改进 Python 代码的高级技巧-Python教程-PHP中文网

Advanced Tips to Improve Your Python Code

Python 的简单性使开发人员能够快速编写函数式程序，但先进的技术可以使您的代码更加高效、可维护和优雅。这些高级技巧和示例将把您的 Python 技能提升到一个新的水平。

1. 利用生成器提高内存效率

处理大型数据集时，使用生成器而不是列表来节省内存：

# List consumes memory upfront
numbers = [i**2 for i in range(1_000_000)]

# Generator evaluates lazily
numbers = (i**2 for i in range(1_000_000))

# Iterate over the generator
for num in numbers:
    print(num)  # Processes one item at a time

登录后复制

原因： 生成器即时创建项目，避免了将整个序列存储在内存中的需要。

2. 使用数据类来简化类

对于主要存储数据的类，数据类减少了样板代码：

from dataclasses import dataclass

@dataclass
class Employee:
    name: str
    age: int
    position: str

# Instead of defining __init__, __repr__, etc.
emp = Employee(name="Alice", age=30, position="Engineer")
print(emp)  # Employee(name='Alice', age=30, position='Engineer')

登录后复制

为什么：数据类自动处理 __init__ 、 __repr__ 和其他方法。

3.掌握上下文管理器（带语句）

自定义上下文管理器简化资源管理：

from contextlib import contextmanager

@contextmanager
def open_file(file_name, mode):
    file = open(file_name, mode)
    try:
        yield file
    finally:
        file.close()

# Usage
with open_file("example.txt", "w") as f:
    f.write("Hello, world!")

登录后复制

原因：即使发生异常，上下文管理器也能确保正确的清理（例如，关闭文件）。

4。利用函数注释
注释提高了清晰度并支持静态分析：

def calculate_area(length: float, width: float) -> float:
    return length * width

# IDEs and tools like MyPy can validate these annotations
area = calculate_area(5.0, 3.2)

登录后复制

原因：注释使代码自我记录并帮助在开发过程中捕获类型错误。

5.应用装饰器以实现代码重用

装饰器在不改变原始功能的情况下扩展或修改功能：

def log_execution(func):
    def wrapper(*args, **kwargs):
        print(f"Executing {func.__name__} with {args}, {kwargs}")
        return func(*args, **kwargs)
    return wrapper

@log_execution
def add(a, b):
    return a + b

result = add(3, 5)
# Output: Executing add with (3, 5), {}

登录后复制

原因：装饰器减少了日志记录、身份验证或计时功能等任务的重复。

6. 使用 functools 实现高阶功能

functools 模块简化了复杂的函数行为：

from functools import lru_cache

@lru_cache(maxsize=100)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

print(fibonacci(50))  # Efficient due to caching

登录后复制

原因：像 lru_cache 这样的函数通过记住昂贵的函数调用的结果来优化性能。

7.了解收藏的力量

集合模块提供高级数据结构：

from collections import defaultdict, Counter

# defaultdict with default value
word_count = defaultdict(int)
for word in ["apple", "banana", "apple"]:
    word_count[word] += 1
print(word_count)  # {'apple': 2, 'banana': 1}

# Counter for frequency counting
freq = Counter(["apple", "banana", "apple"])
print(freq.most_common(1))  # [('apple', 2)]

登录后复制

原因：defaultdict 和 Counter 简化了计算出现次数等任务。

8.使用concurrent.futures进行并行化

对于 CPU 密集型或 IO 密集型任务，并行执行可加快处理速度：

from concurrent.futures import ThreadPoolExecutor

def square(n):
    return n * n

with ThreadPoolExecutor(max_workers=4) as executor:
    results = executor.map(square, range(10))

print(list(results))  # [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

登录后复制

为什么：并发.futures 使多线程和多处理变得更容易。

9。使用pathlib进行文件操作
pathlib 模块提供了一种直观而强大的方法来处理文件路径：

from pathlib import Path

path = Path("example.txt")

# Write to a file
path.write_text("Hello, pathlib!")

# Read from a file
content = path.read_text()
print(content)

# Check if a file exists
if path.exists():
    print("File exists")

登录后复制

原因：与 os 和 os.path 相比，pathlib 更具可读性和通用性。

10. 使用模拟编写单元测试

通过模拟依赖关系来测试复杂系统：

# List consumes memory upfront
numbers = [i**2 for i in range(1_000_000)]

# Generator evaluates lazily
numbers = (i**2 for i in range(1_000_000))

# Iterate over the generator
for num in numbers:
    print(num)  # Processes one item at a time

登录后复制

原因： 模拟隔离了测试中的代码，确保外部依赖项不会干扰您的测试。