本文目录一览：
- 1、Python中的7个实用小技巧！
- 2、「干货」让Python性能起飞的15个技巧，你知道几个呢？
- 3、IT培训分享新手程序员学习python编程需要了解哪些技巧
- 4、提高 Python 代码的可读性，你需要知道的10个技巧
- 5、学python的10个有效方法有哪些？
- 6、Python 开发中有哪些高级技巧
Python中的7个实用小技巧！
「相对来说，Python的技巧是比较少见的，但是非常实用。」
Talk is cheap show me the code、
1、交换两个值
2.、列表中所有元素合成一个字符串
3. 列表中所有元素合成一个字符串
4. 检查两个字符串是否所用的字母及其个数都一样
5. 反转字符串
6. 反转列表
7. 二维数组转换
若有不明白的地方，请移步Python视频教程继续学习！！
「干货」让Python性能起飞的15个技巧，你知道几个呢？
前言
Python 一直以来被大家所诟病的一点就是执行速度慢，但不可否认的是 Python 依然是我们学习和工作中的一大利器。本文总结了15个tips有助于提升 Python 执行速度、优化性能。
关于 Python 如何精确地测量程序的执行时间，这个问题看起来简单其实很复杂，因为程序的执行时间受到很多因素的影响，例如操作系统、Python 版本以及相关硬件（CPU 性能、内存读写速度）等。在同一台电脑上运行相同版本的语言时，上述因素就是确定的了，但是程序的睡眠时间依然是变化的，且电脑上正在运行的其他程序也会对实验有干扰，因此严格来说这就是实验不可重复。
我了解到的关于计时比较有代表性的两个库就是 time 和 timeit 。
其中， time 库中有 time() 、 perf_counter() 以及 process_time() 三个函数可用来计时（以秒为单位），加后缀 _ns 表示以纳秒计时（自 Python3.7 始）。在此之前还有 clock() 函数，但是在 Python3.3 之后被移除了。上述三者的区别如下：
与 time 库相比， timeit 有两个优点：
timeit.timeit(stmt='pass', setup='pass', timer= , number=1000000, globals=None) 参数说明：
本文所有的计时均采用 timeit 方法，且采用默认的执行次数一百万次。
为什么要执行一百万次呢？因为我们的测试程序很短，如果不执行这么多次的话，根本看不出差距。
Exp1：将字符串数组中的小写字母转为大写字母。
测试数组为 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。
方法一
方法二
方法一耗时 0.5267724000000005s ，方法二耗时 0.41462569999999843s ，性能提升 21.29%
Exp2：求两个 list 的交集。
测试数组：a = [1,2,3,4,5]，b = [2,4,6,8,10]。
方法一
方法二
方法一耗时 0.9507264000000006s ，方法二耗时 0.6148200999999993s ，性能提升 35.33%
关于 set() 的语法： | 、 、 - 分别表示求并集、交集、差集。
我们可以通过多种方式对序列进行排序，但其实自己编写排序算法的方法有些得不偿失。因为内置的 sort() 或 sorted() 方法已经足够优秀了，且利用参数 key 可以实现不同的功能，非常灵活。二者的区别是 sort() 方法仅被定义在 list 中，而 sorted() 是全局方法对所有的可迭代序列都有效。
Exp3：分别使用快排和 sort() 方法对同一列表排序。
测试数组：lists = [2,1,4,3,0]。
方法一
方法二
方法一耗时 2.4796975000000003s ，方法二耗时 0.05551999999999424s ，性能提升 97.76%
顺带一提， sorted() 方法耗时 0.1339823999987857s 。
可以看出， sort() 作为 list 专属的排序方法还是很强的， sorted() 虽然比前者慢一点，但是胜在它“不挑食”，它对所有的可迭代序列都有效。
扩展 ：如何定义 sort() 或 sorted() 方法的 key
1.通过 lambda 定义
2.通过 operator 定义
operator 的 itemgetter() 适用于普通数组排序， attrgetter() 适用于对象数组排序
