在 Python 中,有四类最常见的内建容器类型: 列表(list)
、 元组(tuple)
、 字典(dict)
、 集合(set)
。通过单独或是组合使用它们,可以高效的完成很多事情。
Python 语言自身的内部实现细节也与这些容器类型息息相关。比如 Python 的类实例属性、全局变量 globals()
等就都是通过字典类型来存储的。
在这篇文章里,我首先会从容器类型的定义出发,尝试总结出一些日常编码的最佳实践。之后再围绕各个容器类型提供的特殊机能,分享一些编程的小技巧。
我在前面给了“容器”一个简单的定义:专门用来装其他对象的就是容器。但这个定义太宽泛了,无法对我们的日常编程产生什么指导价值。要真正掌握 Python 里的容器,需要分别从两个层面入手:
下面,让我们一起站在这两个不同的层面上,重新认识容器。
Python 是一门高级编程语言,它所提供的内置容器类型,都是经过高度封装和抽象后的结果。和“链表”、“红黑树”、“哈希表”这些名字相比,所有 Python 内建类型的名字,都只描述了这个类型的功能特点,其他人完全没法只通过这些名字了解它们的哪怕一丁点内部细节。
这是 Python 编程语言的优势之一。相比 C 语言这类更接近计算机底层的编程语言,Python 重新设计并实现了对编程者更友好的内置容器类型,屏蔽掉了内存管理等额外工作。为我们提供了更好的开发体验。
但如果这是 Python 语言的优势的话,为什么我们还要费劲去了解容器类型的实现细节呢?答案是:关注细节可以帮助我们编写出更快的代码。
所有的内建容器类型都不限制容量。如果你愿意,你可以把递增的数字不断塞进一个空列表,最终撑爆整台机器的内存。
在 Python 语言的实现细节里,列表的内存是按需分配的[注1],当某个列表当前拥有的内存不够时,便会触发内存扩容逻辑。而分配内存是一项昂贵的操作。虽然大部分情况下,它不会对你的程序性能产生什么严重的影响。但是当你处理的数据量特别大时,很容易因为内存分配拖累整个程序的性能。
还好,Python 早就意识到了这个问题,并提供了官方的问题解决指引,那就是:“变懒”。
如何解释“变懒”? range()
函数的进化是一个非常好的例子。
在 Python 2 中,如果你调用 range(100000000)
,需要等待好几秒才能拿到结果,因为它需要返回一个巨大的列表,花费了非常多的时间在内存分配与计算上。但在 Python 3 中,同样的调用马上就能拿到结果。因为函数返回的不再是列表,而是一个类型为 range
的懒惰对象,只有在你迭代它、或是对它进行切片时,它才会返回真正的数字给你。
所以说,为了提高性能,内建函数 range
“变懒”了。而为了避免过于频繁的内存分配,在日常编码中,我们的函数同样也需要变懒,这包括:
yield
关键字,返回生成器对象(iforinrange(100))
?[iforinrange(100)]
re.finditer
替代 re.findall
forlineinfp
,而不是 forlineinfp.readlines()
列表是基于数组结构(Array)实现的,当你在列表的头部插入新成员( list.insert(0,item)
)时,它后面的所有其他成员都需要被移动,操作的时间复杂度是 O(n)
。这导致在列表的头部插入成员远比在尾部追加( list.append(item)
时间复杂度为 O(1)
)要慢。
如果你的代码需要执行很多次这类操作,请考虑使用 collections.deque 类型来替代列表。因为 deque 是基于双端队列实现的,无论是在头部还是尾部追加元素,时间复杂度都是 O(1)
。
当你需要判断成员是否存在于某个容器时,用集合比列表更合适。因为 itemin[...]
