忽略这部分代码：

$ python -0 main.py

3.3 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.py

3.4 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%。

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 放入到一个局部变量中。

尽量使用内置数据结构。str, list, set, dict 等使用 C 实现，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。

4. Python 其他技巧

4.1 argmin 和 argmax

items = [2, 1, 3, 4]

argmin = min(range(len(items)), key=items.getitem)

argmax同理。

4.2 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

4.3 一维列表展开为二维列表

A = [1, 2, 3, 4, 5, 6]

# Preferred.

list(zip(*[iter(A)] * 2))