月薪28K大佬告诉你python的黑魔法

一.动态绑定:

举个例子，Python可以重新绑定解释器的excepthook，这样当程序异常结束时就可以做一些自定义的处理，我自己就一直拿这个配合ipdb进行debug。用以下代码声明一个ExceptionHook：

然后

重设完exceptionhook后，一旦你的代码抛出异常，整个解释器的环境都会被ipdb接管，然后就可以像交互模式下那样使用了。通常我会在里面查一下栈，把必要的对象pickle一下，这样以后复现错误也比较容易。由于IPython是非GUI的程序，所以即便在SSH里也可以使用这招，完美解决SSH缺少IDE难以debug的窘境。动态绑定的另一个用处，就是当程序依赖一个修改过的库时，可以把修改的部分剥离出来，在运行时动态绑定到对应的库上去就行。如果修改的是成员方法，需要这样绑定：

顺带提一下，pickle也是个非常好用的工具，尽管序列化并不是python的专利。pickle可以用来保存各种运行过程中的对象：

pickle可以减少很多工作量，尤其是在复现bug时，把正确部分的运行结果pickle下来，这样每次可以从pickle的位置开始运行。跑多个相似的baseline时也有很好的效果。不足的是pickle比较吃硬盘，pickle一堆东西后很容易就十几个G了，而且pickle不能序列化动态生成的对象，比如lambda表达式或者上面提到的动态绑定产生的成员方法。

自省方面，Python可以通过dir()和help()函数分别取得对象下成员的列表和帮助，这个在找不到库文档的时候非常好用。只要开发者在函数下面写了注释，就能在help中看到。

除了上面提到的这些特性，python还有一堆小trick，其他回答里也提到了一些。虽然其中很多是语法糖，不过用好它们可以让程序更pythonic：

类中用__slots__将成员静态化，可以节省大量内存。

装饰器，常见用途如函数计时，亦可用来产生新的函数签名。函数签名会影响传参检查和ide补全，对带不定长参数的函数非常有用。很多库中都会用这种方法来兼容不同版本的API。

生成器，对于只需遍历的数据可以节省大量内存。

*和**参数展开。典型的例子是zip(*list_x)和chain(*list_x)，分别相当于转置和concatenate。

if __name__ == "__main__": 检查是否作为主程序调用，用multiprocessing并行时主程序得用这个框起来。

enumerate，例如将一个list变成list2index可以用dict([(x, i) for i, x in enumerate(list_x)])

namedtuple，生成类似于C语言的结构体，同时支持tuple的所有语法。

defaultdict，做统计时不用初始化的dict，可以用lambda实现嵌套构造defaultdict(lambda : defaultdict(int))，甚至递归字典tree = lambda : defaultdict(tree)。

有意思的东西：

stackoveflow上的黑魔法