分享介绍Python的9个实用技巧_Python

本文会介绍一些Python大神用的贼溜的技巧，让一探究竟吧！欢迎收藏学习，喜欢点赞支持，欢迎畅聊。

整理字符串输入

整理用户输入的问题在编程过程中很常见。有更好的方法来解决：

				?

									user_input = "This  

									string has  some whitespaces...  

									"  

									character_map = {  

									    ord(   

									 ) :    ,  

									    ord(     ) :    ,  

									    ord(   

									 ) : None

									}  

									user_input.translate(character_map)  # This string has some whitespaces...

在本例中，你可以看到空格符「n」和「t」都被替换掉了几个空格，「r」都被替换掉了。这只是个很简单的例子，我们可以更进一步，使用「 unicodedata”程序包生成大型重映射表，并使用其中的“combining()”进行生成和映射

迭代器（切片）

如果对返回一个对象进行简单的操作，会提示生成对象下的“TypeError”，但是我们可以用一个对象的方案来解决问题：

				?

									import itertools  

									s = itertools.islice(range(50), 10, 20)  # &lt;itertools.islice object at 0x7f70fab88138&gt;  

									for val in s:  

									    ...

我们可以使用「itertools.islice」创建一个「islice」，该对象是一个迭代器，可以产生我们想要的项。但需要注意的是，该操作要使用对象以及对象的所有生成器项，「 islice」对象中的所有项。

跳过可对对象的开头

有时你要处理一些不需要的行（如注释）开头的文件。「itertools」再次提供了一种简单的解决方案：

				?

									string_from_file = """  

									// Author: ...  

									// License: ...  

									//  

									// Date: ...  

									Actual content... 

									 """

									import itertools  

									for line in itertools.dropwhile(lambda line: line.startswith("//"), string_from_file.split("  

									")):  

									    print(line)

这段代码只打印初始注释部分之后的内容。如果我们只想舍弃可迭代对象的开头部分（本示例中为开头的注释行），而又不知道要这部分有多长时，这种方法就很有用了。

只包含关键字参数的函数 (kwargs)

当我们使用下面的函数时，创建仅仅需要关键字参数作为输入的函数来提供更清晰的函数定义，会很有帮助：

				?

									def test(*, a, b):  

									    pass

									test("value for a", "value for b")  # TypeError: test() takes 0 positional arguments...  

									test(a="value", b="value 2")  # Works...

如你所见，在关键字参数之前加上一个「」就可以解决这个问题。如果我们将某些参数放在「」参数之前，它们显然是位置参数。

创建支持「with」语句的对象

举例而言，我们都知道如何使用「with」语句打开文件或获取锁，但是我们可以实现自己上下文表达式吗？是的，我们可以使用「enter」和「exit」来实现上下文管理协议:

				?

									class Connection:  

									    def __init__(self):  

									        ...  

									    def __enter__(self):  

									        # Initialize connection...  

									    def __exit__(self, type, value, traceback):  

									        # Close connection...  

									with Connection() as c:  

									    # __enter__() executes  

									    ...  

									    # conn.__exit__() executes

这是在 Python 中最常见的实现上下文管理的方法，但是还有更简单的方法:

				?

									from contextlib import contextmanager  

									@contextmanager

									def tag(name):  

									    print(f"<{name}>")  

									    yield

									    print(f"</{name}>")  

									with tag("h1"):  

									    print("This is Title.")