操作的时间复杂度是 O(n)
,而 itemin{...}
的时间复杂度是 O(1)
。这是因为字典与集合都是基于哈希表(Hash Table)数据结构实现的。
1. `# 这个例子不是特别恰当,因为当目标集合特别小时,使用集合还是列表对效率的影响微乎其微` 2. `# 但这不是重点 :)` 3. `VALID_NAMES = ["piglei", "raymond", "bojack", "caroline"]` 5. `# 转换为集合类型专门用于成员判断` 6. `VALID_NAMES_SET = set(VALID_NAMES)` 9. `def validate_name(name):` 10. `if name not in VALID_NAMES_SET:` 11. `# 此处使用了 Python 3.6 添加的 f-strings 特性` 12. `raise ValueError(f"{name} is not a valid name!")`
Hint: 强烈建议阅读 TimeComplexity - Python Wiki,了解更多关于常见容器类型的时间复杂度相关内容。 如果你对字典的实现细节感兴趣,也强烈建议观看 Raymond Hettinger 的演讲 Modern Dictionaries(YouTube)
Python 是一门“鸭子类型”语言:“当看到一只鸟走起来像鸭子、游泳起来像鸭子、叫起来也像鸭子,那么这只鸟就可以被称为鸭子。”所以,当我们说某个对象是什么类型时,在根本上其实指的是:这个对象满足了该类型的特定接口规范,可以被当成这个类型来使用。而对于所有内置容器类型来说,同样如此。
打开位于 collections 模块下的 abc(“抽象类 Abstract Base Classes”的首字母缩写)子模块,可以找到所有与容器相关的接口(抽象类)[注2]定义。让我们分别看看那些内建容器类型都满足了什么接口:
Iterable
、 Sequence
、 MutableSequence
等接口Iterable
、 Sequence
Iterable
、 Mapping
、 MutableMapping
[注3]Iterable
、 Set
、 MutableSet
[注4]每个内置容器类型,其实就是满足了多个接口定义的组合实体。比如所有的容器类型都满足 “可被迭代的”(Iterable
) 这个接口,这意味着它们都是“可被迭代”的。但是反过来,不是所有“可被迭代”的对象都是容器。就像字符串虽然可以被迭代,但我们通常不会把它当做“容器”来看待。
了解这个事实后,我们将在 Python 里重新认识面向对象编程中最重要的原则之一:面向接口而非具体实现来编程。
让我们通过一个例子,看看如何理解 Python 里的“面向接口编程”。
某日,我们接到一个需求:有一个列表,里面装着很多用户评论,为了在页面正常展示,需要将所有超过一定长度的评论用省略号替代。
这个需求很好做,很快我们就写出了第一个版本的代码:
1. `# 注:为了加强示例代码的说明性,本文中的部分代码片段使用了Python 3.5` 2. `# 版本添加的 Type Hinting 特性` 4. `def add_ellipsis(comments: typing.List[str], max_length: int = 12):` 5. `"""如果评论列表里的内容超过 max_length,剩下的字符用省略号代替` 6. `"""` 7. `index = 0` 8. `for comment in comments:` 9. `comment = comment.strip()` 10. `if len(comment) > max_length:` 11. `comments[index] = comment[:max_length] + '...'` 12. `index += 1` 13. `return comments` 16. `comments = [` 17. `"Implementation note",` 18. `"Changed",` 19. `"ABC for generator",` 20. `]` 21. `print("\n".join(add_ellipsis(comments)))` 22. `# OUTPUT:` 23. `# Implementati...` 24. `# Changed` 25. `# ABC for gene...`
上面的代码里, add_ellipsis
函数接收一个列表作为参数,然后遍历它,替换掉需要修改的成员。这一切看上去很合理,因为我们接到的最原始需求就是:“有一个 列表,里面...”。但如果有一天,我们拿到的评论不再是被继续装在列表里,而是在不可变的元组里呢?
那样的话,现有的函数设计就会逼迫我们写出 add_ellipsis(list(comments))
这种即慢又难看的代码了。?
