python | 改善Python程序建议- Part2

这个系列主要是总结一些《改善python程序的91个建议》的学习笔记，但愿能够对本身和读者有所帮助。本文是该系列第二部分，第一部分请见 Part1

21 多使用else 让程序变的更加pythonic

eg: try-except-else-finally

 

22 异常处理注意点

· 注意异常粒度，不推荐在try中放入过多的代码 最好保持异常粒度的一致性和合理性

· 异常捕获尽可能具体指定，少用Except 使用单独的except 最好可以使用raise将异常抛出

· 注意异常捕获的顺序 (…)

· 使用更为友好的异常信息，遵照异常参数的规范

23 避免finally中可能发生的陷阱

finally中产生新的异常或者执行了return or break 那么临时报错的异常就会丢失，致使异常屏蔽

24 深刻理解None,正确判断对象是否为空

python 如下数据会当作空来处理：

· 常量None 常量False

· 任何形式的数值类型0 eg:0,0L ,0.0,0j

· 空的序列字典,如”(),[],{}

· 当用户定义的类中定义了nonzero()和len()方法,而且该方法返回bool值false或者整数0

   常量None的特殊性体如今它 既不是0orFalse,它就是一个空值对象,数据类型为NoneType，遵循单例模式

   None与任何其余非None的对象比较结果为False None !={}

   通常判断空列表 直接 if list or if len(list)

25 链接字符串应优先使用join而不是+ —-> 字符串规模比较大的时候

26 python 格式化字符串尽可能使用 str.format 而不是%

eg: 

‘xxxx{0}xxxx{1}’.format(n1,n2)

最直接的理由:% 最终会被.format 方式代替

 

27 区别对待可变对象和不可变对象

· 不可变对象: 数字,字符串,元组

· 可变对象 : 字典,列表,字节数

· 注意：列表的切片操做至关于浅拷贝 —>list1=[1,2,3] list2=list1[:] id(list1)!=id(list2)

 

28 使用列表解析 like [x for x in range(10)]

· 代码更简洁

· 效率更高 可是大数据不是最佳的选择,过多的内存消耗可能会致使memoryError

 

29 警戒默认参数潜在的问题

def xxx(xx,a=[]) 不要使用列表等可变类型 def实际是可执行语句 默认参数也会被计算

===>应修改成 def xxx(xx,a=None)

 

30 慎用变长参数

· 使用过于灵活,可能破坏程序的健壮性

· 若是一个函数的参数列表很长,虽然能够经过使用*args 和 **kwargs 来简化函数的定义

   但一般这意味着这个函数能够有更好的实现方式,应该被重构，用一个序列来保存须要传递的参数

适合场景是: 装饰器 读取配置文件

 

31 深刻理解str()和repr()的区别

· str()主要面向用户,目的是可读性,返回可读性强的字符串类型

   repr()面向的是Python解释器or 开发人员,返回值表示python解释器内部的含义

· 在解释器中直接输入a时默认调用repr()函数,而print a 则 调用的是str()

· 通常来讲类中毒定义了__repr__()方法,而__str__()则为可选,没有__str__(),则默认会使用__repr__()

 

32 分清staticmethod和classmethod的适用场景

· 静态方法：实现功能不和实例相关也不和类相关的独立方法,如一些字符验证等,定义在类中能有效将代码组织起来,从而使相关代码的 垂直距离更近,提升代码的 可维护性；固然,若是有一组独立的方法,将其定义在一个模块中,经过模块来访问这些方法也是不错的选择

· 类方法: 减小子类的代码重写, 下降代码的冗余

 

33 字符串的基本用法

· 多行字符串使用下面的方式

s = (
    'aaaaa'
    'bbbb'
    'ccccc'
)

· 3对双引号会把换行符和前导空格当作字符串的一部分

· str.startswith和endswith中匹配参数可使用元组,有一个匹配上就返回T

· 判断字符串包含子串的判断推荐使用 in 和 not in

·  ''.split() ==> [] ''.split(' ') ==> ['']

 

34 按需选择sort()或者sorted()

· sorted()会保留原有列表生成新的列表

· sorted功能很是强大,而sort只能排通常的列表

 

35 使用Counter 进行计数统计

from collections import Counter
some_data = ['a','2',2,4,5,'2','b',4,7,'a',5,'d','a','z']
print Counter(some_data)
>>>Counter({'a': 3, '2': 2, 4: 2, 5: 2, 2: 1, 'b': 1, 7: 1, 'd': 1, 'z': 1})

