20个Python使用小技巧，建议收藏！

1、易混淆操作

本节对一些 Python 易混淆的操作进行对比。

1.1 有放回随机采样和无放回随机采样

import randomrandom.choices(seq, k=1)  # 长度为k的list，有放回采样random.sample(seq, k)     # 长度为k的list，无放回采样

1.2 lambda 函数的参数

func = lambda y: x + y          # x的值在函数运行时被绑定func = lambda y, x=x: x + y     # x的值在函数定义时被绑定

1.3 copy 和 deepcopy

import copyy = copy.copy(x)      # 只复制最顶层y = copy.deepcopy(x)  # 复制所有嵌套部分

复制和变量别名结合在一起时，容易混淆：

a = [1, 2, [3, 4]]# Alias.b_alias = a  assert b_alias == a and b_alias is a# Shallow copy.b_shallow_copy = a[:]  assert b_shallow_copy == a and b_shallow_copy is not a and b_shallow_copy[2] is a[2]# Deep copy.import copyb_deep_copy = copy.deepcopy(a)  assert b_deep_copy == a and b_deep_copy is not a and b_deep_copy[2] is not a[2]

对别名的修改会影响原变量，（浅）复制中的元素是原列表中元素的别名，而深层复制是递归的进行复制，对深层复制的修改不影响原变量。

2、常用工具

2.1 读写 CSV 文件

import csv# 无header的读写with open(name, 'rt', encoding='utf-8', newline='') as f:  # newline=''让Python不将换行统一处理    for row in csv.reader(f):        print(row[0], row[1])  # CSV读到的数据都是str类型with open(name, mode='wt') as f:    f_csv = csv.writer(f)    f_csv.writerow(['symbol', 'change'])# 有header的读写with open(name, mode='rt', newline='') as f:    for row in csv.DictReader(f):        print(row['symbol'], row['change'])with open(name, mode='wt') as f:    header = ['symbol', 'change']    f_csv = csv.DictWriter(f, header)    f_csv.writeheader()    f_csv.writerow({'symbol': xx, 'change': xx})

注意，当 CSV 文件过大时会报错：_csv.Error: field larger than field limit (131072)，通过修改上限解决

import syscsv.field_size_limit(sys.maxsize)

csv 还可以读以 \t 分割的数据

f = csv.reader(f, delimiter='\t')

2.2 迭代器工具

itertools 中定义了很多迭代器工具，例如子序列工具：

import itertoolsitertools.islice(iterable, start=None, stop, step=None)# islice('ABCDEF', 2, None) -> C, D, E, Fitertools.filterfalse(predicate, iterable)         # 过滤掉predicate为False的元素# filterfalse(lambda x: x < 5, [1, 4, 6, 4, 1]) -> 6itertools.takewhile(predicate, iterable)           # 当predicate为False时停止迭代# takewhile(lambda x: x < 5, [1, 4, 6, 4, 1]) -> 1, 4itertools.dropwhile(predicate, iterable)           # 当predicate为False时开始迭代# dropwhile(lambda x: x < 5, [1, 4, 6, 4, 1]) -> 6, 4, 1itertools.compress(iterable, selectors)            # 根据selectors每个元素是True或False进行选择# compress('ABCDEF', [1, 0, 1, 0, 1, 1]) -> A, C, E, F

序列排序：

sorted(iterable, key=None, reverse=False)itertools.groupby(iterable, key=None)              # 按值分组，iterable需要先被排序# groupby(sorted([1, 4, 6, 4, 1])) -> (1, iter1), (4, iter4), (6, iter6)itertools.permutations(iterable, r=None)           # 排列，返回值是Tuple# permutations('ABCD', 2) -> AB, AC, AD, BA, BC, BD, CA, CB, CD, DA, DB, DCitertools.combinations(iterable, r=None)           # 组合，返回值是Tupleitertools.combinations_with_replacement(...)# combinations('ABCD', 2) -> AB, AC, AD, BC, BD, CD

