Python经典的使用技巧有哪些

这篇文章主要介绍了Python经典的使用技巧有哪些的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇Python经典的使用技巧有哪些文章都会有所收获，下面我们一起来看看吧。关于 Python 如何精确地测量程序的执行时间，这个问题看起来简单其实很复杂，因为程序的执行时间受到很多因素的影响，例如操作系统、Python 版本以及相关硬件（CPU 性能、内存读写速度）等。在同一台电脑上运行相同版本的语言时，上述因素就是确定的了，但是程序的睡眠时间依然是变化的，且电脑上正在运行的其他程序也会对实验有干扰，因此严格来说这就是《实验不可重复》。我了解到的关于计时比较有代表性的两个库就是time和timeit。其中，time库中有time()、perf_counter()以及process_time()三个函数可用来计时（以秒为单位），加后缀_ns表示以纳秒计时（自 Python3.7 始）。在此之前还有clock()函数，但是在 Python3.3 之后被移除了。上述三者的区别如下：time()精度上相对没有那么高，而且受系统的影响，适合表示日期时间或者大程序的计时。perf_counter()适合小一点的程序测试，会计算sleep()时间。process_time()适合小一点的程序测试，不计算sleep()时间。与time库相比，timeit 有两个优点：timeit 会根据您的操作系统和 Python 版本选择最佳计时器。timeit 在计时期间会暂时禁用垃圾回收。timeit.timeit(stmt=‘pass’, setup=‘pass’, timer=, number=1000000, globals=None) 参数说明：stmt=‘pass’：需要计时的语句或者函数。setup=‘pass’：执行stmt之前要运行的代码。通常，它用于导入一些模块或声明一些必要的变量。timer=：计时器函数，默认为time.perf_counter()。number=1000000：执行计时语句的次数，默认为一百万次。globals=None：指定执行代码的命名空间。本文所有的计时均采用timeit方法，且采用默认的执行次数一百万次。为什么要执行一百万次呢？因为我们的测试程序很短，如果不执行这么多次的话，根本看不出差距。Exp1：将字符串数组中的小写字母转为大写字母。方法一方法二方法一耗时 0.5267724000000005s，方法二耗时 0.41462569999999843s，性能提升 21.29%Exp2：求两个list的交集。方法一方法二方法一耗时 0.9507264000000006s，方法二耗时 0.6148200999999993s，性能提升 35.33%关于set()的语法：|、&、-分别表示求并集、交集、差集。我们可以通过多种方式对序列进行排序，但其实自己编写排序算法的方法有些得不偿失。因为内置的 sort()或 sorted() 方法已经足够优秀了，且利用参数key可以实现不同的功能，非常灵活。二者的区别是sort()方法仅被定义在list中，而sorted()是全局方法对所有的可迭代序列都有效。Exp3：分别使用快排和sort()方法对同一列表排序。方法一方法二方法一耗时 2.4796975000000003s，方法二耗时 0.05551999999999424s，性能提升 97.76%顺带一提，sorted()方法耗时 0.1339823999987857s。可以看出，sort()作为list专属的排序方法还是很强的，sorted()虽然比前者慢一点，但是胜在它“不挑食”，它对所有的可迭代序列都有效。扩展：如何定义sort()或sorted()方法的key1.通过lambda定义2.通过operator定义operator的itemgetter()适用于普通数组排序，attrgetter()适用于对象数组排序3.通过cmp_to_key()定义，最为灵活Exp4：统计字符串中每个字符出现的次数。测试数组：sentence=‘life is short, i choose python’。方法一方法二方法一耗时 2.8105250000000055s，方法二耗时 1.6317423000000062s，性能提升 41.94%列表推导（list comprehension）短小精悍。在小代码片段中，可能没有太大的区别。但是在大型开发中，它可以节省一些时间。Exp5：对列表中的奇数求平方，偶数不变。测试数组：oldlist = range(10)。方法一方法二方法一耗时 1.5342976000000021s，方法二耗时 1.4181957999999923s，性能提升 7.57%大多数人都习惯使用+来连接字符串。但其实，这种方法非常低效。因为，+操作在每一步中都会创建一个新字符串并复制旧字符串。更好的方法是用 join() 来连接字符串。关于字符串的其他操作，也尽量使用内置函数，如isalpha()、isdigit()、startswith()、endswith()等。Exp6：将字符串列表中的元素连接起来。测试数组：oldlist = [‘life’, ‘is’, ‘short’, ‘i’, ‘choose’, ‘python’]。方法一方法二方法一耗时 0.27489080000000854s，方法二耗时 0.08166570000000206s，性能提升 70.29%join还有一个非常舒服的点，就是它可以指定连接的分隔符，举个例子life//is//short//i//choose//pythonExp6：交换x，y的值。测试数据：x, y = 100, 200。方法一方法二方法一耗时 0.027853900000010867s，方法二耗时 0.02398730000000171s，性能提升 13.88%在不知道确切的循环次数时，常规方法是使用while True进行无限循环，在代码块中判断是否满足循环终止条件。虽然这样免费云主机域名做没有任何问题，但while 1的执行速度比while True更快。因为它是一种数值转换，可以更快地生成输出。Exp8：分别用while 1和while True循环 100 次。