后悔没早知道这些Python特性

写 Python 也好几年时间了。讲道理，在工作中大家肯定遇到过这样的场景：

这个故事告诉我们什么？先造轮子再去 GitHub？还是提高下 GitHub 搜索技巧？

都不是！

实际上，在日常的工作中，我们很多需求，无论是常见的、还是不常见的，Python 都为我们提供了一些独特的解决方案，既不需要自己造轮子，也不需要引入新的依赖（引入新的依赖势必会增加项目的复杂度）。

但是 Python 有太多功能和特性被我们忽略了，导致我们在遇到问题的时候，没法第一时间作出良好的决策。

所以，干脆来一起扫清这些被我们忽略的 Python 死角。

我们经常会想完成一些注册&调用的功能，比如我们有四个函数：

def add(a: int, b: int) -> float:

return a + b

def sub(a: int, b: int) -> float:

return a - b

def mul(a: int, b: int) -> float:

return a * b

def div(a: int, b: int) -> float:

return a / b

现在我们想将这四个函数和 +、-、*、/ 四个操作符绑定，那么我们该怎么做？

可能我们第一反应是这样：

operator_map={}

def add(a: int, b: int) -> float:

return a + b

def sub(a: int, b: int) -> float:

return a - b

def mul(a: int, b: int) -> float:

return a * b

def div(a: int, b: int) -> float:

return a / b

operator_map["+"]=add

operator_map["-"]=sub

operator_map["*"]=mul

operator_map["/"]=div

但这样写起来，有一个很大的问题就是太不美观了。因为直接对于 dict的操作从实际上来讲可维护性是很差的，那么我们这个地方应该怎么做？

在改进这段代码之前，我们首先要明确 Python 中一个很重要的概念，即：函数/方法是：First Class Member 。用不精确的话来讲，就是函数/方法可以作为参数被传递、被使用。

举个例子：

import typing

def execute(func: typing.Callable, *args, **kwargs) -> typing.Any:

return func(*args, **kwargs)

def print_func(data: int) -> None:

print(data)

execute(print, 2)

大家可以看到我们将 print_func这个函数作为参数传递给 execute 函数并被调用。

那么我们来改造下之前的代码：

import typing

operator_map={}

def add(a: int, b: int) -> float:

return a + b

def sub(a: int, b: int) -> float:

return a - b

def mul(a: int, b: int) -> float:

return a * b

def div(a: int, b: int) -> float:

return a / b

def register_operator(operator: str, func: typing.Callable) -> None:

operator_map[operator]=func

register_operator("+", add)

register_operator("-", sub)

register_operator("*", mul)

register_operator("/", div)

好了，大家看看，目前整体代码的可读性以及可维护性是不是改了很多？

但是我们现在的问题在于，每次都需要在单独调用一次 register_operator 函数，这样也太烦了吧！要不要再改进一下？要得。我们可以用装饰器来改进一下。

首先，看一个最简单的装饰器例子：

import functools

import typing

import time

def execute(func: typing.Callable) -> typing.Callable:

@functools.wraps(func)

def wraps(*args, **kwargs) -> typing.Any:

start_time=time.time

result=func(*args, **kwargs)

print("{}".format(time.time - start_time))

return result

return wraps

@execute

def add(a: int, b: int) -> float:

return a + b

我们能看到这段函数的意义是计算函数的执行时间。那么这个原理是什么？

实际上装饰器是一个语法糖，具体可以参见 PEP318 Decorators for Functions and Methods。

简而言之，实际上是 Python 替我们做了一个替换过程。以上面的例子为例，这个替换过程就是 add=execute(add)。

好了，我们就用这个知识点来改进下之前的代码：

import typing

operator_map={}

def register_operator(operator: str) -> typing.Callable:

def wraps(func: typing.Callable) -> typing.Callable:

operator_map[operator]=func

return func

return wraps

@register_operator("+")

def add(a: int, b: int) -> float:

return a + b

@register_operator("-")

def sub(a: int, b: int) -> float:

return a - b

@register_operator("*")

def mul(a: int, b: int) -> float:

return a * b

@register_operator("/")

def div(a: int, b: int) -> float:

return a / b

这样我们这段代码的注册过程是不是就显得更优雅了？

嗯，是的！实际上 Python 中有很多特性会帮助我们的代码更简洁，更优美。

接下来这个例子很可能帮我们减轻工作量。

dict 是我们经常使用的一种数据解构。但是在 Python 3.6 之前 dict 都是无序的，即我插入的顺序，和数据在 dict 中存放的顺序并无关联（笔者注：Python 3.6 dict 有序只是新版实现的顺带产物，Python 3.7 正式作为 feature 被固定下来）。

