本篇内容介绍了“Python常见的反模式有哪些”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

成都创新互联公司2013年开创至今，是专业互联网技术服务公司，拥有项目成都网站设计、做网站网站策划，项目实施与项目整合能力。我们以让每一个梦想脱颖而出为使命，1280元清徐做网站,已为上家服务,为清徐各地企业和个人服务,联系电话:13518219792

1.对Iterable对象使用map()和filter()

内置的 map 和 filter 可以帮助我们通过函数编程的原理在 Python 中转换 iterable 对象。

这两个方法都接受一个函数和一个 iterable 作为参数，并返回相应的对象。

通过将该对象作为参数传递到 Python 中的内置列表构造函数，可以将其转换为列表。

我们经常使用 lambda 函数作为 map、filter 函数的参数：

my_list = [1, 2, 3, 4 ,5, 6, 7, 8, 9, 10]  # 将每个元素乘以2 print(list(map(lambda x: x * 2, my_list)))  # [2, 4, 6, 8, 10, 12, 14, 16, 18, 20]  # 过滤掉偶数 print(list(filter(lambda x: x % 2 == 0, my_list)))  # [2, 4, 6, 8, 10]

上面的代码看起来相当累赘和不清楚。使用列表理解可以实现相同结果：

my_list = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]  # 与map相同 print([x * 2 for x in my_list]) # [2, 4, 6, 8, 10, 12, 14, 16, 18, 20]  # 与filter相同 print([x for x in my_list if x % 2 == 0]) # [2, 4, 6, 8, 10]

不使用lambda函数后，列表理解变得更具可读性和简洁性。

2.输入较大时使用列表理解

列表理解有助于我们编写出清晰、简洁的代码。

但是，列表理解总是为 iterable 中的每个值创建一个列表。当输入量非常大时，就会导致内存占用过大的问题：我们的机器可能会崩溃。

生成器表达式结合了列表理解和生成器这两个方面的优点，为处理大型输入序列提供了更有效的方法。

要创建生成器表达式，只需将列表中的 [] 方括号替换为()方括号。

生成器表达式并不是创建一个全新的列表，而是创建一个迭代器。

这会降低创建速度并优化内存分配。我们可以使用 next 函数或通过循环访问生成器表达式的每个后续元素。

my_list = [1, 2, 3, 4 ,5, 6, 7, 8, 9, 10]  my_gen_expr = (x * 2 for x in my_list)  print(next(my_gen_expr)) print(next(my_gen_expr)) # >> # 2 # 4  for x in my_gen_expr:   print(x) # >> # 6 # 8 # 10 # 12 # 14 # 16 # 18 # 20

注：生成器表达式是有状态的，因此在重用时要注意。如果要多次使用迭代器，则可能需要重新创建迭代器。

3.不使用range()的情况

range 函数对迭代整数很有用。

for i in range(10):     print(i)

当迭代类似列表的数据结构时，我们可以完全依赖for循环语法来访问每个项目。代码如下：

my_list = [2, 4, 6, 8, 10]  for item in my_list:     print(item)  # Output: # 2 # 4 # 6 # 8 # 10

但是，当想要访问索引和元素时，我们可以使用列表长度下的 range 方法，如下所示：

my_list = [2, 4, 6, 8, 10]  for i in range(len(my_list)):     print("index: ", i, "value: ", my_list[i])      # Output: # index: 0 value: 2 # index: 1 value: 4 # index: 2 value: 6 # index: 3 value: 8 # index: 4 value: 10

代码看起来不可读，因为我们必须在列表上调用 len，然后使用 range 方法包装输出。为了使代码更加具有 python  风格，我们必须提高代码的可读性。

更好的方法是对 list 对象调用 enumerate 函数。这将创建一个生成器，生成列表项的索引和值。

my_list = [2, 4, 6, 8, 10]  for i, v in enumerate(my_list):     print("index: ", i, "value: ", v)      # Output: # index: 0 value: 2 # index: 1 value: 4 # index: 2 value: 6 # index: 3 value: 8 # index: 4 value: 10

代码看起来是不是更加干净了?