方法一方法二方法一耗时 3.679268300000004s，方法二耗时 3.607847499999991s，性能提升1.94%将文件存储在高速缓存中有助于快速恢复功能。Python 支持装饰器缓存，该缓存在内存中维护特定类型的缓存，以实现最佳软件驱动速度。我们使用lru_cache装饰器来为斐波那契函数提供缓存功能，在使用fibonacci递归函数时，存在大量的重复计算，例如fibonacci(1)、fibonacci(2)就运行了很多次。而在使用了lru_cache后，所有的重复计算只会执行一次，从而大大提高程序的执行效率。Exp9：求斐波那契数列。测试数据：fibonacci(7)。方法一方法二方法一耗时 3.955014900000009s，方法二耗时 0.05077979999998661s，性能提升 98.72%注意事项：缓存是按照参数作为键，也就说在参数不变时，被lru_cache装饰的函数只会执行一次。所有参数必须可哈希，例如list不能作为被lru_cache装饰的函数的参数。我被执行了（执行了两次demo(1, 2)，却只输出一次）TypeError: unhashable type: ‘list’functools.lru_cache(maxsize=128, typed=False)的两个可选参数：maxsize代表缓存的内存占用值，超过这个值之后，就的结果就会被释放，然后将新的计算结果进行缓存，其值应当设为 2 的幂。typed若为True，则会把不同的参数类型得到的结果分开保存。点运算符(.)用来访问对象的属性或方法，这会引起程序使用__getattribute__()和__getattr__()进行字典查找，从而带来不必要的开销。尤其注意，在循环当中，更要减少点运算符的使用，应该将它移到循环外处理。这启发我们应该尽量使用from … import …这种方式来导包，而不是在需要使用某方法时通过点运算符来获取。其实不光是点运算符，其他很多不必要的运算我们都尽量移到循环外处理。Exp10：将字符串数组中的小写字母转为大写字母。测试数组为 oldlist = [‘life’, ‘is’, ‘short’, ‘i’, ‘choose’, ‘python’]。方法一方法二方法一耗时 0.7235491999999795s，方法二耗时 0.5475435999999831s，性能提升 24.33%当我们知道具体要循环多少次时，使用for循环比使用while循环更好。Exp12：使用for和while分别循环 100 次。方法一方法二方法一耗时 3.894683299999997s，方法二耗时 1.0198077999999953s，性能提升73.82%Numba 可以将 Python 函数编译码为机器码执行，大大提高代码执行速度，甚至可以接近 C 或 FORTRAN 的速度。它能和 Numpy 配合使用，在 for 循环中或存在大量计算时能显著地提高执行效率。Exp12：求从 1 加到 100 的和。方法一方法二方法一耗时 3.7199997000000167s，方法二耗时 0.23769430000001535s，性能提升 93.61%矢量化是 NumPy 中的一种强大功能，可以将操作表达为在整个数组上而不是在各个元素上发生。这种用数组表达式替换显式循环的做法通常称为矢量化。在 Python 中循环数组或任何数据结构时，会涉及很多开销。NumPy 中的向量化操作将内部循环委托给高度优化的 C 和 Fortran 函数，从而使 Python 代码更加快速。Exp13：两个长度相同的序列逐元素相乘。测试数组：a = [1,2,3,4,5], b = [2,4,6,8,10]方法一方法二方法一耗时 0.6706845000000214s，方法二耗时 0.3070132000000001s，性能提升 54.22%若要检查列表中是否包含某成员，通常使用in关键字更快。Exp14：检查列表中是否包含某成员。测试数组：lists = [‘life’, ‘is’, ‘short’, ‘i’, ‘choose’, ‘python’]方法一方法二方法一耗时 0.16038449999999216s，方法二耗时 0.04139250000000061s，性能提升 74.19%itertools是用来操作迭代器的一个模块，其函数主要可以分为三类：无限迭代器、有限迭代器、组合迭代器。Exp15：返回列表的全排列。测试数组：[“Alice”, “Bob”, “Carol”]方法一方法二方法一耗时 3.867292899999484s，方法二耗时 0.3875405000007959s，性能提升 89.98%根据上面的测试数据，我绘制了下面这张实验结果图，可以更加直观的看出不同方法带来的性能差异。
从图中可以看出，大部分的技巧所带来的性能增幅还是比较可观的，但也有少部分技巧的增幅较小（例如编号5、7、8，其中，第 8 条的两种方法几乎没有差异）。总结下来，我觉得其实就是下面这两条原则：内置库函数由专业的开发人员编写并经过了多次测试，很多库函数的底层是用C语言开发的。因此，这些函数总体来说是非常高效的（比如sort()、join()等），自己编写的方法很难超越它们，还不如省省功夫，不要重复造轮子了，何况你造的轮子可能更差。所以，如果函数库中已经存在该函数，就直接拿来用。有很多优秀的第三方库，它们的底层可能是用 C 和 Fortran 来实现的，像这样的库用起来绝对不会吃亏，比如前文提到的 Numpy 和 Numba，它们带来的提升都是非常惊人的。类似这样的库还有很多，比如Cython、PyPy等，这里我只是抛砖引玉。其实加快 Python 代码执行速度的方法还有很多，比如避免使用全局变量、使用最新版本、使用合适的数据结构、利用if条件的惰性等等，我这里就不一一例举了。这些方法都需要我们亲身去实践才会有深刻的感受和理解，但最根本的方法就是保持我们对编程的热情和对最佳实践的追求，这才是我们能不断突破自我、勇攀高峰的不竭动力源泉！关于“Python经典的使用技巧有哪些”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“Python经典的使用技巧有哪些”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注百云主机行业资讯频道。