Python的5种高级用法,效率提升没毛病!

【大咖・来了 第7期】10月24日晚8点观看《智能导购对话机器人实践》

Python的5种高级用法,效率提升没毛病!

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。

  1. x = lambda a, b : a * b 
  2. print(x(5, 6)) # prints  30 
  3.  
  4. x = lambda a : a*3 + 3 
  5. 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。

  1. def square_it_func(a): 
  2.     return a * a 
  3.  
  4. x = map(square_it_func, [1, 4, 7]) 
  5. print(x) # prints  [1, 16, 47] 
  6.  
  7. def multiplier_func(a, b): 
  8.     return a * b 
  9.  
  10. x = map(multiplier_func, [1, 4, 7], [2, 5, 8]) 
  11. 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:

  1. # Our numbers 
  2. numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15] 
  3.  
  4. Function that filters out all numbers which are odd 
  5. def filter_odd_numbers(num): 
  6.  
  7.     if num % 2 == 0: 
  8.         return True 
  9.     else
  10.         return False 
  11.  
  12. filtered_numbers = filter(filter_odd_numbers, numbers) 
  13.  
  14. print(filtered_numbers) 
  15. # 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:

  1. from itertools import * 
  2.  
  3. # Easy joining of two lists into a list of tuples 
  4. for i in izip([1, 2, 3], [ a ,  b ,  c ]): 
  5.     print i 
  6. # ( a , 1) 
  7. # ( b , 2) 
  8. # ( c , 3) 
  9.  
  10. # The count() function returns an interator that  
  11. # produces consecutive integers, forever. This  
  12. # one is great for adding indices next to your list  
  13. # elements for readability and convenience 
  14. for i in izip(count(1), [ Bob ,  Emily ,  Joe ]): 
  15.     print i 
  16. # (1,  Bob ) 
  17. # (2,  Emily ) 
  18. # (3,  Joe )     
  19.  
  20. # The dropwhile() function returns an iterator that returns  
  21. all the elements of the input which come after a certain  
  22. # condition becomes false for the first time.  
  23. def check_for_drop(x): 
  24.     print  Checking:  , x 
  25.     return (x > 5) 
  26.  
  27. for i in dropwhile(should_drop, [2, 4, 6, 8, 10, 12]): 
  28.     print  Result:  , i 
  29.  
  30. # Checking: 2 
  31. # Checking: 4 
  32. # Result: 6 
  33. # Result: 8 
  34. # Result: 10 
  35. # Result: 12 
  36.  
  37.  
  38. # The groupby() function is great for retrieving bunches 
  39. of iterator elements which are the same or have similar  
  40. # properties 
  41.  
  42. a = sorted([1, 2, 1, 3, 2, 1, 2, 3, 4, 5]) 
  43. for key, value in groupby(a): 
  44.     print(key, value), end=   ) 
  45.  
  46. # (1, [1, 1, 1]) 
  47. # (2, [2, 2, 2])  
  48. # (3, [3, 3])  
  49. # (4, [4])  
  50. # (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。

相关推荐