重构有助于使您的代码更干净、更高效。以下是 Python 初学者的五个常见重构。
我。简化布尔表达式
一种常见的模式是使用 if-else 块来返回 True 或 False。例如:
if condition: return True else: return False
将其重构为:
return condition
条件本身已经是一个布尔表达式,因此不需要 if-else 块。通过直接返回条件,代码变得更短且更具可读性。这是一种简单但有效的方法,可以在不改变功能的情况下提高清晰度。
二.列表推导式代替 for / if
初学者经常使用 for 循环和 if 语句来构建列表。例如:
result = [] for item in items: if condition(item): result.append(item)
将其重构为列表理解:
result = [item for item in items if condition(item)]
列表推导式提供了一种更简洁的方式来构造列表。它们通常也比等效的 for 循环更快,因为它们是由 Python 内部优化的。这种方法也更容易阅读,特别是对于简单的列表创建任务。
三.避免重复计算
如果在循环中多次调用同一函数,请将结果存储在变量中。例如:
for item in items: if len(item) > 5: result.append(item) ...
将其重构为:
for item in items: len = len(item) if len > 5: result.append(item) ...
想象一下这个条件是否包含在多个 elif 或嵌套 if 语句中。在这里,每次迭代都会调用 len(item) 两次,这可能效率很低,尤其是对于大型列表。将 len(item) 的结果存储在变量 (len) 中可以消除重复计算,从而提高性能并使代码更简洁。这是一个基本示例。
四。用地图和过滤器替换循环
不用编写显式循环,而是使用Python的内置函数,例如map()和filter(),这样会更高效、更简洁。例如,要将列表中的每个项目加倍:
result = [] for item in items: result.append(item * 2)
将其重构为:
result = list(map(lambda x: x * 2, items))
或者过滤大于 5 的项目:
result = [] for item in items: if item > 5: result.append(item)
将其重构为:
result = list(filter(lambda x: x > 5, items))
map() 和 filter() 都以函数作为参数,因此我们可以使用 lambda 来定义小型匿名函数。 lambda 函数是定义简单操作的简洁方法。例如,lambda x: x * 2 创建一个将 x 乘以 2 的函数。map() 和 filter() 的好处是它们通常比使用 for 循环更高效,并且通常更具可读性。还可以使用列表推导式(见上文)。
V 组合多个 if 语句
检查多个条件时,将它们与逻辑运算符(and、or)组合可以简化您的代码。例如:
if a > 0: if b > 0: result = a + b
将其重构为:
if condition: return True else: return False
这减少了不必要的嵌套,并使代码更易于阅读和维护。将条件组合成一个 if 语句可以使逻辑更加清晰并消除冗余。
结论
重构是指在不改变代码功能的情况下使代码更短、更清晰、更高效。通过简化布尔表达式、使用列表推导式、避免重复计算、利用 map() 和 filter() 等内置函数以及合并条件,您可以使代码变得干燥。使用 lambda 允许您在一行中定义小函数,使代码保持整洁和快速。这些做法不仅可以提高性能,还可以增强可读性,这对于长期维护代码至关重要。
进一步阅读:
https://www.w3schools.com/python/python_lambda.asp
https://www.w3schools.com/python/ref_func_filter.asp
https://www.w3schools.com/python/ref_func_map.asp
以上是适合初学者的 Python 常见重构的详细内容。更多信息请关注PHP中文网其他相关文章!

本教程演示如何使用Python处理Zipf定律这一统计概念,并展示Python在处理该定律时读取和排序大型文本文件的效率。 您可能想知道Zipf分布这个术语是什么意思。要理解这个术语,我们首先需要定义Zipf定律。别担心,我会尽量简化说明。 Zipf定律 Zipf定律简单来说就是:在一个大型自然语言语料库中,最频繁出现的词的出现频率大约是第二频繁词的两倍,是第三频繁词的三倍,是第四频繁词的四倍,以此类推。 让我们来看一个例子。如果您查看美国英语的Brown语料库,您会注意到最频繁出现的词是“th

处理嘈杂的图像是一个常见的问题,尤其是手机或低分辨率摄像头照片。 本教程使用OpenCV探索Python中的图像过滤技术来解决此问题。 图像过滤:功能强大的工具 图像过滤器

本文解释了如何使用美丽的汤库来解析html。 它详细介绍了常见方法,例如find(),find_all(),select()和get_text(),以用于数据提取,处理不同的HTML结构和错误以及替代方案(SEL)

本文比较了Tensorflow和Pytorch的深度学习。 它详细介绍了所涉及的步骤:数据准备,模型构建,培训,评估和部署。 框架之间的关键差异,特别是关于计算刻度的

Python是数据科学和处理的最爱,为高性能计算提供了丰富的生态系统。但是,Python中的并行编程提出了独特的挑战。本教程探讨了这些挑战,重点是全球解释

本教程演示了在Python 3中创建自定义管道数据结构,利用类和操作员超载以增强功能。 管道的灵活性在于它能够将一系列函数应用于数据集的能力,GE

Python 对象的序列化和反序列化是任何非平凡程序的关键方面。如果您将某些内容保存到 Python 文件中,如果您读取配置文件,或者如果您响应 HTTP 请求,您都会进行对象序列化和反序列化。 从某种意义上说,序列化和反序列化是世界上最无聊的事情。谁会在乎所有这些格式和协议?您想持久化或流式传输一些 Python 对象,并在以后完整地取回它们。 这是一种在概念层面上看待世界的好方法。但是,在实际层面上,您选择的序列化方案、格式或协议可能会决定程序运行的速度、安全性、维护状态的自由度以及与其他系

Python的statistics模块提供强大的数据统计分析功能,帮助我们快速理解数据整体特征,例如生物统计学和商业分析等领域。无需逐个查看数据点,只需查看均值或方差等统计量,即可发现原始数据中可能被忽略的趋势和特征,并更轻松、有效地比较大型数据集。 本教程将介绍如何计算平均值和衡量数据集的离散程度。除非另有说明,本模块中的所有函数都支持使用mean()函数计算平均值,而非简单的求和平均。 也可使用浮点数。 import random import statistics from fracti


热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

安全考试浏览器
Safe Exam Browser是一个安全的浏览器环境,用于安全地进行在线考试。该软件将任何计算机变成一个安全的工作站。它控制对任何实用工具的访问,并防止学生使用未经授权的资源。

SublimeText3 Linux新版
SublimeText3 Linux最新版

VSCode Windows 64位 下载
微软推出的免费、功能强大的一款IDE编辑器

Atom编辑器mac版下载
最流行的的开源编辑器

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)