我们需要改进函数来避免这个问题。因为 add_ellipsis
函数强依赖了列表类型,所以当参数类型变为元组时,现在的函数就不再适用了(原因:给 comments[index]
赋值的地方会抛出 TypeError
异常)。如何改善这部分的设计?秘诀就是:让函数依赖“可迭代对象”这个抽象概念,而非实体列表类型。
使用生成器特性,函数可以被改成这样:
1. `def add_ellipsis_gen(comments: typing.Iterable[str], max_length: int = 12):` 2. `"""如果可迭代评论里的内容超过 max_length,剩下的字符用省略号代替` 3. `"""` 4. `for comment in comments:` 5. `comment = comment.strip()` 6. `if len(comment) > max_length:` 7. `yield comment[:max_length] + '...'` 8. `else:` 9. `yield comment` 12. `print("\n".join(add_ellipsis_gen(comments)))`
在新函数里,我们将依赖的参数类型从列表改成了可迭代的抽象类。这样做有很多好处,一个最明显的就是:无论评论是来自列表、元组或是某个文件,新函数都可以轻松满足:
1. `# 处理放在元组里的评论` 2. `comments = ("Implementation note", "Changed", "ABC for generator")` 3. `print("\n".join(add_ellipsis_gen(comments)))` 5. `# 处理放在文件里的评论` 6. `with open("comments") as fp:` 7. `for comment in add_ellipsis_gen(fp):` 8. `print(comment)`
将依赖由某个具体的容器类型改为抽象接口后,函数的适用面变得更广了。除此之外,新函数在执行效率等方面也都更有优势。现在让我们再回到之前的问题。从高层来看,什么定义了容器?
答案是:各个容器类型实现的接口协议定义了容器。不同的容器类型在我们的眼里,应该是 是否可以迭代
、 是否可以修改
、 有没有长度
等各种特性的组合。我们需要在编写相关代码时,更多的关注容器的抽象属性,而非容器类型本身,这样可以帮助我们写出更优雅、扩展性更好的代码。
Hint:在 itertools 内置模块里可以找到更多关于处理可迭代对象的宝藏。
有时,我们的代码里会出现超过三个分支的 if/else
。就像下面这样:
1. `import time` 4. `def from_now(ts):` 5. `"""接收一个过去的时间戳,返回距离当前时间的相对时间文字描述` 6. `"""` 7. `now = time.time()` 8. `seconds_delta = int(now - ts)` 9. `if seconds_delta < 1:` 10. `return "less than 1 second ago"` 11. `elif seconds_delta < 60:` 12. `return "{} seconds ago".format(seconds_delta)` 13. `elif seconds_delta < 3600:` 14. `return "{} minutes ago".format(seconds_delta // 60)` 15. `elif seconds_delta < 3600 * 24:` 16. `return "{} hours ago".format(seconds_delta // 3600)` 17. `else:` 18. `return "{} days ago".format(seconds_delta // (3600 * 24))` 21. `now = time.time()` 22. `print(from_now(now))` 23. `print(from_now(now - 24))` 24. `print(from_now(now - 600))` 25. `print(from_now(now - 7500))` 26. `print(from_now(now - 87500))` 27. `# OUTPUT:` 28. `# less than 1 second ago` 29. `# 24 seconds ago` 30. `# 10 minutes ago` 31. `# 2 hours ago` 32. `# 1 days ago`
上面这个函数挑不出太多毛病,很多很多人都会写出类似的代码。但是,如果你仔细观察它,可以在分支代码部分找到一些明显的“边界”。比如,当函数判断某个时间是否应该用“秒数”展示时,用到了 60
。而判断是否应该用分钟时,用到了 3600
。
从边界提炼规律是优化这段代码的关键。如果我们将所有的这些边界放在一个有序元组中,然后配合二分查找模块 bisect。整个函数的控制流就能被大大简化:
