Bild von Autor | Ideogramm
# Einführung
Sie kennen die Grundlagen der Standardbibliothek von Python. Sie haben wahrscheinlich Funktionen wie verwendet wie zip() Und groupby() Alltagsaufgaben ohne Aufhebens erledigen. Aber hier ist das, was die meisten Entwickler vermissen: Dieselben Funktionen können überraschend „ungewöhnliche“ Probleme auf eine Weise lösen, die Sie wahrscheinlich nie in Betracht gezogen haben. In diesem Artikel werden einige dieser Verwendungen bekannter Python -Funktionen erläutert.
🔗 Hyperlink zum Code auf GitHub
# 1. itertools.groupby() Für die Kodierung der Lauflänge
Während die meisten Entwickler daran denken groupby() Als einfaches Werkzeug zum logischen Gruppieren von Daten ist es auch für die Codierung von Lauflängen nützlich-eine Komprimierungstechnik, die aufeinanderfolgende identische Elemente zählt. Diese Funktion gruppiert natürlich benachbarte passende Elemente zusammen, sodass Sie sich wiederholende Sequenzen in kompakte Darstellungen umwandeln können.
from itertools import groupby
# Analyze consumer exercise patterns from server logs
user_actions = ('login', 'login', 'browse', 'browse', 'browse',
'buy', 'logout', 'logout')
# Compress into sample abstract
activity_patterns = ((motion, len(record(group)))
for motion, group in groupby(user_actions))
print(activity_patterns)
# Calculate complete time spent in every exercise part
total_duration = sum(depend for motion, depend in activity_patterns)
print(f"Session lasted {total_duration} actions")Ausgabe:
(('login', 2), ('browse', 3), ('buy', 1), ('logout', 2))
Session lasted 8 actionsDer groupby() Funktion identifiziert aufeinanderfolgende identische Elemente und gruppiert sie zusammen. Indem Sie jede Gruppe in eine Liste umwandeln und ihre Länge messen, zählen Sie, wie oft jede Aktion nacheinander aufgetreten ist.
# 2. zip() mit * für die Matrixtransposition
Matrixtransposition – Zeilen in Säulen umdrehen – wird einfach, wenn Sie sich kombinieren zip() mit Pythons Auspackbetreiber.
Der Auspackbetreiber (*) verbreitet Ihre Matrixzreihen als individuelle Argumente an zip()was sie dann wieder zusammenbaut, indem sie entsprechende Elemente aus jeder Zeile nehmen.
# Quarterly gross sales knowledge organized by product traces
quarterly_sales = (
(120, 135, 148, 162), # Product A by quarter
(95, 102, 118, 125), # Product B by quarter
(87, 94, 101, 115) # Product C by quarter
)
# Rework to quarterly view throughout all merchandise
by_quarter = record(zip(*quarterly_sales))
print("Gross sales by quarter:", by_quarter)
# Calculate quarterly development charges
quarterly_totals = (sum(quarter) for quarter in by_quarter)
growth_rates = ((quarterly_totals(i) - quarterly_totals(i-1)) / quarterly_totals(i-1) * 100
for i in vary(1, len(quarterly_totals)))
print(f"Development charges: {(f'{charge:.1f}%' for charge in growth_rates)}")Ausgabe:
Gross sales by quarter: ((120, 95, 87), (135, 102, 94), (148, 118, 101), (162, 125, 115))
Development charges: ('9.6%', '10.9%', '9.5%')Wir packen zuerst die Pay attention aus und dann die zip() Funktion gruppiert die ersten Elemente aus jeder Liste, dann die zweiten Elemente und so weiter.
# 3. bisect Zur Aufrechterhaltung der sortierten Ordnung
Die Daten zu sortieren, während Sie neue Elemente hinzufügen halbieren Das Modul hält die Reihenfolge automatisch mithilfe von Binär -Suchalgorithmen.
Das Modul verfügt über Funktionen, mit denen Sie den genauen Einfügenpunkt für neue Elemente in logarithmischer Zeit finden können, und platzieren sie dann korrekt, ohne die vorhandene Reihenfolge zu stören.
import bisect
# Preserve a high-score leaderboard that stays sorted
class Leaderboard:
def __init__(self):
self.scores = ()
self.gamers = ()
def add_score(self, participant, rating):
# Insert sustaining descending order
pos = bisect.bisect_left((-s for s in self.scores), -score)
self.scores.insert(pos, rating)
self.gamers.insert(pos, participant)
def top_players(self, n=5):
return record(zip(self.gamers(:n), self.scores(:n)))
# Demo the leaderboard
board = Leaderboard()
scores = (("Alice", 2850), ("Bob", 3100), ("Carol", 2650),
("David", 3350), ("Eva", 2900))
for participant, rating in scores:
board.add_score(participant, rating)
print("High 3 gamers:", board.top_players(3))Ausgabe:
High 3 gamers: (('David', 3350), ('Bob', 3100), ('Eva', 2900))Dies ist nützlich, um Bestandteile, vorrangige Warteschlangen oder eine geordnete Sammlung zu pflegen, die im Laufe der Zeit schrittweise wächst.
