大数据 爬虫Python AI Sql

Python的 5 种高级用法,效率提升没毛病!

2020-01-09  本文已影响0人  Python新视界

任何编程语言的高级特征通常都是通过大量的使用经验才发现的。比如你在编写一个复杂的项目,并在 stackoverflow 上寻找某个问题的答案。然后你突然发现了一个非常优雅的解决方案,它使用了你从不知道的 Python 功能!

这种学习方式太有趣了:通过探索,偶然发现什么。

下面是 Python 的 5 种高级特征,以及它们的用法。

Lambda 函数

Lambda 函数是一种比较小的匿名函数——匿名是指它实际上没有函数名。

Python 函数通常使用 def a_function_name() 样式来定义,但对于 lambda 函数,我们根本没为它命名。这是因为 lambda 函数的功能是执行某种简单的表达式或运算,而无需完全定义函数。

lambda 函数可以使用任意数量的参数,但表达式只能有一个。

x = lambda a, b : a * b

print(x(5, 6))# prints  30

x = lambda a : a*3 + 3

print(x(3))# prints  12

看它多么简单!我们执行了一些简单的数学运算,而无需定义整个函数。这是 Python 的众多特征之一,这些特征使它成为一种干净、简单的编程语言。

Map 函数

Map() 是一种内置的 Python 函数,它可以将函数应用于各种数据结构中的元素,如列表或字典。对于这种运算来说,这是一种非常干净而且可读的执行方式。

defsquare_it_func(a):

returna * a

x = map(square_it_func, [1,4,7])

print(x)# prints  [1, 16, 49]

defmultiplier_func(a, b):

returna * b

x = map(multiplier_func, [1,4,7], [2,5,8])

print(x)# prints  [2, 20, 56] 看看上面的示例!我们可以将函数应用于单个或多个列表。实际上,你可以使用任何 Python 函数作为 map 函数的输入,只要它与你正在操作的序列元素是兼容的。

Filter 函数

filter 内置函数与 map 函数非常相似,它也将函数应用于序列结构(列表、元组、字典)。二者的关键区别在于 filter() 将只返回应用函数返回 True 的元素。

详情请看如下示例:

# Our numbers

numbers = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]

# Function that filters out all numbers which are odd

deffilter_odd_numbers(num):

ifnum %2==0:

returnTrue

else:

returnFalse

filtered_numbers = filter(filter_odd_numbers, numbers)

print(filtered_numbers)

# filtered_numbers = [2, 4, 6, 8, 10, 12, 14]

我们不仅评估了每个列表元素的 True 或 False,filter() 函数还确保只返回匹配为 True 的元素。非常便于处理检查表达式和构建返回列表这两步。

Itertools 模块

Python 的 Itertools 模块是处理迭代器的工具集合。迭代器是一种可以在 for 循环语句(包括列表、元组和字典)中使用的数据类型。

使用 Itertools 模块中的函数让你可以执行很多迭代器操作,这些操作通常需要多行函数和复杂的列表理解。关于 Itertools 的神奇之处,请看以下示例:

fromitertoolsimport*

# Easy joining of two lists into a list of tuples

foriinizip([1,2,3], [ a , b , c ]):

printi

# ( a , 1)

# ( b , 2)

# ( c , 3)

# The count() function returns an interator that 

# produces consecutive integers, forever. This 

# one is great for adding indices next to your list 

# elements for readability and convenience

foriinizip(count(1), [ Bob , Emily , Joe ]):

printi

# (1,  Bob )

# (2,  Emily )

# (3,  Joe )    

# The dropwhile() function returns an iterator that returns 

# all the elements of the input which come after a certain 

# condition becomes false for the first time. 

defcheck_for_drop(x):

print Checking:  , x

return(x >5)

foriindropwhile(should_drop, [2,4,6,8,10,12]):

print Result:  , i

# Checking: 2

# Checking: 4

# Result: 6

# Result: 8

# Result: 10

# Result: 12

# The groupby() function is great for retrieving bunches

# of iterator elements which are the same or have similar 

# properties

a = sorted([1,2,1,3,2,1,2,3,4,5])

forkey, valueingroupby(a):

print(key, value), end=   )

# (1, [1, 1, 1])

# (2, [2, 2, 2]) 

# (3, [3, 3]) 

# (4, [4]) 

# (5, [5]) 

Generator 函数

Generator 函数是一个类似迭代器的函数,即它也可以用在 for 循环语句中。这大大简化了你的代码,而且相比简单的 for 循环,它节省了很多内存。

比如,我们想把 1 到 1000 的所有数字相加,以下代码块的第一部分向你展示了如何使用 for 循环来进行这一计算。

如果列表很小,比如 1000 行,计算所需的内存还行。但如果列表巨长,比如十亿浮点数,这样做就会出现问题了。使用这种 for 循环,内存中将出现大量列表,但不是每个人都有无限的 RAM 来存储这么多东西的。Python 中的 range() 函数也是这么干的,它在内存中构建列表。

代码中第二部分展示了使用 Python generator 函数对数字列表求和。generator 函数创建元素,并只在必要时将其存储在内存中,即一次一个。这意味着,如果你要创建十亿浮点数,你只能一次一个地把它们存储在内存中!Python 2.x 中的 xrange() 函数就是使用 generator 来构建列表。

上述例子说明:如果你想为一个很大的范围生成列表,那么就需要使用 generator 函数。如果你的内存有限,比如使用移动设备或边缘计算,使用这一方法尤其重要。

也就是说,如果你想对列表进行多次迭代,并且它足够小,可以放进内存,那最好使用 for 循环或 Python 2.x 中的 range 函数。因为 generator 函数和 xrange 函数将会在你每次访问它们时生成新的列表值,而 Python 2.x range 函数是静态的列表,而且整数已经置于内存中,以便快速访问。

# (1) Using a for loopv

numbers = list()

foriinrange(1000):

numbers.append(i+1)

total = sum(numbers)

# (2) Using a generator

defgenerate_numbers(n):

num, numbers =1, []

whilenum < n:

numbers.append(num)

num +=1

returnnumbers

total = sum(generate_numbers(1000))

# (3) range() vs xrange()

total = sum(range(1000+1))

total = sum(xrange(1000+1))

上一篇下一篇

猜你喜欢

热点阅读