编程是一件很有意思的事情，而用Python编程就更加有趣了，因为在Python中实现一种功能，可以有很多种不同的方法。 但是，大多数时候都有一些首选的实现方法，有些人将其称为Pythonic。这些Pythonic的共同特征是实现的代码简洁明了。
用Python或任何编码语言进行编程不是像火箭一样的科学，而主要是关于技巧。如果有意尝试使用Pythonic编码，那么这些技术将很快成为我们工具包的一部分，并且我们会发现在项目中使用它们变得越来越自然。因此，让我们探索其中的一些简单技巧。
1.负索引
人们喜欢使用序列，因为当我们知道元素的顺序，我们就可以按顺序操作这些元素。在Python中，字符串、元组和列表是最常见的序列数据类型。我们可以使用索引访问单个项目。与其他主流编程语言一样，Python支持基于 0 的索引，在该索引中，我们在一对方括号内使用零访问第一个元素。此外，我们还可以使用切片对象来检索序列的特定元素，如下面的代码示例所示。
>>> # Positive Indexing
... numbers = [1, 2, 3, 4, 5, 6, 7, 8]
... print("First Number:", numbers[0])
... print("First Four Numbers:", numbers[:4])
... print("Odd Numbers:", numbers[::2])
... First Number: 1
First Four Numbers: [1, 2, 3, 4]
Odd Numbers: [1, 3, 5, 7]
但是，Python通过支持负索引而进一步走了一步。具体来说，我们可以使用 -1 来引用序列中的最后一个元素，并向后计数。例如，最后一个元素的索引为 -2，依此类推。重要的是，负索引也可以与切片对象中的正索引一起使用。
>>> # Negative Indexing
... data_shape = (100, 50, 4)
... names = ["John", "Aaron", "Mike", "Danny"]
... hello = "Hello World!"
...
... print(data_shape[-1])
... print(names[-3:-1])
... print(hello[1:-1:2])
... 4
['Aaron', 'Mike']
el ol
2.检查容器是否为空
容器是指可以存储其他数据的那些容器数据类型。一些经常使用的内置容器是元组，列表，字典和集合。在处理这些容器时，我们经常需要在执行其他操作之前检查它们是否包含任何元素。确实，我们可以检查这些容器的长度，该长度与已存储项目的数量相对应。当长度为零时，容器为空。下面显示了一个简单的示例。
if len(some_list) > 0:
# do something here when the list is not empty
else:
# do something else when the list is empty
但是，这不是最好的Pythonic方式。相反，我们可以简单地检查容器本身，它将在容器True包含元素时进行评估。尽管以下代码向您展示了主要的容器数据类型，但这种用法也可以应用于字符串(即，任何非空字符串都是True)。
>>> def check_container_empty(container):
... if container:
... print(f"{container} has elements.")
... else:
... print(f"{container} doesn't have elements.")
...
... check_container_empty([1, 2, 3])
... check_container_empty(set())
... check_container_empty({"zero": 0, "one": 1})
... check_container_empty(tuple())
... [1, 2, 3] has elements.
set() doesn't have elements.
{'zero': 0, 'one': 1} has elements.
() doesn't have elements.
3.使用Split()创建字符串列表
我们经常使用字符串作为特定对象的标识符。例如，我们可以使用字符串作为字典中的键。在数据科学项目中，字符串通常是数据的列名。选择多个列时，不可避免地需要创建一个字符串列表。确实，我们可以使用列表中的文字创建字符串。但是，我们必须编写成对的引号将每个字符串括起来，这对于“懒惰”的人来说有点繁琐。因此，我更喜欢利用字符串的split()方法来创建字符串列表，如下面的代码片段所示。
>>> # List of strings
... # The typical way
... columns = ['name', 'age', 'gender', 'address', 'account_type']
... print("* Literals:", columns)
...
... # Do this instead
... columns = 'name age gender address account_type'.split()
... print("* Split with spaces:", columns)
...
... # If the strings contain spaces, you can use commas instead
... columns = 'name, age, gender, address, account type'.split(', ')
... print("* Split with commas:", columns)
...