3.通过 cmp_to_key() 定义，最为灵活
Exp4：统计字符串中每个字符出现的次数。
测试数组：sentence='life is short, i choose python'。
方法一
方法二
方法一耗时 2.8105250000000055s ，方法二耗时 1.6317423000000062s ，性能提升 41.94%
列表推导（list comprehension）短小精悍。在小代码片段中，可能没有太大的区别。但是在大型开发中，它可以节省一些时间。
Exp5：对列表中的奇数求平方，偶数不变。
测试数组：oldlist = range(10)。
方法一
方法二
方法一耗时 1.5342976000000021s ，方法二耗时 1.4181957999999923s ，性能提升 7.57%
大多数人都习惯使用 + 来连接字符串。但其实，这种方法非常低效。因为， + 操作在每一步中都会创建一个新字符串并复制旧字符串。更好的方法是用 join() 来连接字符串。关于字符串的其他操作，也尽量使用内置函数，如 isalpha() 、 isdigit() 、 startswith() 、 endswith() 等。
Exp6：将字符串列表中的元素连接起来。
测试数组：oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。
方法一
方法二
方法一耗时 0.27489080000000854s ，方法二耗时 0.08166570000000206s ，性能提升 70.29%
join 还有一个非常舒服的点，就是它可以指定连接的分隔符，举个例子
life//is//short//i//choose//python
Exp6：交换x，y的值。
测试数据：x, y = 100, 200。
方法一
方法二
方法一耗时 0.027853900000010867s ，方法二耗时 0.02398730000000171s ，性能提升 13.88%
在不知道确切的循环次数时，常规方法是使用 while True 进行无限循环，在代码块中判断是否满足循环终止条件。虽然这样做没有任何问题，但 while 1 的执行速度比 while True 更快。因为它是一种数值转换，可以更快地生成输出。
Exp8：分别用 while 1 和 while True 循环 100 次。
方法一
方法二
方法一耗时 3.679268300000004s ，方法二耗时 3.607847499999991s ，性能提升 1.94%
将文件存储在高速缓存中有助于快速恢复功能。Python 支持装饰器缓存，该缓存在内存中维护特定类型的缓存，以实现最佳软件驱动速度。我们使用 lru_cache 装饰器来为斐波那契函数提供缓存功能，在使用 fibonacci 递归函数时，存在大量的重复计算，例如 fibonacci(1) 、 fibonacci(2) 就运行了很多次。而在使用了 lru_cache 后，所有的重复计算只会执行一次，从而大大提高程序的执行效率。
Exp9：求斐波那契数列。
测试数据：fibonacci(7)。
方法一
方法二
方法一耗时 3.955014900000009s ，方法二耗时 0.05077979999998661s ，性能提升 98.72%
注意事项：
我被执行了（执行了两次 demo(1, 2) ，却只输出一次）
functools.lru_cache(maxsize=128, typed=False) 的两个可选参数：
点运算符( . )用来访问对象的属性或方法，这会引起程序使用 __getattribute__() 和 __getattr__() 进行字典查找，从而带来不必要的开销。尤其注意，在循环当中，更要减少点运算符的使用，应该将它移到循环外处理。
这启发我们应该尽量使用 from ... import ... 这种方式来导包，而不是在需要使用某方法时通过点运算符来获取。其实不光是点运算符，其他很多不必要的运算我们都尽量移到循环外处理。
Exp10：将字符串数组中的小写字母转为大写字母。
测试数组为 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。
方法一
方法二
方法一耗时 0.7235491999999795s ，方法二耗时 0.5475435999999831s ，性能提升 24.33%
