有许许多多文章写了 Python 中的许多很酷的个性，例如变量解包、偏函数、枚举可迭代对象，然而对于 Python 还有很多要探讨的话题，因而在本文中，我将尝试展现一些我晓得的和在应用的，但很少在其它文章提到过的个性。那就开始吧。
1、对输出的字符串“消毒”
对用户输出的内容“消毒”，这问题简直实用于你编写的所有程序。通常将字符转换为小写或大写就足够了，有时你还能够应用正则表达式来实现工作，然而对于简单的状况，还有更好的办法：
user_input = "This\nstring has\tsome whitespaces...\r\n"
character_map = {
ord('\n') : ' ',
ord('\t') : ' ',
ord('\r') : None
}
user_input.translate(character_map) # This string has some whitespaces... "
在此示例中，你能够看到空格字符“ \n”和“ \t”被单个空格替换了，而“ \r”则被齐全删除。这是一个简略的示例，然而咱们能够更进一步，应用unicodedata 库及其 combining() 函数，来生成更大的重映射表（remapping table），并用它来删除字符串中所有的重音。
2、对迭代器切片
如果你尝试间接对迭代器切片，则会失去 TypeError ，提醒说该对象不可取下标（not subscriptable），然而有一个简略的解决方案：
import itertools s = itertools.islice(range(50), 10, 20) # <itertools.islice object at 0x7f70fab88138> for val in s: ...
应用itertools.islice，咱们能够创立一个 islice 对象，该对象是一个迭代器，能够生成咱们所需的内容。然而这有个重要的揭示，即它会消耗掉切片前以及切片对象 islice 中的所有元素。
3、跳过可迭代对象的开始
有时候你必须解决某些文件，它们以可变数量的不须要的行（例如正文）为结尾。itertools 再次提供了简略的解决方案：
string_from_file = """
// Author: ...
// License: ...
//
// Date: ...
Actual content...
"""
import itertools
for line in itertools.dropwhile(lambda line:line.startswith("//"), string_from_file.split("\n")):
print(line)
这段代码仅会打印在初始的正文局部之后的内容。如果咱们只想抛弃迭代器的结尾局部（在此例中是正文），并且不晓得有多少内容，那么此办法很有用。
4、仅反对关键字参数（kwargs）的函数
当须要函数提供（强制）更清晰的参数时，创立仅反对关键字参数的函数，可能会挺有用：
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，能够在关键字参数之前，搁置单个 参数来轻松解决此问题。如果咱们将地位参数放在 参数之前，则显然也能够有地位参数。
5、创立反对 with 语句的对象
咱们都晓得如何应用 with 语句，例如关上文件或者是获取锁，然而咱们能够实现本人的么？是的，咱们能够应用__enter__ 和__exit__ 办法来实现上下文管理器协定：
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 中实现上下文治理的最常见办法，然而还有一种更简略的办法：
from contextlib import contextmanager
@contextmanager
def tag(name):
print(f"<{name}>")
yield
print(f"</{name}>")
with tag("h1"):
print("This is Title.")
下面的代码段应用 contextmanager 装璜器实现了内容治理协定。tag 函数的第一局部（yield 之前）会在进入 with 语句时执行，而后执行 with 的代码块，最初会执行 tag 函数的残余局部。
5、用__slots__节俭内存
如果你已经编写过一个程序，该程序创立了某个类的大量实例，那么你可能曾经留神到你的程序忽然就须要大量内存。那是因为 Python 应用字典来示意类实例的属性，这能使其速度变快，但内存不是很高效。通常这不是个问题，然而，如果你的程序遇到了问题，你能够尝试应用__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
这里产生的是，当咱们定义__slots__属性时，Python 应用固定大小的小型数组，而不是字典，这大大减少了每个实例所需的内存。应用__slots__还有一些毛病——咱们无奈申明任何新的属性，并且只能应用在__slots__中的属性。同样，带有__slots__的类不能应用多重继承。
6、限度CPU和内存使用量
如果不是想优化程序内存或 CPU 使用率，而是想间接将其限度为某个固定数字，那么 Python 也有一个库能做到：
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))
在这里，咱们能够看到两个选项，可设置最大 CPU 运行工夫和内存应用下限。对于 CPU 限度，咱们首先获取该特定资源（RLIMIT_CPU）的软限度和硬限度，而后通过参数指定的秒数和先前获取的硬限度来设置它。最初，如果超过 CPU 工夫，咱们将注册令零碎退出的信号。至于内存，咱们再次获取软限度和硬限度，并应用带有 size 参数的setrlimit 和获取的硬限度对其进行设置。