* Literals: ['name', 'age', 'gender', 'address', 'account_type']
* Split with spaces: ['name', 'age', 'gender', 'address', 'account_type']
* Split with commas: ['name', 'age', 'gender', 'address', 'account type']
如上所示，split()默认情况下，该方法使用空格作为分隔符，并根据字符串创建字符串列表。值得注意的是，当您创建包含某些包含空格的元素的字符串列表时，可以选择使用其他类型的分隔符（例如，逗号）。
这种用法受到一些内置功能的启发。例如，当你创建一个元组类，我们可以这样做：Student = namedtuple(“Student”, [“name”, “gender”, “age”])。字符串列表指定了元组的“属性”。但是，也可以通过以下方式定义该类来本地支持它：Student = namedtuple(“Student”, “name gender age”)。对于另一个实例，创建一个Enum类支持相同的替代解决方案。
（推荐教程：python教程）
4.三元表达
在许多用例中，我们需要根据条件定义具有特定值的变量，并且我们可以简单地使用if ... else语句来检查条件。但是，它需要几行代码。如果仅处理一个变量的赋值，则可能需要使用三元表达式，该表达式检查条件并仅用一行代码即可完成赋值。此外，它的格式更短，从而使代码更加简洁。考虑以下示例。
# The typical way
if score > 90:
reward = "1000 dollars"
else:
reward = "500 dollars"
# Do this instead
reward = "1000 dollars" if score > 90 else "500 dollars"
有时，我们可以从已定义的函数中获取一些数据，并且可以利用这一点并编写三元表达式的简单操作，如下所示。
# Another possible scenario
# You got a reward amount from somewhere else, but don't know if None/0 or not
reward = reward_known or "500 dollars"
# The above line of code is equivalent to below
reward = reward_known if reward_known else "500 dollars"
5.带文件对象的语句
我们经常需要从文件读取数据并将数据写入文件。最常见的方法是使用内置open()函数简单地打开文件，该函数会创建一个我们可以操作的文件对象。
>>> # Create a text file that has the text: Hello World!
...
... # Open the file and append some new data
... text_file0 = open("hello_world.txt", "a")
... text_file0.write("Hello Python!")
...
... # Open the file again for something else
... text_file1 = open("hello_world.txt")
... print(text_file1.read())
...
Hello World!
在前面的代码片段中，我们从一个文本文件开始，该文件的文本为“ Hello World！”。然后，我们将一些新数据附加到文件中。但是，过了一会儿，我们想再次处理该文件。当我们读取文本文件时，它仍然具有旧数据。换句话说，附加的文本不包括在文本文件中。
这是因为我们首先没有关闭文件对象。如果不关闭文件，则无法保存更改。确实，我们可以close()在文件对象上显式调用该方法。但是，我们可以使用“with”语句执行此操作，该语句将自动为我们关闭文件对象，如下所示。完成对文件的操作后，我们可以通过访问文件对象的closed属性来验证文件已关闭。
>>> with open("hello_world.txt", "a") as file:
... file.write("Hello Python!")
...
... with open("hello_world.txt") as file:
... print(file.read())
...
... print("Is file close?", file.closed)
...
Hello World!Hello Python!Hello Python!
Is file close? True
用更笼统的术语来说，with语句是在Python中使用上下文管理器的语法。上一个示例涉及文件操作，因为这些文件是共享资源，我们负责释放这些资源。上下文管理器可以帮助我们完成工作。如前所示，文件操作结束后，将使用with语句自动关闭文件。
6.评估多个条件
通常，我们需要评估多个条件。有几种可能的方案。对于数值，我们可以对同一变量进行多次比较。在这种情况下，我们可以链接这些比较。
# Multiple Comparisons
# The typical way
if a < 4 and a > 1:
# do something here# Do this instead
if 1 < a < 4:
# do somerthing here
在其他一些情况下，我们可以进行多个相等比较，并且可以使用以下in关键字进行成员测试。
# The typical way
if b == "Mon" or b == "Wed" or b == "Fri" or b == "Sun":
# do something here# Do this instead, you can also specify a tuple ("Mon", "Wed", "Fri", "Sun")
if b in "Mon Wed Fri Sun".split():
# do something here
另一种技术是使用内置的all()和any()函数用于评估多个条件的功能。具体而言，该all()函数将评估何时迭代中的元素全部为True，因此该函数适合于替换一系列AND逻辑比较。另一方面，该any()函数的计算结果为True当迭代中的任何元素为True，因此适合替换一系列OR逻辑运算。相关示例如下所示。
# The typical ways
if a < 10 and b > 5 and c == 4:
# do somethingif a < 10 or b > 5 or c == 4:
# do something# Do these instead
if all([a < 10, b > 5, c == 4]):
# do somethingif any([a < 10, b > 5, c == 4]):
# do something
7.在函数声明中使用默认值
在几乎所有的Python项目中，大多数代码都涉及创建和调用函数。换句话说，我们不断处理函数声明和重构。在许多情况下，我们需要多次调用一个函数。根据不同的参数集，该功能将略有不同。但是，有时一组参数可能比其他一组更常用，在这种情况下，我们在声明函数时应考虑设置默认值。考虑下面的简单示例。
# The original form:
def generate_plot(data, image_name):
"""This function creates a scatter plot for the data"""
# create the plot based on the data
...
