Python高效编程总结（持续更新中）

平时在使用Python编程的过程中，发现很多小技巧，但是对执行时间、占用内存影响非常大，特此在这里总结一下，有新的就会更新，先把遇到的记录在这里。

1.列表list的in操作是经常用到的，也就是判断某个元素是否存在于某个list中，时间复杂度为O（n），n为list中元素的个数

而set的判断in操作时间复杂度为O(1)，这样我们以后在判断某个元素是否存在于list，尤其当这个in操作需要执行多次时，将list转换为set判断，程序会快个O(m)级别，m表示in 的操作次数

比如我们对如下两个代码打印花费的时间结果如下：

wordList=list(range(10**6))
start = time.clock()
"xyz" in wordList
print("Time used:",time.clock() - start)

Time used: 0.014611221267841756

wordList=list(range(10**6))
"xyz" in set(wordList)
start = time.clock()
print("Time used:",time.clock() - start)

Time used: 6.46008993498981e-05

可见时间级别相差10^3级别

总结一下python中list、set和dict数据类型各个操作的时间复杂度：

list的get、set、append、GetLength操作的时间复杂度为O（1），其他一般为O（n）,比如常见的insert、copy、delete、extend、min、max等为O（n）

set的in判断操作为O（n）

dict的in、get、set、delete为O（1），copy为O（n）

参考链接：

三种数据类型各种操作时间复杂度表格比较：

https://blog.csdn.net/acbattle/article/details/97012800

dict和list的in操作时间复杂度比较：

https://blog.csdn.net/wqtltm/article/details/83149070

2. yield生成迭代器代替list，防止占用内存过多

原因为迭代器会一个一个加载，但是list会一次性加载进来

参考链接：

https://www.runoob.com/w3cnote/python-yield-used-analysis.html

3. pandas里面使用stack将一列变成多列：

比如我的数据是这样的：

数据中fir_insec里面一个数字对应sec_insec里面的好几个数字，我想增加若干列，将这两列的数字变成一一对应的关系，使用如下操作：

graph_df_temp = (graph_df.set_index(['fir_insec'])['second_insec_str'] 
                       .str.split(' ', expand=True)
                       .stack()
                       .reset_index(level=1, drop=True)
                       .reset_index(name='second_insec_str'))

最终的结果如下：

参考链接：后面补上

未完待更新