多个序列合并：

itertools.chain(*iterables)                        # 多个序列直接拼接# chain('ABC', 'DEF') -> A, B, C, D, E, Fimport heapqheapq.merge(*iterables, key=None, reverse=False)   # 多个序列按顺序拼接# merge('ABF', 'CDE') -> A, B, C, D, E, Fzip(*iterables)                                    # 当最短的序列耗尽时停止，结果只能被消耗一次itertools.zip_longest(*iterables, fillvalue=None)  # 当最长的序列耗尽时停止，结果只能被消耗一次

2.3 计数器

计数器可以统计一个可迭代对象中每个元素出现的次数。

import collections# 创建collections.Counter(iterable)# 频次collections.Counter[key]                 # key出现频次# 返回n个出现频次最高的元素和其对应出现频次，如果n为None，返回所有元素collections.Counter.most_common(n=None)# 插入/更新collections.Counter.update(iterable)counter1 + counter2; counter1 - counter2  # counter加减# 检查两个字符串的组成元素是否相同collections.Counter(list1) == collections.Counter(list2)

2.4 带默认值的 Dict

当访问不存在的 Key 时，defaultdict 会将其设置为某个默认值。

import collectionscollections.defaultdict(type)  # 当第一次访问dict[key]时，会无参数调用type，给dict[key]提供一个初始值

2.5 有序 Dict

import collectionscollections.OrderedDict(items=None)  # 迭代时保留原始插入顺序

3、高性能编程和调试

3.1 输出错误和警告信息

向标准错误输出信息

import syssys.stderr.write('')

输出警告信息

import warningswarnings.warn(message, category=UserWarning)  # category的取值有DeprecationWarning, SyntaxWarning, RuntimeWarning, ResourceWarning, FutureWarning

控制警告消息的输出

$ python -W all     # 输出所有警告，等同于设置warnings.simplefilter('always')$ python -W ignore  # 忽略所有警告，等同于设置warnings.simplefilter('ignore')$ python -W error   # 将所有警告转换为异常，等同于设置warnings.simplefilter('error')

3.2 代码中测试

有时为了调试，我们想在代码中加一些代码，通常是一些 print 语句，可以写为：

# 在代码中的debug部分if __debug__:    pass

一旦调试结束，通过在命令行执行 -O 选项，会忽略这部分代码：

$ python -0 main.py

3.3 代码风格检查

使用 pylint 可以进行不少的代码风格和语法检查，能在运行之前发现一些错误

pylint main.py

3.4 代码耗时

耗时测试

$ python -m cProfile main.py

测试某代码块耗时

# 代码块耗时定义from contextlib import contextmanagerfrom time import perf_counter@contextmanagerdef timeblock(label):    tic = perf_counter()    try:        yield    finally:        toc = perf_counter()        print('%s : %s' % (label, toc - tic))# 代码块耗时测试with timeblock('counting'):    pass

代码耗时优化的一些原则

• 专注于优化产生性能瓶颈的地方，而不是全部代码。
• 避免使用全局变量。局部变量的查找比全局变量更快，将全局变量的代码定义在函数中运行通常会快 15%-30%。
• 避免使用.访问属性。使用 from module import name 会更快，将频繁访问的类的成员变量 self.member 放入到一个局部变量中。
• 尽量使用内置数据结构。str, list, set, dict 等使用 C 实现，运行起来很快。
• 避免创建没有必要的中间变量，和 copy.deepcopy()。
• 字符串拼接，例如 a + ‘:’ + b + ‘:’ + c 会创造大量无用的中间变量，‘:’,join([a, b, c]) 效率会高不少。另外需要考虑字符串拼接是否必要，例如 print(‘:’.join([a, b, c])) 效率比 print(a, b, c, sep=‘:’) 低。

关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。（文末领读者福利）

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

五、Python练习题

检查学习结果。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。 （文末领取哦）

这份完整版的Python全套学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】