if image_name:
# save the image
...# In many cases, we don't need to save the image
generate_plot(data, None)# The one with a default value
def generate_plot(data, image_name=None):
pass# Now, we can omit the second parameter
generate_plot(data)
要注意的一件事是，如果在设置默认值时要处理可变数据类型（例如列表，集合），请确保使用None而不是构造函数（例如arg_name = []）。由于Python在定义的位置创建函数对象，因此提供的空白列表将被函数对象“卡住”。换句话说，调用函数对象时不会立即创建它。相反，我们将在内存中处理相同的函数对象，包括其最初创建的默认可变对象，这可能会导致意外行为。
8.使用计数器进行元素计数
当我们在列表、元组或字符串中有多个项目时（例如，多个字符），我们经常想计算每项中有多少个元素。为此，可以为此功能编写一些乏味的代码。
>>> words = ['an', 'boy', 'girl', 'an', 'boy', 'dog', 'cat', 'Dog', 'CAT', 'an','GIRL', 'AN', 'dog', 'cat', 'cat', 'bag', 'BAG', 'BOY', 'boy', 'an']
... unique_words = {x.lower() for x in set(words)}
... for word in unique_words:
... print(f"* Count of {word}: {words.count(word)}")
...
* Count of cat: 3
* Count of bag: 1
* Count of boy: 3
* Count of dog: 2
* Count of an: 5
* Count of girl: 1
如上所示，我们首先必须创建一个仅包含唯一单词的集合。然后，我们迭代单词集，并使用该count()方法找出每个单词的出现情况。但是，有一种更好的方法可以使用Counter类来完成此计数任务。
>>> from collections import Counter
...
... word_counter = Counter(x.lower() for x in words)
... print("Word Counts:", word_counter)
...
Word Counts: Counter({'an': 5, 'boy': 4, 'cat': 4, 'dog': 3, 'girl': 2, 'bag': 2})
该计数器类是在collections模块中可用的。要使用该类，我们只需创建一个generator：，x.lower() for x in words每个项目都将被计数。如我们所见，Counter对象是类似dict的映射对象，每个键对应于单词列表的唯一项，而值是这些项的计数。
此外，如果我们有兴趣找出单词列表中最频繁出现的项目，我们可以利用Counter对象的most_common()方法。以下代码展示了这种用法。我们只需要指定一个整数（N），即可从列表中找出最频繁的 N 个项目。附带说明，该对象还将与其他序列数据一起使用，例如字符串和元组。
>>> # Find out the most common item
... print("Most Frequent:", word_counter.most_common(1))
Most Frequent: [('an', 5)]
>>> # Find out the most common 2 items
... print("Most Frequent:", word_counter.most_common(2))
Most Frequent: [('an', 5), ('boy', 4)]
9.按不同的订单要求排序
在许多项目中，对列表中的项目进行排序是一项普遍的任务。最基本的排序基于数字或字母顺序，我们可以使用内置sorted()函数。默认情况下，该sorted()函数将按升序对列表进行排序（实际上，它可以是可迭代的）。如果将reverse参数指定为True，则可以按降序获得项目。一些简单的用法如下所示。
>>> # A list of numbers and strings
... numbers = [1, 3, 7, 2, 5, 4]
... words = ['yay', 'bill', 'zen', 'del']
... # Sort them
... print(sorted(numbers))
... print(sorted(words))
...
[1, 2, 3, 4, 5, 7]
['bill', 'del', 'yay', 'zen']
>>> # Sort them in descending order
... print(sorted(numbers, reverse=True))
... print(sorted(words, reverse=True))
...
