0x01面向对象
Python 是一门面向对象语言，因此我们有必要熟悉面向对象的一些设计原则。
单一职责原则是指一个函数只做一件事，不要将多个功能集中在同一个函数中，不要大而全，要小而精。这样，当有需求变化时，我们只需要修改对应的部分即可，程序应对变化的能力明显提升。
开放封闭原则是指对扩展开放，对修改关闭。
写程序的都知道，甲方是善变的，今天说用这种方式实现，明天可能就变卦了，这太正常了。所以我们写程序时一定要注意程序的可扩展性，当甲方改动需求时，我们尽可能地少改动或者不改动原有代码，而是通过添加新的实现类来扩展功能，这意味着你系统的原有功能是不会遭到破坏的，则稳定性有极大提升。
接口隔离原则是指调用方不应该依赖其不需要的接口，接口间的依赖关系应当建立在最小功能接口原则之上。
单一职责和接口隔离都是为了提高类的内聚性，降低他们之间的耦合性。这是面向对象封装思想的完美体现。
0x02对文件对象使用with语句
当在一个项目上工作时，我们经常会对文件进行读写操作。最常见的方法是使用open()函数打开一个文件，它会创建一个我们可以操作的文件对象，然后作为一个习惯的做法，我们应该使用close()关闭该文件对象。
f = open('dataset.txt', 'w')
f.write('new_data')
f.close()这很容易记住，但有时写了几个小时的代码，我们可能会忘记用f.close()关闭f文件。这时，with语句就派上了用场。with语句将自动关闭文件对象f，形式如下:
with open('dataset.txt', 'w') as f:
f.write('new_data')有了这个，我们可以保持代码的简短。
你不需要用它来读取CSV文件，因为你可以用pandas的 pd.read_csv()轻松地读取，但在读取其他类型的文件时，这仍然很有用。例如，从pickle文件中读取数据时经常使用它。
import pickle
# 从pickle文件中读取数据集
with open(‘test’, ‘rb’) as input:
data = pickle.load(input)0x03生成器
我们都知道通过列表生成式可以直接创建一个新的列表，但受机器内存限制，列表的容量肯定是有限的。如果列表里面的数据是通过某种规律推导计算出来的，那是否可以在迭代过程中不断地推算出后面的元素呢，这样就不必一次性创建完整个列表，按需使用即可，这时候生成器就派上用场了。
0x04迭代工具
和collections库一样，还有一个库叫itertools，对某些问题真能高效地解决。其中一个用例是查找所有组合，他能告诉你在一个组中元素的所有不能的组合方式
from itertools import combinations
teams = ["Packers", "49ers", "Ravens", "Patriots"]
for game in combinations(teams, 2):
print game
>>> ('Packers', '49ers')
>>> ('Packers', 'Ravens')
>>> ('Packers', 'Patriots')
>>> ('49ers', 'Ravens')
>>> ('49ers', 'Patriots')
>>> ('Ravens', 'Patriots')0x05使用列表理解法
清洗和处理数据的一个常见步骤是修改现有的列表。比如，我们有以下需要大写的列表：
words = ['california', 'florida', 'texas']
将words列表的每个元素大写的典型方法是创建一个新的大写列表，执行一次 for 循环，使用.title()，然后将每个修改的值附加到新的列表中。
capitalized = []
for word in words:
capitalized.append(word.title())
然而，Pythonic的方法是使用列表理解来做到这一点。列表理解有一种优雅的方法来制作列表。
你可以用一行代码重写上面的for循环：
capitalized = [word.title() for word in words]
由此我们可以跳过第一个例子中的一些步骤，结果是一样的。
0x06从字典中获取元素
我承认try/except代码并不雅致，不过这里有一种简单方法，尝试在字典中查找key，如果没有找到对应的alue将用第二个参数设为其变量值。
data = {'user': 1, 'name': 'Max', 'three': 4}
try:
is_admin = data['admin']
except KeyError:
is_admin = False
替换成这样
data = {'user': 1, 'name': 'Max', 'three': 4}