当我们知道具体要循环多少次时，使用 for 循环比使用 while 循环更好。
Exp12：使用 for 和 while 分别循环 100 次。
方法一
方法二
方法一耗时 3.894683299999997s ，方法二耗时 1.0198077999999953s ，性能提升 73.82%
Numba 可以将 Python 函数编译码为机器码执行，大大提高代码执行速度，甚至可以接近 C 或 FORTRAN 的速度。它能和 Numpy 配合使用，在 for 循环中或存在大量计算时能显著地提高执行效率。
Exp12：求从 1 加到 100 的和。
方法一
方法二
方法一耗时 3.7199997000000167s ，方法二耗时 0.23769430000001535s ，性能提升 93.61%
矢量化是 NumPy 中的一种强大功能，可以将操作表达为在整个数组上而不是在各个元素上发生。这种用数组表达式替换显式循环的做法通常称为矢量化。
在 Python 中循环数组或任何数据结构时，会涉及很多开销。NumPy 中的向量化操作将内部循环委托给高度优化的 C 和 Fortran 函数，从而使 Python 代码更加快速。
Exp13：两个长度相同的序列逐元素相乘。
测试数组：a = [1,2,3,4,5], b = [2,4,6,8,10]
方法一
方法二
方法一耗时 0.6706845000000214s ，方法二耗时 0.3070132000000001s ，性能提升 54.22%
若要检查列表中是否包含某成员，通常使用 in 关键字更快。
Exp14：检查列表中是否包含某成员。
测试数组：lists = ['life', 'is', 'short', 'i', 'choose', 'python']
方法一
方法二
方法一耗时 0.16038449999999216s ，方法二耗时 0.04139250000000061s ，性能提升 74.19%
itertools 是用来操作迭代器的一个模块，其函数主要可以分为三类：无限迭代器、有限迭代器、组合迭代器。
Exp15：返回列表的全排列。
测试数组：["Alice", "Bob", "Carol"]
方法一
方法二
方法一耗时 3.867292899999484s ，方法二耗时 0.3875405000007959s ，性能提升 89.98%
根据上面的测试数据，我绘制了下面这张实验结果图，可以更加直观的看出不同方法带来的性能差异。
从图中可以看出，大部分的技巧所带来的性能增幅还是比较可观的，但也有少部分技巧的增幅较小（例如编号5、7、8，其中，第 8 条的两种方法几乎没有差异）。
总结下来，我觉得其实就是下面这两条原则：
内置库函数由专业的开发人员编写并经过了多次测试，很多库函数的底层是用 C 语言开发的。因此，这些函数总体来说是非常高效的（比如 sort() 、 join() 等），自己编写的方法很难超越它们，还不如省省功夫，不要重复造轮子了，何况你造的轮子可能更差。所以，如果函数库中已经存在该函数，就直接拿来用。
有很多优秀的第三方库，它们的底层可能是用 C 和 Fortran 来实现的，像这样的库用起来绝对不会吃亏，比如前文提到的 Numpy 和 Numba，它们带来的提升都是非常惊人的。类似这样的库还有很多，比如Cython、PyPy等，这里我只是抛砖引玉。
原文链接：
IT培训分享新手程序员学习python编程需要了解哪些技巧
python编程开发技术是目前比较热门的编程语言之一了，而对于大多数新接触python编程的程序员来说，如果能够掌握一定的编程技巧的话会大大降低我们掌握python编程的难度，下面IT培训就一起来了解一下具体内容吧。
建议1：理解Pythonic概念
建议2：编写Pythonic代码
建议3：理解Python与C语言的不同之处
建议4：在代码中适当添加注释
建议5：通过适当添加空行使代码布局更为优雅、合理
建议6：编写函数的4个原则
建议7：将常量集中到一个文件
建议8：利用assert语句来发现问题
建议9：数据交换值的时候不推荐使用中间变量
建议10：充分利用Lazyevaluation的特性
建议11：理解枚举替代实现的缺陷
建议12：不推荐使用type来进行类型检查
建议13：尽量转换为浮点类型后再做除法
建议14：警惕eval()的安全漏洞
建议15：使用enumerate()获取序列迭代的索引和值
建议16：分清=与is的适用场景
建议17：考虑兼容性，尽可能使用Unicode