8、管制能够import的内容
某些语言具备非常明显的用于导出成员（变量、办法、接口）的机制，例如Golang，它仅导出以大写字母结尾的成员。另一方面，在 Python 中，所有内容都会被导出，除非咱们应用__all__ ：
def foo(): pass def bar(): pass __all__ = ["bar"]
应用下面的代码段，咱们能够限度from some_module import * 在应用时能够导入的内容。对于以上示例，通配导入时只会导入 bar。此外，咱们能够将__all__ 设为空，令其无奈导出任何货色，并且在应用通配符形式从此模块中导入时，将引发 AttributeError。
9、比拟运算符的简便办法
为一个类实现所有比拟运算符可能会很烦人，因为有很多的比拟运算符——__lt__、__le__、__gt__ 或__ge__。然而，如果有更简略的办法呢？functools.total_ordering 可救场：
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))
这到底如何起作用的？total_ordering 装璜器用于简化为咱们的类实例实现排序的过程。只须要定义__lt__ 和__eq__，这是最低的要求，装璜器将映射残余的操作——它为咱们填补了空白。
10、应用slice函数命名切片
应用大量硬编码的索引值会很快搞乱维护性和可读性。一种做法是对所有索引值应用常量，然而咱们能够做得更好：
# ID First Name Last Name
line_record = "2 John Smith"
ID = slice(0, 8)
FIRST_NAME = slice(9, 21)
LAST_NAME = slice(22, 27)
name = f"{line_record[FIRST_NAME].strip()} {line_record[LAST_NAME].strip()}"
# name == "John Smith"
在此例中，咱们能够防止神秘的索引，办法是先应用 slice 函数命名它们，而后再应用它们。你还能够通过 .start、.stop和 .stop 属性，来理解 slice 对象的更多信息。
11、在运行时提醒用户输出明码
许多命令行工具或脚本须要用户名和明码能力操作。因而，如果你碰巧写了这样的程序，你可能会发现 getpass 模块很有用：
import getpass user = getpass.getuser() password = getpass.getpass() # Do Stuff...
这个非常简单的包通过提取以后用户的登录名，能够提醒用户输出明码。然而须留神，并非每个零碎都反对暗藏明码。Python 会尝试正告你，因而切记在命令行中浏览正告信息。
12、查找单词/字符串的相近匹配
当初，对于 Python 规范库中一些艰涩难懂的个性。如果你发现自己须要应用Levenshtein distance 【2】之类的货色，来查找某些输出字符串的类似单词，那么 Python 的 difflib 会为你提供反对。
import difflib
difflib.get_close_matches('appel', ['ape', 'apple', 'peach', 'puppy'], n=2)
# returns ['apple', 'ape']
difflib.get_close_matches 会查找最佳的“足够好”的匹配。在这里，第一个参数与第二个参数匹配。咱们还能够提供可选参数 n ，该参数指定要返回的最多匹配后果。另一个可选的关键字参数 cutoff （默认值为 0.6），能够设置字符串匹配得分的阈值。
13、应用IP地址
如果你必须应用 Python 做网络开发，你可能会发现 ipaddress 模块十分有用。一种场景是从 CIDR（无类别域间路由 Classless Inter-Domain Routing）生成一系列 IP 地址：
import ipaddress
net = ipaddress.ip_network('74.125.227.0/29') # Works for IPv6 too
# IPv4Network('74.125.227.0/29')
for addr in net:
print(addr)
# 74.125.227.0
# 74.125.227.1
# 74.125.227.2
# 74.125.227.3
# ...
另一个不错的性能是查看 IP 地址的网络成员资格：
ip = ipaddress.ip_address("74.125.227.3")
ip in net
# True
ip = ipaddress.ip_address("74.125.227.12")
ip in net
# False
还有很多乏味的性能，在这里【3】能够找到，我不再赘述。然而请留神，ipaddress 模块和其它与网络相干的模块之间只有无限的互通性。例如，你不能将 IPv4Network 实例当成地址字符串——须要先应用 str 转换它们。
14、在Shell中调试程序解体
如果你是一个回绝应用 IDE，并在 Vim 或 Emacs 中进行编码的人，那么你可能会遇到这样的状况：领有在 IDE 中那样的调试器会很有用。
你晓得吗？你有一个——只有用python3.8 -i 运行你的程序——一旦你的程序终止了， -i 会启动交互式 shell，在那你能够查看所有的变量和调用函数。整洁，然而应用理论的调试器（pdb ）会如何呢？让咱们用以下程序（script.py ）：
def func():
return 0 / 0
func()
