3 个到今天仍然有用的 Python 3.2 特性

上一篇 / 下一篇  2021-05-31 10:43:21

  Python 3.2 是在 2011 年首次发布的,但其中引入的一些很酷、很有用的特性仍然没有被使用。下面是其中的三个。
  argparse 子命令
  argparse 模块首次出现在 Python 3.2 中。有许多用于命令行解析的第三方模块。但是内置的 argparse 模块比许多人认为的要强大。
  要记录所有的 argparse 的特性,那需要专门写系列文章。下面是一个例子,说明如何用 argparse 做子命令。
  想象一下,一个命令有两个子命令:negate,需要一个参数,multiply,需要两个参数:
  $ computebot negate 5
  -5
  $ computebot multiply 2 3
  6

  import argparse
   
  parser = argparse.ArgumentParser()
  subparsers = parser.add_subparsers()
  add_subparsers() 方法创建一个对象,你可以向其添加子命令。唯一需要记住的技巧是,你需要添加通过 set_defaults() 调用的子命令:
  negate  = subparsers.add_parser("negate")
  negate.set_defaults(subcommand="negate")
  negate.add_argument("number", type=float)

  multiply  = subparsers.add_parser("multiply")
  multiply.set_defaults(subcommand="multiply")
  multiply.add_argument("number1", type=float)
  multiply.add_argument("number2", type=float)
  我最喜欢的一个 argparse 功能是,因为它把解析和运行分开,测试解析逻辑特别令人愉快。
  parser.parse_args(["negate", "5"])

      Namespace(number=5.0, subcommand='negate')

  parser.parse_args(["multiply", "2", "3"])

      Namespace(number1=2.0, number2=3.0, subcommand='multiply')
  contextlib.contextmanager
  上下文是 Python 中一个强大的工具。虽然很多人 使用 它们,但编写一个新的上下文常常看起来像一门黑暗艺术。有了 contextmanager 装饰器,你所需要的只是一个一次性的生成器。
  编写一个打印出做某事所需时间的上下文,就像这样简单:
  import contextlib, timeit
   
  @contextlib.contextmanager
  def timer():
      before = timeit.default_timer()
      try:
          yield
      finally:
          after = timeit.default_timer()
          print("took", after - before)
  你可以这样使用:
  import time
   
  with timer():
      time.sleep(10.5)
      took 10.511025413870811`

  functools.lru_cache
  有时,在内存中缓存一个函数的结果是有意义的。例如,想象一下经典的问题:“有多少种方法可以用 25 美分、1 美分、2 美分和 3 美分可以来换取 1 美元?”
  这个问题的代码可以说是非常简单:
  def change_for_a_dollar():
      def change_for(amount, coins):
          if amount == 0:
              return 1
          if amount < 0 or len(coins) == 0:
              return 0
          some_coin = next(iter(coins))
          return (
              change_for(amount, coins - set([some_coin]))
              +
              change_for(amount - some_coin, coins)
          )
      return change_for(100, frozenset([25, 10, 5, 1]))
  在我的电脑上,这需要 13ms 左右:
  with timer():
      change_for_a_dollar()
      took 0.013737603090703487`
  事实证明,当你计算有多少种方法可以做一些事情,比如用 50 美分找钱,你会重复使用相同的硬币。你可以使用 lru_cache 来避免重复计算。
  import functools
   
  def change_for_a_dollar():
      @functools.lru_cache
      def change_for(amount, coins):
          if amount == 0:
              return 1
          if amount < 0 or len(coins) == 0:
              return 0
          some_coin = next(iter(coins))
          return (
              change_for(amount, coins - set([some_coin]))
              +
              change_for(amount - some_coin, coins)
          )
      return change_for(100, frozenset([25, 10, 5, 1]))
  with timer():
      change_for_a_dollar()
      took 0.004180959425866604`
  一行的代价是三倍的改进。不错。

TAG: 软件开发 Python

 

评分:0

我来说两句

Open Toolbar