上面这段代码使用 contextmanager 的 manager 装饰器实现了内容管理协议。在进入 with 块时 tag 函数的第一部分（在 yield 之前的部分）就已经执行了，然后 with 块才被执行，最后执行 tag 函数的其余部分。

用「slots」节省内存

如果你曾经编写过一个创建了某种类的大量实例的程序，那么你可能已经注意到，你的程序突然需要大量的内存。那是因为 Python 使用字典来表示类实例的属性，这使其速度很快，但内存使用效率却不是很高。通常情况下，这并不是一个严重的问题。但是，如果你的程序因此受到严重的影响，不妨试一下「slots」：

				?

									class Person:  

									    __slots__ = ["first_name", "last_name", "phone"]  

									    def __init__(self, first_name, last_name, phone):  

									        self.first_name = first_name  

									        self.last_name = last_name  

									        self.phone = phone

当我们定义了「slots」属性时，Python 没有使用字典来表示属性，而是使用小的固定大小的数组，这大大减少了每个实例所需的内存。使用「slots」也有一些缺点：我们不能声明任何新的属性，我们只能使用「slots」上现有的属性。而且，带有「slots」的类不能使用多重继承。

限制「CPU」和内存使用量

如果不是想优化程序对内存或 CPU 的使用率，而是想直接将其限制为某个确定的数字，Python 也有一个对应的库可以做到：

				?

									import signal  

									import resource  

									import os  

									# To Limit CPU time  

									def time_exceeded(signo, frame):  

									    print("CPU exceeded...")  

									    raise SystemExit(1)  

									def set_max_runtime(seconds):  

									    # Install the signal handler and set a resource limit  

									    soft, hard = resource.getrlimit(resource.RLIMIT_CPU)  

									    resource.setrlimit(resource.RLIMIT_CPU, (seconds, hard))  

									    signal.signal(signal.SIGXCPU, time_exceeded)  

									# To limit memory usage  

									def set_max_memory(size):  

									    soft, hard = resource.getrlimit(resource.RLIMIT_AS)  

									    resource.setrlimit(resource.RLIMIT_AS, (size, hard))

我们可以看到，在上面的代码片段中，同时包含设置最大 CPU 运行时间和最大内存使用限制的选项。在限制 CPU 的运行时间时，我们首先获得该特定资源（RLIMIT_CPU）的软限制和硬限制，然后使用通过参数指定的秒数和先前检索到的硬限制来进行设置。最后，如果 CPU 的运行时间超过了限制，我们将发出系统退出的信号。在内存使用方面，我们再次检索软限制和硬限制，并使用带「size」参数的「setrlimit」和先前检索到的硬限制来设置它。

控制可以/不可以导入什么

有些语言有非常明显的机制来导出成员（变量、方法、接口），例如在 Golang 中只有以大写字母开头的成员被导出。然而，在 Python 中，所有成员都会被导出（除非我们使用了「all」）：

				?

									def foo():  

									    pass

									def bar():  

									    pass

									__all__ = ["bar"]

在上面这段代码中，我们知道只有「bar」函数被导出了。同样，我们可以让「all」为空，这样就不会导出任何东西，当从这个模块导入的时候，会造成「AttributeError」。

实现比较运算符的简单方法

为一个类实现所有的比较相似（如 lt , le , gt , ge）是很繁琐的。有更简单的方法可以做到这一点吗？这种时候，「functools.total_ordering」就是一个很好的帮手：

				?

									from functools import total_ordering  

									@total_ordering

									class Number:  

									    def __init__(self, value):  

									        self.value = value  

									    def __lt__(self, other):  

									        return self.value < other.value  

									    def __eq__(self, other):  

									        return self.value == other.value  

									print(Number(20) > Number(3))  

									print(Number(1) < Number(5))  

									print(Number(15) >= Number(15))  

									print(Number(10) <= Number(2))

这里的工作原理究竟是怎样的呢？我们用「total_ordering」装饰器简化实现对类实例排序的过程。我们只需要定义「LT」和「当量」就可以了，它们是实现其余操作所需要的最小的集合（这里也表现了装饰器的作用——为我们操作空白）。

结语

并非本文中所有相关的功能在日常使用的 Python 编程中都是特定的或有用的，但某些功能可能不会时派上用场，而且它们也可能很简单一些就很冗长且令人厌烦的任务。还需指出的是，所有这些功能都是 Python 标准库的一部分。功能时，请先看 Python 标准库，如果你不能找到想要的功能，可能只是因为你还没有努力寻找（如果真的没有，那肯定也存在于一些可用库中）。