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。
本文小编为大家详细介绍“vue怎么实现组件内联”,内容详细,步骤清晰,细节处理妥当,希望这篇“vue怎么实现组件内联”文章能帮助大家解决疑惑,下面跟着小编的思路慢慢深入,一起来学习新知识吧。 首先,让我们来了解Vue组件内联的基础知识。Vue组件分为三个部分:…
免责声明:本站发布的图片视频文字,以转载和分享为主,文章观点不代表本站立场,本站不承担相关法律责任;如果涉及侵权请联系邮箱:360163164@qq.com举报,并提供相关证据,经查实将立刻删除涉嫌侵权内容。