#每天一个编程技巧#

话不多说直接来吧道友

1. 选择合适的数据结构

列表 vs 集合 vs 字典

• 列表(list): 有序，允许重复，适合顺序访问
• 集合(set): 无序，唯一元素，适合成员检测
• 字典(dict): 键值对，适合快速查找

# 成员检测优化
names_list = ['Alice', 'Bob', 'Charlie']  # 列表 - O(n)查找
names_set = {'Alice', 'Bob', 'Charlie'}   # 集合 - O(1)查找

# 检查元素是否存在
if 'Bob' in names_list:  # 较慢
    pass

if 'Bob' in names_set:   # 更快
    pass

2. 字符串拼接优化

避免在循环中使用 + 拼接字符串：

# 不推荐 - 每次拼接都创建新字符串
result = ""
for s in ['a', 'b', 'c', 'd']:
    result += s  # 低效

# 推荐方法1 - 使用join()
result = "".join(['a', 'b', 'c', 'd'])

# 推荐方法2 - 使用格式化字符串(f-string, Python 3.6+)
name = "Alice"
age = 25
message = f"My name is {name} and I'm {age} years old."

3. 循环优化技巧

使用列表推导式

# 传统方式
squares = []
for x in range(10):
    squares.append(x**2)

# 列表推导式 - 更简洁高效
squares = [x**2 for x in range(10)]

避免在循环中重复计算

# 不推荐
for i in range(len(data)):
    value = data[i] * 2 + 5 / math.sqrt(data[i])

# 推荐 - 预先计算不变的部分
sqrt_5 = math.sqrt(5)
for i in range(len(data)):
    value = data[i] * 2 + sqrt_5

使用enumerate代替range(len())

# 不推荐
for i in range(len(items)):
    print(i, items[i])

# 推荐
for i, item in enumerate(items):
    print(i, item)

4. 使用内置函数和库

Python内置函数是用C实现的，通常比纯Python代码更快：

# 使用map()和filter()
numbers = [1, 2, 3, 4, 5]
squared = list(map(lambda x: x**2, numbers))
evens = list(filter(lambda x: x % 2 == 0, numbers))

# 使用sum()代替循环累加
total = sum([1, 2, 3, 4, 5])

# 使用zip()并行迭代
names = ['Alice', 'Bob', 'Charlie']
ages = [25, 30, 35]
for name, age in zip(names, ages):
    print(name, age)

5. 局部变量访问更快

访问局部变量比全局变量更快：

# 不推荐
def calculate():
    for i in range(10000):
        math.sqrt(i)  # 全局访问

# 推荐 - 将全局引用转为局部
def calculate():
    sqrt = math.sqrt  # 局部引用
    for i in range(10000):
        sqrt(i)

6. 避免不必要的对象创建

使用生成器表达式

# 列表推导式 - 立即创建完整列表
sum([x**2 for x in range(1000000)])

# 生成器表达式 - 惰性计算，内存更高效
sum(x**2 for x in range(1000000))

使用_忽略不需要的变量

# 只需要值，不需要索引时
for _, value in enumerate(items):
    process(value)

7. 条件判断优化

短路评估

# 不推荐
if x > 0 and math.log(x) > 1:
    pass

# 推荐 - 利用短路评估避免不必要的计算
if x > 0 and math.log(x) > 1:
    pass

将最常见的情况放在前面

# 假设大多数情况下status为'active'
if status == 'active':
    handle_active()
elif status == 'inactive':
    handle_inactive()
else:
    handle_other()

8. 函数调用优化

减少函数调用开销

# 不推荐 - 在循环中重复调用len()
for i in range(len(data)):
    pass

# 推荐 - 预先存储长度
length = len(data)
for i in range(length):
    pass

使用默认参数避免可变对象问题

# 不推荐
def append_to(element, lst=[]):
    lst.append(element)
    return lst

# 推荐
def append_to(element, lst=None):
    if lst is None:
        lst = []
    lst.append(element)
    return lst

9. 使用缓存优化重复计算

使用functools.lru_cache

from functools import lru_cache

@lru_cache(maxsize=128)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

10. 其他实用技巧

交换变量值

a, b = b, a  # 不需要临时变量

链式比较

# 传统方式
if x > 5 and x < 10:
    pass

# Pythonic方式
if 5 < x < 10:
    pass

使用in进行多重比较

# 不推荐
if x == 'a' or x == 'b' or x == 'c':
    pass

# 推荐
if x in {'a', 'b', 'c'}:
    pass

字典的get()和setdefault()

# 安全的字典访问
value = my_dict.get('key', default_value)

# 设置默认值
my_dict.setdefault('key', []).append(value)

这些基础优化技巧可以帮助您编写更高效的Python代码。记住，在优化代码之前，应该先确保代码正确性，然后使用性能分析工具(如cProfile)找出真正的瓶颈所在，再有针对性地进行优化。