1. `import bisect` 4. `# BREAKPOINTS 必须是已经排好序的,不然无法进行二分查找` 5. `BREAKPOINTS = (1, 60, 3600, 3600 * 24)` 6. `TMPLS = (` 7. `# unit, template` 8. `(1, "less than 1 second ago"),` 9. `(1, "{units} seconds ago"),` 10. `(60, "{units} minutes ago"),` 11. `(3600, "{units} hours ago"),` 12. `(3600 * 24, "{units} days ago"),` 13. `)` 16. `def from_now(ts):` 17. `"""接收一个过去的时间戳,返回距离当前时间的相对时间文字描述` 18. `"""` 19. `seconds_delta = int(time.time() - ts)` 20. `unit, tmpl = TMPLS[bisect.bisect(BREAKPOINTS, seconds_delta)]` 21. `return tmpl.format(units=seconds_delta // unit)`
除了用元组可以优化过多的 if/else
分支外,有些情况下字典也能被用来做同样的事情。关键在于从现有代码找到重复的逻辑与规律,并多多尝试。
动态解包操作是指使用 *
或 **
运算符将可迭代对象“解开”的行为,在 Python 2 时代,这个操作只能被用在函数参数部分,并且对出现顺序和数量都有非常严格的要求,使用场景非常单一。
1. `def calc(a, b, multiplier=1):` 2. `return (a + b) * multiplier` 5. `# Python2 中只支持在函数参数部分进行动态解包` 6. `print calc(*[1, 2], **{"multiplier": 10})` 7. `# OUTPUT: 30`
不过,Python 3 尤其是 3.5 版本后, *
和 **
的使用场景被大大扩充了。举个例子,在 Python 2 中,如果我们需要合并两个字典,需要这么做:
1. `def merge_dict(d1, d2):` 2. `# 因为字典是可被修改的对象,为了避免修改原对象,此处需要复制一个 d1 的浅拷贝` 3. `result = d1.copy()` 4. `result.update(d2)` 5. `return result` 7. `user = merge_dict({"name": "piglei"}, {"movies": ["Fight Club"]})`
但是在 Python 3.5 以后的版本,你可以直接用 **
运算符来快速完成字典的合并操作:
1. `user = {**{"name": "piglei"}, **{"movies": ["Fight Club"]}}`
除此之外,你还可以在普通赋值语句中使用 *
运算符来动态的解包可迭代对象。如果你想详细了解相关内容,可以阅读下面推荐的 PEP。
Hint:推进动态解包场景扩充的两个 PEP:
这个小标题可能会稍微让人有点懵,让我来简短的解释一下:“获取许可”与“要求原谅”是两种不同的编程风格。如果用一个经典的需求:“计算列表内各个元素出现的次数” 来作为例子,两种不同风格的代码会是这样:
1. `# AF: Ask for Forgiveness` 2. `# 要做就做,如果抛出异常了,再处理异常` 3. `def counter_af(l):` 4. `result = {}` 5. `for key in l:` 6. `try:` 7. `result[key] += 1` 8. `except KeyError:` 9. `result[key] = 1` 10. `return result` 13. `# AP: Ask for Permission` 14. `# 做之前,先问问能不能做,可以做再做` 15. `def counter_ap(l):` 16. `result = {}` 17. `for key in l:` 18. `if key in result:` 19. `result[key] += 1` 20. `else:` 21. `result[key] = 1` 22. `return result`
整个 Python 社区对第一种 Ask for Forgiveness 的异常捕获式编程风格有着明显的偏爱。这其中有很多原因,首先,在 Python 中抛出异常是一个很轻量的操作。其次,第一种做法在性能上也要优于第二种,因为它不用在每次循环的时候都做一次额外的成员检查。
不过,示例里的两段代码在现实世界中都非常少见。为什么?因为如果你想统计次数的话,直接用 collections.defaultdict
就可以了:
1. `from collections import defaultdict` 4. `def counter_by_collections(l):` 5. `result = defaultdict(int)` 6. `for key in l:` 7. `result[key] += 1` 8. `return result`
这样的代码既不用“获取许可”,也无需“请求原谅”。整个代码的控制流变得更清晰自然了。所以,如果可能的话,请尽量想办法省略掉那些非核心的异常捕获逻辑。一些小提示:
collections.defaultdict
