技巧大集合，熬夜总结53个Python使用技巧和攻击方法

　　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
　　私信小编01即可获取大量python学习资源随机导入 random.choices(seq, k= 1 )   #长度为k的列表，有放回采样 random.sample(seq, k)      #长度为k的列表，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 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。 导入副本 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）复制中的元素是列表中的元素，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   # 两引用对象是否有相同的值 x 是 y   # 两引用是否关联对象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. 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 布尔值
　　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 表示布尔值。  a = True b = False2.3 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
　　如果使用 if not x，则会将其他的对象（比如长度为 0 的字符串、列表、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 函数存取其中的值。在 Python 中虽然也可以通过 @property、@setter、@deleter 设置对应的 Set 和 Get 函数，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，通过指针改变输出参数的值，函数的返回值是执行状态，函数调用方对返回值进行检查，判断是否成功执行。在 Python 中，不需要函数调用方进行返回值检查，函数中遇到特殊情况，直接抛出一个异常。  2.8 读文件
　　相比 C/C++，Python 读文件要简单很多，打开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)       # 末尾的 会保留2.9 文件路径拼接
　　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 会自动根据操作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 解析命令行选项
　　虽然 Python 中也可以像 C/C++ 一样使用 sys.argv 直接解析命令行选择，但是使用 argparse 下的 ArgumentParser 工具更加方便，功能更加强大。  2.11 调用外部命令
　　虽然 Python 中也可以像 C/C++ 一样使用 os.system 直接调用外部命令，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 # 如果外部命令返回值非0，则抛出subprocess.CalledProcessError异常 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()将参数双引号引起来 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 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 	 分割的数据  f = csv.reader(f, delimiter=＂	＂)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，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3.3 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)3.4 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3.5 有序 Dictimport collections collections.OrderedDict(items=None)  # 迭代时保留原始插入顺序4. 高性能编程和调试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＂)4.2 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.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。  5. Python 其他技巧5.1 argmin 和 argmaxitems = [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 list5.3 一维列表展开为二维列表A = [1, 2, 3, 4, 5, 6]  # Preferred. list(zip(*[iter(A)] * 2))