并应用python3.8 -i script.py运行脚本：
# Script crashes...
Traceback (most recent call last):
File "script.py", line 4, in <module>
func()
File "script.py", line 2, in func
return 0 / 0
ZeroDivisionError: division by zero
>>> import pdb
>>> pdb.pm() # Post-mortem debugger
> script.py(2)func()
-> return 0 / 0
(Pdb)
咱们看到了解体的中央，当初让咱们设置一个断点：
def func():
breakpoint() # import pdb; pdb.set_trace()
return 0 / 0
func()
当初再次运行它：
script.py(3)func() -> return 0 / 0 (Pdb) # we start here (Pdb) step ZeroDivisionError: division by zero > script.py(3)func() -> return 0 / 0 (Pdb)
大多数时候，打印语句和错误信息就足以进行调试，然而有时候，你须要到处摸索，以理解程序外部正在产生的事件。在这些状况下，你能够设置断点，而后程序执行时将在断点处停下，你能够检查程序，例如列出函数参数、表达式求值、列出变量、或如上所示仅作单步执行。
pdb 是功能齐全的 Python shell，实践上你能够执行任何货色，然而你还须要一些调试命令，可在此处【4】找到。
15、在一个类中定义多个构造函数
函数重载是编程语言（不含 Python）中十分常见的性能。即便你不能重载失常的函数，你依然能够应用类办法重载构造函数：
import datetime
class Date:
def __init__(self, year, month, day):
self.year = year
self.month = month
self.day = day
@classmethod
def today(cls):
t = datetime.datetime.now()
return cls(t.year, t.month, t.day)
d = Date.today()
print(f"{d.day}/{d.month}/{d.year}")
# 14/9/2019
你可能偏向于将代替构造函数的所有逻辑放入__init__，并应用args 、*kwargs 和一堆 if 语句，而不是应用类办法来解决。那可能行得通，然而却变得难以浏览和保护。
因而，我倡议将很少的逻辑放入__init__，并在独自的办法/构造函数中执行所有操作。这样，对于类的维护者和用户而言，失去的都是洁净的代码。
16、应用装璜器缓存函数调用
你是否已经编写过一种函数，它执行低廉的 I/O 操作或一些相当慢的递归，而且该函数可能会受害于对其后果进行缓存（存储）？如果你有，那么有简略的解决方案，即应用 functools 的lru_cache :
from functools import lru_cache
import requests
@lru_cache(maxsize=32)
def get_with_cache(url):
try:
r = requests.get(url)
return r.text
except:
return "Not Found"
for url in ["https://google.com/",
"https://martinheinz.dev/",
"https://reddit.com/",
"https://google.com/",
"https://dev.to/martinheinz",
"https://google.com/"]:
get_with_cache(url)
print(get_with_cache.cache_info())
# CacheInfo(hits=2, misses=4, maxsize=32, currsize=4)
在此例中，咱们用了可缓存的 GET 申请（最多 32 个缓存后果）。你还能够看到，咱们能够应用 cache_info 办法查看函数的缓存信息。装璜器还提供了 clear_cache 办法，用于使缓存后果有效。
我还想指出，此函数不应与具备副作用的函数一起应用，或与每次调用都创立可变对象的函数一起应用。
17、在可迭代对象中查找最频繁呈现的元素
在列表中查找最常见的元素是十分常见的工作，你能够应用 for 循环和字典（map），然而这没必要，因为 collections 模块中有 Counter 类：
from collections import Counter
cheese = ["gouda", "brie", "feta", "cream cheese", "feta", "cheddar",
"parmesan", "parmesan", "cheddar", "mozzarella", "cheddar", "gouda",
"parmesan", "camembert", "emmental", "camembert", "parmesan"]
cheese_count = Counter(cheese)
print(cheese_count.most_common(3))
# Prints: [('parmesan', 4), ('cheddar', 3), ('gouda', 2)]
实际上，Counter 只是一个字典，将元素与呈现次数映射起来，因而你能够将其用作一般字典：
python print(cheese_count["mozzarella"]) ¨K40K cheese_count["mozzarella"] += 1 print(cheese_count["mozzarella"]) ¨K41K
除此之外，你还能够应用 update(more_words) 办法轻松增加更多元素。Counter 的另一个很酷的个性是你能够应用数学运算（加法和减法）来组合和减去 Counter 的实例。
小结
在日常 Python 编程中，并非所有这些个性都是必不可少的和有用的，然而其中一些个性可能会时不时派上用场，并且它们也可能简化工作，而这原本可能很简短且令人讨厌。
我还要指出的是，所有这些个性都是 Python 规范库的一部分，尽管在我看来，其中一些个性十分像是规范库中的非标准内容。因而，每当你要在 Python 中实现某些性能时，首先可在规范库查看，如果找不到，那你可能看得还不够认真（如果它的确不存在，那么必定在某些三方库中）。
如果你应用 Python，那么我认为在这里分享的大多数技巧简直每天都会有用，因而我心愿它们会派上用场。另外，如果你对这些 Python 技巧和骚操作有任何想法，或者如果你晓得解决上述问题的更好办法，请通知我！
以上就是本次分享的所有内容，想要理解更多 python 常识欢送返回公众号：Python 编程学习圈 ，发送 “J” 即可收费获取，每日干货分享
转载请注明原文链接：你可能不知道的-Python-技巧