类型dict[key]=dict.setdefault(key,0)+1
内建函数dict.pop(key,None)
dict.get(key,default_value)
IndexError
异常: ["foo"][100:200]
next()
是一个非常实用的内建函数,它接收一个迭代器作为参数,然后返回该迭代器的下一个元素。使用它配合生成器表达式,可以高效的实现“从列表中查找第一个满足条件的成员”之类的需求。
1. `numbers = [3, 7, 8, 2, 21]` 2. `# 获取并 **立即返回** 列表里的第一个偶数` 3. `print(next(i for i in numbers if i % 2 == 0))` 4. `# OUTPUT: 8`
字典和集合的结构特点保证了它们的成员不会重复,所以它们经常被用来去重。但是,使用它们俩去重后的结果会丢失原有列表的顺序。这是由底层数据结构“哈希表(Hash Table)”的特点决定的。
1. `>>> l = [10, 2, 3, 21, 10, 3]` 2. `# 去重但是丢失了顺序` 3. `>>> set(l)` 4. `{3, 10, 2, 21}`
如果既需要去重又必须保留顺序怎么办?我们可以使用 collections.OrderedDict
模块:
1. `>>> from collections import OrderedDict` 2. `>>> list(OrderedDict.fromkeys(l).keys())` 3. `[10, 2, 3, 21]`
Hint: 在 Python 3.6 中,默认的字典类型修改了实现方式,已经变成有序的了。并且在 Python 3.7 中,该功能已经从 语言的实现细节 变成了为 可依赖的正式语言特性。 但是我觉得让整个 Python 社区习惯这一点还需要一些时间,毕竟目前“字典是无序的”还是被印在无数本 Python 书上。所以,我仍然建议在一切需要有序字典的地方使用 OrderedDict。
在文章前面,我们提到了使用“懒惰”生成器的种种好处。但是,所有事物都有它的两面性。生成器的最大的缺点之一就是:它会枯竭。当你完整遍历过它们后,之后的重复遍历就不能拿到任何新内容了。
1. `numbers = [1, 2, 3]` 2. `numbers = (i * 2 for i in numbers)` 4. `# 第一次循环会输出 2, 4, 6` 5. `for number in numbers:` 6. `print(number)` 8. `# 这次循环什么都不会输出,因为迭代器已经枯竭了` 9. `for number in numbers:` 10. `print(number)`
而且不光是生成器表达式,Python 3 里的 map、filter 内建函数也都有一样的特点。忽视这个特点很容易导致代码中出现一些难以察觉的 Bug。
Instagram 就在项目从 Python 2 到 Python 3 的迁移过程中碰到了这个问题。它们在 PyCon 2017 上分享了对付这个问题的故事。访问文章 Instagram 在 PyCon 2017 的演讲摘要,搜索“迭代器”可以查看详细内容。
这是一个很多 Python 初学者会犯的错误。比如,我们需要一个函数来删掉列表里的所有偶数:
1. `def remove_even(numbers):` 2. `"""去掉列表里所有的偶数` 3. `"""` 4. `for i, number in enumerate(numbers):` 5. `if number % 2 == 0:` 6. `# 有问题的代码` 7. `del numbers[i]` 10. `numbers = [1, 2, 7, 4, 8, 11]` 11. `remove_even(numbers)` 12. `print(numbers)` 13. `# OUTPUT: [1, 7, 8, 11]`
注意到结果里那个多出来的 “8” 了吗?当你在遍历一个列表的同时修改它,就会出现这样的事情。因为被迭代的对象 numbers
在循环过程中被修改了。遍历的下标在不断增长,而列表本身的长度同时又在不断缩减。这样就会导致列表里的一些成员其实根本就没有被遍历到。
所以对于这类操作,请使用一个新的空列表保存结果,或者利用 yield
返回一个生成器。而不是修改被迭代的列表或是字典对象本身。
在这篇文章中,我们首先从“容器类型”的定义出发,在底层和高层两个层面探讨了容器类型。之后遵循系列文章传统,提供了一些编写容器相关代码时的技巧。
让我们最后再总结一下要点:
next()
函数配合迭代器可以高效完成很多事情,但是也需要注意“枯竭”问题大家在学python的时候肯定会遇到很多难题,以及对于新技术的追求,这里推荐一下我们的Python学习扣qun:784758214,这里是python学习者聚集地!!同时,自己是一名高级python开发工程师,从基础的python脚本到web开发、爬虫、django、数据挖掘等,零基础到项目实战的资料都有整理。送给每一位python的小伙伴!每日分享一些学习的方法和需要注意的小细节
点击:python技术分享交流
本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。
我来说两句