满满干货！20个Python使用的小技巧

　　1. 易混淆操作
　　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，而深层复制是递归地进行复制，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 	 分割的数据 f = csv.reader(f, delimiter=＂	＂)
　　2.2 迭代器工具
　　itertools 重新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。局部变量地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更快 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))