· Counter类属于字典类的子类，是一个容器对象，主要用来统计散列对象。

# 取值
xx = Counter(some_data)
print xx.['a']

36 单例模式

保证系统中一个类只有一个实例并且该实例易于被外界访问,从而方便对实例个数的控制并节约系统资源

class Test(object):
    is_instance = None
    is_first = True

    def __new__(cls, *args, **kwargs):
        if cls.is_instance == None:
            cls.is_instance = object.__new__(cls)

        return cls.is_instance

    def __init__(self, name):
        if Test.is_first:
            self.name = name
            Test.is_first = False


test1 = Test('lf1')

print(id(test1))       # 2136967041656
print(test1.name)      # lf1

test2 = Test('lf2')     

print(id(test2))        # 2136967041656
print(test2.name)       # lf1

37 利用cProfile 定位性能瓶颈

程序运行慢的缘由有不少，但真正的缘由每每是一两段设计并不那么良好的不起眼的程序。程序性能影响每每符合8/2法则，即20%的代码运行时间占用了80%的总运行时间（实际上，比例要夸张得多，一般是几十行代码占用了95%以上的运行时间）。

profile是python的标准库，能够统计程序里每一函数的运行时间，并提供了多样的报表，cprofile则是它的C实现版本，剖析过程自己须要消耗的资源更少。

## test_cprofile.py
import time
def foo():
    sum = 0
    for i in range(100):
        sum += i
        time.sleep(.5)
    return sum
if __name__ == "__main__":
    foo()

如今使用profile分析这个程序

if __name__ =="__main__":
    import cProfile
    cProfile.run("foo()")

输出以下：

第二种方式：python -m cProfile test_cprofile.py

· cProfile 的统计结果以及各项意义

统计项	意义
ncalls	函数的调用次数
tottime	函数总计运行时间,不含调用的函数运行时间
percall	函数运行一次的平均时间,等于tottime/ncalls
cumtime	函数总计运行时间,含调用的函数运行时间
percall	函数运行一次的平均时间,等于cumtime/ncalls
filename:lineno(function)	函数所在的文件名,函数的行号,函数名

  将cProfile的输出保存到文件,并以各类形式来查看结果.

  1）使用cProfile.run()函数再提供一个实参,就是保存输出的文件名;一样,在命令行参数里,多一个参数,用来保存cProfile的输出

  2）经过pstats模块的另外一个类Stats来解决.

# ....略
if __name__ == "__main__":
    import cProfile
    cProfile.run("foo()", "prof.txt")
    import pstats
    p = pstats.Stats("prof.txt")
    # sort_stats(key,[...]) 以key排序  print_stats()输出结果
    p.sort_stats("time").print_stats()

  sort_stats的key

参数	参数的意义
ncalls	被调用次数
cumulative	函数运行的总时间
file	文件名
module	模块名
pcalls	简单调用统计(兼容旧版,未统计递归调用)
line	行号
name	函数名
nfl	Name,file,line
stdname	标准函数名
time	函数内部运行时间(不计调用子函数的时间)

38 掌握循环优化的基本技巧

· 减小循环内部的计算

# 1
for i in range(iter):
    d = math.sqrt(y)
    j += i*d

# 2   比第一种快 40%~60%
d = math.sqrt(y)
for i in range(iter):
    j += i*d

· 将显式循环改成隐式循环

"""求等差数列1,2,3,...n的和"""
# 1 
sum = 0
n = 10
for i in range(n+1):
    sum = sum + i

print(sum)

# 2   直接用数学知识 n*(n+1)/2  负面影响就是牺牲了代码的可读性 需添加清晰和恰当的注释是很是必要的
n = 10 
print(n*(n+1)/2)

· 在循环中尽可能引用局部变量.在python命名空间中局部变量优先搜索,所以局部变量的查询会比全局变量要快

# 1
x = [10,34,56,78]
def f(x):
    for i in range(len(x)):
        x[i] = math.sin(x[i])
    return x

# 2  性能提升10%~15%
def g(x):
    loc_sin = math.sin
    for i in range(len(x)):
        x[i] = loc_sin(x[i])
    return x

· 关注内层嵌套循环，尽可能将内层循环的计算往上层移，减小内层的计算

# 1
for i in range(len(v1)):
    for j in range(len(v2)):
        x = v1p[i]+ v2[j]

# 2
for i in range(len(v1)):
    vli = v1[i]
    for j in range(len(v2)):
        x = vli + v2[j]

 

参考：

《改善python程序的91个建议》

https://blog.csdn.net/qq_31603575/article/details/80177153

https://www.cnblogs.com/cotyb/p/5452602.html

https://www.cnblogs.com/cotyb/tag/pythonic/

https://medium.freecodecamp.org/an-a-z-of-useful-python-tricks-b467524ee747