建议18：构建合理的包层次来管理module
建议19：有节制地使用fromimport语句
建议20：优先使用absoluteimport来导入模块
建议21：i+=1不等于++i
建议22：使用with自动关闭资源
建议23：使用else子句简化循环(异常处理)
建议24：遵循异常处理的几点基本原则
建议25：避免finally中可能发生的陷阱
建议26：深人理解None，正确判断对象是否为空
建议27：连接字符串应优先使用join而不是+
建议28：格式化字符串时尽量使用.format方式而不是%
建议29：区别对待可变对象和不可变对象
建议30：[]、()和{}：一致的容器初始化形式
建议31：记住函数传参既不是传值也不是传引用
建议32：警惕默认参数潜在的问题
建议33：慎用变长参数
建议34：深入理解str()和repr()的区别
提高 Python 代码的可读性，你需要知道的10个技巧
Python的可读性和简单性是其广受欢迎的两大原因，本文介绍10个常用的Python技巧来提高代码的可读性，并能帮助你节省大量时间，下面的技巧将在你的日常编码练习中非常实用。
1. 字符串反转
字符串反转有很多方法，咱们再这里介绍两种：一种是切片，一种是python字符串的reversed方法。
2. 首字母大写
这里咱们也是介绍两种方法，区别之处在于**capitalize()**仅是首字母大写
**title()**是每个单词开头的首字母都大写
3. 查询唯一元素
我们利用set的唯一性来确定字符串的唯一元素:
4. 变量交换
python中的变量交换比java简单多了，交换两个变量无需定义第三个中间变量，直接交换即可实现
5. 列表排序
列表排序这里我们也提供两种方式。第一个是列表自带的**sort() 方法；第二个是python内置函数 sorted()**方法
6.列表推导式
使用列表推导式可以快速生成一个列表或者根据列表生成满足需求的列表
7. 合并字符串
合并字符串我们使用string的.join()方法实现
8. 拆分字符串
拆分字符串我们使用string的split()方法实现
9. 回文串检测
回文串是指aba、abba、cccbccc、aaaa这种左右对称的字符串。我们可以根据之前提到的切片来检测这种特殊的字符串序列
10. 统计列表元素出现次数
统计列表中元素各自出现的次数我们使用collections 的Counter方法
学python的10个有效方法有哪些？
学习python主要是自学或者报班学习的方式，但不建议自学。
如果想通过学习python改行，那就需要明确一下自己的方向。因为python编程有很多方向，有网络爬虫、数据分析、Web开发、测试开发、运维开发、机器学习、人工智能、量化交易等等，各个方向都有特定的技能要求。
想学的话，当然是可以学习的。python是一门语法优美的编程语言，不仅可以作为小工具使用提升我们日常工作效率，也可以单独作为一项高新就业技能！
python可以做的事情：
软件开发：用python做软件是很多人正在从事的工作，不管是B/S软件，还是C/S软件，都能做。并且需求量还是挺大的；
数据挖掘：python可以制作出色的爬虫工具来进行数据挖掘，而在很多的网络公司中数据挖掘的岗位也不少；
游戏开发：python扩展性很好，拥有游戏开发的库，而且游戏开发绝对是暴力职业；
大数据分析：如今是大数据的时代，用python做大数据也是可以的，大数据分析工程师也是炙手可热的职位；
全栈工程师：如今程序员都在向着全栈的方向发展，而学习python更具备这方面的优势；
系统运维：python在很多linux中都支持，而且语法特点很向shell脚本，学完python做个系统运维也是很不错的。
互联网行业目前还是最热门的行业之一，学习IT技能之后足够优秀是有机会进入腾讯、阿里、网易等互联网大厂高薪就业的，发展前景非常好，普通人也可以学习。
想要系统学习，你可以考察对比一下开设有相关专业的热门学校，好的学校拥有根据当下企业需求自主研发课程的能力，能够在校期间取得大专或本科学历，中博软件学院、南京课工场、南京北大青鸟等开设相关专业的学校都是不错的，建议实地考察对比一下。
祝你学有所成，望采纳。
请点击输入图片描述
请点击输入图片描述
Python 开发中有哪些高级技巧
bobby《Python3高级核心技术97讲》（超清视频）百度网盘
链接:
提取码: ti4i 复制这段内容后打开百度网盘手机App，操作更方便哦
若资源有问题欢迎追问~