但是很多时候，比如在二手交易平台验签等场景，我们需要保证 dict 数据存放顺序，和我们插入顺序是一致的。那么我们该怎么办？

老板有需求下来了，我们肯定不能告诉老板这个需求没法做。那我们就自己实现一个ordereddict 吧。于是，想了想，写了如下的代码：

import typing

class OrderedDict:

def init(self, *args, **kwargs):

self._data={}

self._ordered_key=

def getitem(self, key: typing.Any) -> typing.Any:

return self._data[key]

def setitem(self, key: typing.Any, value: typing.Any) -> None:

if key not in self._data:

return

self._data[key]=value

self._ordered_key.append(key)

def delitem(self, key: typing.Any):

del self._data[key]

self._ordered_key.remove(key)

通过额外维护一个 list 来维护 key 插入的顺序。这段代码，看似完成了我们的需求，但是实则存在很大问题。大家可以猜猜问题在哪？

3，2，1！

揭晓答案，这段代码利用 list 来保证 key 的有序性，在删除的时候， list 的删除操作，是一个时间复杂度 O(n) 的操作。换句话说，我们的删除操作随着内部数据的增多，所需的删除时间也变得越长。这对于某些性能敏感的场景是无法接受的。

那要怎么办呢？事实上，Python 在很早之前就已经内置了有序字典，即很多人可能都用过的 collections.OrderedDict 。

在 OrderedDict 中， Python维护了一个双向链表解构，来保证插入的有序性，如下图所示：

在最左侧维护一个卫兵节点，卫兵节点的 next 指针恒指向于数据中最后插入的节点。那么插入新的数据时，我们将新的数据插入到卫兵节点之后，从而达成维护插入顺序的目的。

在删除的时候，通过额外维护的一个字典找到待删除的 key 所对应的节点。这个操作是 O(1) 的复杂度，然后大家都知道，双向链表删除一个节点的时间复杂度也是 O(1) 。通过这样保证我们在即便有大量数据的情况下，也能保证相应的性能。

好了，我们按照这个思路来做一个最简单的实现：

import typing

class Node:

def init(self, key: typing.Any, value: typing.Any) -> None:

self.key=key

self.value=value

self.prev=None

self.next=None

class OrderedDict:

def init(self, *args, **kwargs):

self._data={}

self._head=Node(None, None)

self._last=self._head

def getitem(self, key: typing.Any) -> typing.Any:

if key in self._data:

return self._data[key].value

raise ValueError

def setitem(self, key: typing.Any, value: typing.Any) -> None:

if key not in self._data:

return

value_node=Node(key, value)

next_node=self._head.next

if not next_node:

self._head.next=value_node

value_node.prev=self._head

self._last=value_node

else:

value_node.next=next_node

next_node.prev=value_node

value_node.prev=self._head

self._head.next=value_node

self._data[key]=value_node

def delitem(self, key: typing.Any):

if key not in self._data:

return

value_node=self._data[key]

if value_node==self._last:

self._last=value_node.prev

self._last.next=None

else:

prev_node=value_node.prev

next_node=value_node.next

prev_node.next=next_node

next_node.prev=prev_node

del self._data[key]

del value_node

（此段代码，如有错乱，烦请将浏览字体调小几号）

这只是一个 OrderedDict 的简化版，如果想完成一个完整的 OrderedDict 还有很多很多的 corner case 要去处理。不过现在，我们可以使用内置的数据结构去完成我们需求。怎么样，是不是有了一种幸福的感觉？

通过今天的两个例子，我们发现 Python 提供了相当多的功能去帮助我们完成日常的工作与学习任务。同时通过去深入地了解 Python 内部的一些功能实现，以便我们能更好地去学习一些知识。比如，上文提到的 OrderedDict 的实现，会让我们学到双头链表的一种非常典型的应用，与此同时，双头链表也会用于诸如 LRU 这样非常常用的数据解构的实现。所以，多去深入了解 Python 的方方面面，有助于我们整体能力的提升。

那么既然电脑上已经有了 Python，为何不将这些 tricks 用起来，让 Python 更 6 呢？安利这位来自德国的大咖，资深养蛇玩家 Dan Bader。

他的博客 dbader.org 每月有超过 20 万的浏览量，Real Python 视频累计浏览量超过百万。订阅他的邮件，每天都会准时收到他更新 Python 技巧，一日不差，是一个极其自律的人。

畅销书 Python Tricks 作者，影响全球 1 000 000 以上程序员的 PythonistaCafe 社区创始人，Real Python 培训机构总编，拥有近 20 年软件开发经验。巴德尔毕业于欧洲历史悠久的慕尼黑工业大学，该校以优异的科教质量闻名，截至 2018 年已经培养出 17 位诺贝尔奖得主。

他把自己对 Python 的理解成书，试图通过一些常用的小例子帮助更多开发者拥抱 Python。