[7, 5, 4, 3, 2, 1]
['zen', 'yay', 'del', 'bill']
除了这些基本用法外，我们还可以指定key参数，以便可以对复杂项进行排序，例如元组列表。考虑这种情况的以下示例。
>>> # Create a list of tuples
... grades = [('John', 95), ('Aaron', 99), ('Zack', 97), ('Don', 92), ('Jennifer', 100), ('Abby', 94), ('Zoe', 99), ('Dee', 93)]
>>> # Sort by the grades, descending
... sorted(grades, key=lambda x: x[1], reverse=True)
[('Jennifer', 100), ('Aaron', 99), ('Zoe', 99), ('Zack', 97), ('John', 95), ('Abby', 94), ('Dee', 93), ('Don', 92)]
>>> # Sort by the name's initial letter, ascending
... sorted(grades, key=lambda x: x[0][0])
[('Aaron', 99), ('Abby', 94), ('Don', 92), ('Dee', 93), ('John', 95), ('Jennifer', 100), ('Zack', 97), ('Zoe', 99)]
上面的代码通过利用传递给key参数的lambda函数，向我们展示了两个高级排序的示例。第一个使用降序对项目进行排序，第二个使用默认的升序对项目进行排序。我们要结合这两个要求，如果考虑使用该reverse参数，则可能会得到一个错误的排序树，因为如果尝试按多个条件进行排序，则反向参数将适用于所有参数。请参见下面的代码段。
>>> # Requirement: sort by name initial ascending, and by grades, descending
... # Both won't work
... sorted(grades, key=lambda x: (x[0][0], x[1]), reverse=True)
[('Zoe', 99), ('Zack', 97), ('Jennifer', 100), ('John', 95), ('Dee', 93), ('Don', 92), ('Aaron', 99), ('Abby', 94)]
>>> sorted(grades, key=lambda x: (x[0][0], x[1]), reverse=False)
[('Abby', 94), ('Aaron', 99), ('Don', 92), ('Dee', 93), ('John', 95), ('Jennifer', 100), ('Zack', 97), ('Zoe', 99)]
>>> # This will do the trick
... sorted(grades, key=lambda x: (x[0][0], -x[1]))
[('Aaron', 99), ('Abby', 94), ('Dee', 93), ('Don', 92), ('Jennifer', 100), ('John', 95), ('Zoe', 99), ('Zack', 97)]
如您所见，通过将reverse参数设置为True或False，都无效。取而代之的是，技巧是取反分数，因此，当您按默认的升序排序时，由于这些值的取反，分数将反向排序。但是，此方法有一个警告，因为取反只能用于数字值，而不能用于字符串。
10.不要忘记defaultdict
字典是一种有效的数据类型，它使我们能够以键值对的形式存储数据。它要求所有键都是可哈希的，存储这些数据可能涉及哈希表的使用。这种方法允许以 O(1) 效率实现数据检索和插入。但是，应注意，除了内置的dict类型外，我们还有其他可用的字典。其中，我想讨论defaultdict类型。与内置dict类型不同，defaultdict允许我们设置默认工厂函数，该工厂函数在键不存在时创建元素。
>>> student = {'name': "John", 'age': 18}
... student['gender']
...
Traceback (most recent call last):
File "<input>", line 2, in <module>
KeyError: 'gender'
假设我们正在处理单词，并且想要将与列表相同的字符分组，并且这些列表与作为键的字符相关联。这是使用内置dict类型的幼稚实现。值得注意的是，检查dict对象是否具有letter键是至关重要的，因为如果键不存在，则调用该append()方法会引发KeyError异常。
>>> letters = ["a", "a", "c", "d", "d", "c", "a", "b"]
... final_dict = {}
... for letter in letters:
... if letter not in final_dict:
... final_dict[letter] = []
... final_dict[letter].append(letter)
...
... print("Final Dict:", final_dict)
...
Final Dict: {'a': ['a', 'a', 'a'], 'c': ['c', 'c'], 'd': ['d', 'd'], 'b': ['b']}
让我们看看如何使用defaultdict编写更简洁的代码。尽管该示例很简单，但是它只是为我们提供了有关defaultdict类的一些想法，这使我们不必处理字典对象中不存在的键。
>>> from collections import defaultdict
...
... final_defaultdict = defaultdict(list)
... for letter in letters:
... final_defaultdict[letter].append(letter)
...
... print("Final Default Dict:", final_defaultdict)
...
Final Default Dict: defaultdict(<class 'list'>, {'a': ['a', 'a', 'a'], 'c': ['c', 'c'], 'd': ['d', 'd'], 'b': ['b']})
（推荐微课：python3基础微课）
结论
在阅读本文之前，我们可能已经了解了一些技巧，但是希望仍然对这些技巧有所了解。在项目中实践这些惯用用法将使您的Python代码更具可读性和性能。
文章来源：公众号 – 小白学视觉
作者：花生
以上就是关于10个加快Python编程的小技巧的相关介绍了，希望对大家有所帮助。
小狮博客