# 4. heapq zum Auffinden von Extremen ohne volle Sortierung
Wenn Sie nur die größten oder kleinsten Elemente aus einem Datensatz benötigen, ist die volle Sortierung ineffizient. Der Heapq Modul verwendet Heap -Datenstrukturen, um excessive Werte effizient zu extrahieren, ohne alles zu sortieren.
import heapq
# Analyze buyer satisfaction survey outcomes
survey_responses = (
("Restaurant A", 4.8), ("Restaurant B", 3.2), ("Restaurant C", 4.9),
("Restaurant D", 2.1), ("Restaurant E", 4.7), ("Restaurant F", 1.8),
("Restaurant G", 4.6), ("Restaurant H", 3.8), ("Restaurant I", 4.4),
("Restaurant J", 2.9), ("Restaurant Okay", 4.2), ("Restaurant L", 3.5)
)
# Discover prime performers and underperformers with out full sorting
top_rated = heapq.nlargest(3, survey_responses, key=lambda x: x(1))
worst_rated = heapq.nsmallest(3, survey_responses, key=lambda x: x(1))
print("Excellence awards:", (title for title, score in top_rated))
print("Wants enchancment:", (title for title, score in worst_rated))
# Calculate efficiency unfold
best_score = top_rated(0)(1)
worst_score = worst_rated(0)(1)
print(f"Efficiency vary: {worst_score} to {best_score} ({best_score - worst_score:.1f} level unfold)")Ausgabe:
Excellence awards: ('Restaurant C', 'Restaurant A', 'Restaurant E')
Wants enchancment: ('Restaurant F', 'Restaurant D', 'Restaurant J')
Efficiency vary: 1.8 to 4.9 (3.1 level unfold)Der Heap -Algorithmus führt eine teilweise Reihenfolge bei, die excessive Werte effizient verfolgt, ohne alle Daten zu organisieren.
# 5. operator.itemgetter Für mehrstufige Sortierung
Komplexe Sortieranforderungen führen häufig zu verwickelten Lambda -Ausdrücken oder einer verschachtelten bedingten Logik. Aber operator.itemgetter Bietet eine elegante Lösung für die Sortierung von Mehrkriterien.
Diese Funktion erstellt wichtige Extraktoren, die mehrere Werte aus Datenstrukturen ziehen und die natürliche Tuple -Sortierung von Python komplexe Bestelllogik ermöglichen.
from operator import itemgetter
# Worker efficiency knowledge: (title, division, performance_score, hire_date)
staff = (
("Sarah", "Engineering", 94, "2022-03-15"),
("Mike", "Gross sales", 87, "2021-07-22"),
("Jennifer", "Engineering", 91, "2020-11-08"),
("Carlos", "Advertising and marketing", 89, "2023-01-10"),
("Lisa", "Gross sales", 92, "2022-09-03"),
("David", "Engineering", 88, "2021-12-14"),
("Amanda", "Advertising and marketing", 95, "2020-05-18")
)
sorted_employees = sorted(staff, key=itemgetter(1, 2))
# For descending efficiency inside division:
dept_performance_sorted = sorted(staff, key=lambda x: (x(1), -x(2)))
print("Division efficiency rankings:")
current_dept = None
for title, dept, rating, hire_date in dept_performance_sorted:
if dept != current_dept:
print(f"n{dept} Division:")
current_dept = dept
print(f" {title}: {rating}/100")Ausgabe:
Division efficiency rankings:
Engineering Division:
Sarah: 94/100
Jennifer: 91/100
David: 88/100
Advertising and marketing Division:
Amanda: 95/100
Carlos: 89/100
Gross sales Division:
Lisa: 92/100
Mike: 87/100Der itemgetter(1, 2) Funktion extrahiert die Abteilung und die Leistungsbewertung aus jedem Tupel und erzeugt zusammengesetzte Sortierschlüssel. Pythons Tuple -Vergleich sortiert natürlich nach dem ersten Factor (Abteilung), dann nach dem zweiten Factor (Punktzahl) für Elemente mit passenden Abteilungen.
# 6. collections.defaultdict zum Aufbau von Datenstrukturen im laufenden Fliegen
Das Erstellen komplexer verschachtelter Datenstrukturen erfordert in der Regel eine mühsame Existenzüberprüfung, bevor Werte hinzugefügt werden, was zu sich wiederholten bedingten Code führt, die Ihre tatsächliche Logik verdeckt.