is_admin = data.get('admin', False)0x07获取列表的子集
有时，你只需要列表中的部分元素，这里是一些获取列表子集的方法。
x = [1,2,3,4,5,6]
#前3个
print x[:3]
>>> [1,2,3]
#中间4个
print x[1:5]
>>> [2,3,4,5]
#最后3个
print x[3:]
>>> [4,5,6]
#奇数项
print x[::2]
>>> [1,3,5]
#偶数项
print x[1::2]
>>> [2,4,6]除了python内置的数据类型外，在collection模块同样还包括一些特别的用例，在有些场合Counter非常实用。如果你参加过在这一年的Facebook HackerCup，你甚至也能找到他的实用之处。
from collections import Counter
print Counter("hello")
>>> Counter({'l': 2, 'h': 1, 'e': 1, 'o': 1})0x08多重赋值
你是否曾想减少用于创建多个变量、列表或字典的代码行数？那么，你可以用多重赋值轻松做到这一点。
# 原始操作
a = 1
b = 2
c = 3
# 替代操作
a, b, c = 1, 2, 3
# 代替在不同行中创建多个列表
data_1 = []
data_2 = []
data_3 = []
data_4 = []
# 可以在一行中创建它们的多重赋值
data_1, data_2, data_3, data_4 = [], [], [], []
# 或者使用列表理解法
data_1, data_2, data_3, data_4 = [[] for i in range(4)]
0x09尽量减少使用for循环
很难避免使用for循环。但专家说，只要你有机会预防，你就会去做。For循环在python中是动态的。它的运行时间比while循环要长。嵌套的for循环更耗时。两个嵌套的for循环将在一个for循环中占用时间的平方。
#code1
for i in big_it:
m = re.search(r'\d{2}-\d{2}-\d{4}', i)
if m:
...
#code2
date_regex = re.compile(r'\d{2}-\d{2}-\d{4}')
for i in big_it:
m = date_regex.search(i)
if m:
...
在这种情况下，最好使用合适的替代品。此外，如果不可避免要使用for循环，则将计算移出循环。这样可以节省很多时间。我们可以从上面的例子中看到这一点。在这里，第二个代码比第一个代码快，因为计算是在循环之外完成的。
0x10计数时使用Counter计数对象
这听起来显而易见，但经常被人忘记。对于大多数程序员来说，数一个东西是一项很常见的任务，而且在大多数情况下并不是很有挑战性的事情——这里有几种方法能更简单的完成这种任务。
Python的collections类库里有个内置的dict类的子类，是专门来干这种事情的：
>>> from collections import Counter
>>> c = Counter('hello world')
>>> c
Counter({'l': 3, 'o': 2, ' ': 1, 'e': 1, 'd': 1, 'h': 1, 'r': 1, 'w': 1})
>>> c.most_common(2)
[('l', 3), ('o', 2)]0x11使用内置库和函数
Python有大量的库函数和模块。它们是由专业的开发人员编写的，并经过了多次测试。因此，这些函数是非常高效的，并有助于加速代码——如果函数在库中已经可用，则不需要编写代码。在这方面，我们举一个简单的例子。
#code1
newlist = []
for word in oldlist:
newlist.append(word.upper())
#code2
newlist = map(str.upper, oldlist)
在这里，第二段代码比第一段代码快，因为使用了库函数map()。这些函数对初学者来说很方便。谁不想编写更快、更简洁、更小的代码呢?因此，尽可能多地使用库函数和模块。
0x12正确的数据结构在正确的位置
使用适当的数据结构将减少运行时。在开始之前，您必须考虑将在代码中使用的数据结构。一个完美的数据结构会加快python代码的速度，而其他人会把它搞砸。你必须了解不同数据结构的时间复杂性。Python有内置的数据结构，如列表（list）、元组（tuple）、set和字典（dictionary）。人们习惯于使用列表。但在某些情况下，元组或字典比列表工作得好得多。