Der defaultdict Beseitigt diesen Overhead, indem fehlende Werte automatisch mithilfe der von Ihnen angegebenen Werksfunktionen erstellt werden.
from collections import defaultdict
books_data = (
("1984", "George Orwell", "Dystopian Fiction", 1949),
("Dune", "Frank Herbert", "Science Fiction", 1965),
("Delight and Prejudice", "Jane Austen", "Romance", 1813),
("The Hobbit", "J.R.R. Tolkien", "Fantasy", 1937),
("Basis", "Isaac Asimov", "Science Fiction", 1951),
("Emma", "Jane Austen", "Romance", 1815)
)
# Create a number of indexes concurrently
catalog = {
'by_author': defaultdict(record),
'by_genre': defaultdict(record),
'by_decade': defaultdict(record)
}
for title, creator, style, 12 months in books_data:
catalog('by_author')(creator).append((title, 12 months))
catalog('by_genre')(style).append((title, creator))
catalog('by_decade')(12 months // 10 * 10).append((title, creator))
# Question the catalog
print("Jane Austen books:", dict(catalog('by_author'))('Jane Austen'))
print("Science Fiction titles:", len(catalog('by_genre')('Science Fiction')))
print("Sixties publications:", dict(catalog('by_decade')).get(1960, ()))Ausgabe:
Jane Austen books: (('Delight and Prejudice', 1813), ('Emma', 1815))
Science Fiction titles: 2
Sixties publications: (('Dune', 'Frank Herbert'))Der defaultdict(record) Erstellt automatisch leere Pay attention für jeden neuen Schlüssel, den Sie zugreifen, und beseitigen Sie die Notwendigkeit zu überprüfen if key not in dictionary Bevor Werte anhängen.
# 7. string.Template Für eine sichere String -Formatierung
Commonplace -String -Formatierungsmethoden wie F-Strings Und .format() FAIL, wenn erwartete Variablen fehlen. Aber string.Template Hält Ihren Code sogar mit unvollständigen Daten aus. Das Template -System lässt undefinierte Variablen eher an Ort und Stelle als Absturz.
from string import Template
report_template = Template("""
=== SYSTEM PERFORMANCE REPORT ===
Generated: $timestamp
Server: $server_name
CPU Utilization: $cpu_usage%
Reminiscence Utilization: $memory_usage%
Disk Area: $disk_usage%
Lively Connections: $active_connections
Error Fee: $error_rate%
${detailed_metrics}
Standing: $overall_status
Subsequent Verify: $next_check_time
""")
# Simulate partial monitoring knowledge (some sensors could be offline)
monitoring_data = {
'timestamp': '2024-01-15 14:30:00',
'server_name': 'web-server-01',
'cpu_usage': '23.4',
'memory_usage': '67.8',
# Lacking: disk_usage, active_connections, error_rate, detailed_metrics
'overall_status': 'OPERATIONAL',
'next_check_time': '15:30:00'
}
# Generate report with obtainable knowledge, leaving gaps for lacking data
report = report_template.safe_substitute(monitoring_data)
print(report)
# Output reveals obtainable knowledge stuffed in, lacking variables left as $placeholders
print("n" + "="*50)
print("Lacking knowledge may be stuffed in later:")
additional_data = {'disk_usage': '45.2', 'error_rate': '0.1'}
updated_report = Template(report).safe_substitute(additional_data)
print("Disk utilization now reveals:", "45.2%" in updated_report)Ausgabe:
=== SYSTEM PERFORMANCE REPORT ===
Generated: 2024-01-15 14:30:00
Server: web-server-01
CPU Utilization: 23.4%
Reminiscence Utilization: 67.8%
Disk Area: $disk_usage%
Lively Connections: $active_connections
Error Fee: $error_rate%
${detailed_metrics}
Standing: OPERATIONAL
Subsequent Verify: 15:30:00
==================================================
Lacking knowledge may be stuffed in later:
Disk utilization now reveals: TrueDer safe_substitute() Methodenverfahren verfügbare Variablen und gleichzeitig undefinierte Platzhalter für die spätere Fertigstellung. Dies erzeugt fehlertolerante Systeme, bei denen teilweise Daten eher aussagekräftige teilweise Ergebnisse als einen vollständigen Fehler erzielen.
Dieser Ansatz ist nützlich für das Konfigurationsmanagement, die Erzeugung von Bericht, die E -Mail -Vorlagen oder jedes System, bei dem Daten inkrementell eintrafen oder vorübergehend nicht verfügbar sind.
# Abschluss
Die Python Commonplace Library enthält Lösungen für Probleme, von denen Sie nicht wussten, dass sie sie lösen könnte. Was wir hier diskutiert haben, zeigt, wie vertraute Funktionen nicht triviale Aufgaben erledigen können.
Wenn Sie das nächste Mal eine benutzerdefinierte Funktion schreiben, pausieren Sie und untersuchen, was bereits verfügbar ist. Die Instruments in der Python -Standardbibliothek bieten häufig elegante Lösungen, die schneller und zuverlässiger sind und keine zusätzliche Einrichtung erfordern.
Blissful Coding!
Bala Priya c ist ein Entwickler und technischer Schriftsteller aus Indien. Sie arbeitet gern an der Schnittstelle zwischen Mathematik, Programmierung, Datenwissenschaft und Inhaltserstellung. Ihre Interessensgebiete und Fachgebiete umfassen DevOps, Information Science und natürliche Sprachverarbeitung. Sie liest gerne, schreibt, codieren und Kaffee! Derzeit arbeitet sie daran, ihr Wissen mit der Entwicklergemeinschaft zu lernen und zu teilen, indem sie Tutorials, Anleitungen, Meinungsstücke und vieles mehr autorisiert. Bala erstellt auch ansprechende Ressourcenübersichten und Codierungs -Tutorials.