4.字典中键丢失的问题

字典具有快速访问、分配、插入和删除的能力，是一种非常流行的数据结构。

但是新手开发人员访问字典中不存在的密钥时经常会遇到问题。

crypto_price = {   "Bitcoin": 64000,   "Ethereum": 2300,   "Dogecoin": 0.12 }  crypto_price["XRP"]

处理该类问题的其中一种方法是检查字典中是否存在密钥，代码如下：

key = "XRP"  if key not in crypto_price:     crypto_price[key] = 1.2      print(crypto_price[key])

另一种方法是使用 try/except 块，如下所示：

key = "XRP"  try:     xrp = crypto_price[key] except raise KeyError:     xrp = 1.2      crypto_price[key] = xrp

上面的代码确实实现了我们的目标，但是我们可以通过使用字典方法 get 进一步改进。

通过使用 get 方法来获取相应键的值，而不是使用方括号 [] 来访问字典的键。

另外，如果键不存在，get 方法将返回 None，而不是抛出 KeyError。如果缺少键而不是无键，还可以将参数传递给 get  方法以获取默认值。

key = "XRP"  if crypto_price.get("XRP") is None:   crypto_price["XRP"] = 1.2

ada = crypto_price.get("ADA", 0)  # Prints 0 print(ada)

5.惰性关键字和位置参数设计

Python函数能够同时接受位置参数和关键字参数。

位置参数是不后跟等号(=)和默认值的名称。

关键字参数后面跟一个等号和一个给出其默认值的表达式。

得益于这种设计，python函数的创建和重用非常灵活。

但是，定义函数时，错误的设计选择可能会导致代码中难以修复的错误。

我们以计算复利的函数为例：

# 复利计算器年/月复利 def calculate_compound_interest(principal, rate, time_in_years,                                 compounded_monthly, to_string):   t = 1   if compounded_monthly:     t = 12   amt = principal * (1 + rate/(t * 100)) ** (time_in_years * t)   if to_string:     return f"${amt - principal:.2f}"    return amt - principal          calculate_compound_interest(100, 5, 2, False, False)   # 10.25

调用函数时出现的一个问题是，两个布尔参数(compounded_monthly 和结尾的  to_string)很容易相互混淆。这就会出现难以追踪的问题。

我们可以通过如下方式更改函数定义来提高可读性：

# 复利计算器年/月复利 def calculate_compound_interest(principal, rate, time_in_years,                                 compounded_monthly=False, to_string=False):

通过将两个布尔参数指定为关键字参数，函数调用方可以显式地指定要设置的布尔值，这些值将覆盖默认值。

calculate_compound_interest(100, 5, 2, compounded_monthly=True) # 10.49413355583269  calculate_compound_interest(100, 5, 2, to_string=True) # '$10.25'

但是，这仍然会出现问题，主要原因是关键字参数是可选的，因为没有任何强制调用方将这些作为关键字参数使用。

因此，我们仍然可以使用旧方法调用该函数：

calculate_compound_interest(100, 5, 2, False, False)

解决该问题的方法是仅在定义函数时强制布尔参数为关键字：

# 复利计算器年/月复利 def calculate_compound_interest(principal, rate, time_in_years, *, # Changed                                 compounded_monthly=False, to_string=False):

我们看到，*符号表示位置参数的结束和仅关键字参数的开始。

如果这样调用：

calculate_compound_interest(100, 5, 2, False, False)

将发生以下错误：

--------------------------------------------------------------------------- TypeError                                 Traceback (most recent call last)  in  ----> 1 print(calculate_compound_interest(1000, 5, 2, False, False)) TypeError: calculate_compound_interest() takes 3 positional arguments but 5 were given

但是，关键字参数及其默认行为仍将保持不变，如下所示：

alculate_compound_interest(100, 5, 2, compounded_monthly=True) # 10.49413355583269  calculate_compound_interest(100, 5, 2, to_string=True) # '$10.25'

然而，仍然存在一个问题。

假设调用者决定对前三个必需参数(principal、rate、time in years)混合使用位置和关键字。

如果这三个参数的函数参数名称发生更改，我们将看到Python解释器。它会这样说：

# 复利计算器年/月复利 def calculate_compound_interest(p, r, t_in_y, *, # Changed                                 compounded_monthly=False, to_string=False):

calculate_compound_interest(principal=1000, rate=5, time_in_years=2)  calculate_compound_interest(1000, 5, time_in_years=2)

将发生以下错误：

--------------------------------------------------------------------------- TypeError                                 Traceback (most recent call last)  in  ----> 1 calculate_compound_interest(principal=1000, rate=5, time_in_years=2) TypeError: calculate_compound_interest() got an unexpected keyword argument 'principal' --------------------------------------------------------------------------- TypeError                                 Traceback (most recent call last)  in  ----> 1 calculate_compound_interest(1000, 5, time_in_years=2) TypeError: calculate_compound_interest() got an unexpected keyword argument 'time_in_years'

因为我们没有考虑调用方显式地使用位置参数，所以代码中断。

python3.8中引入了一个解决方案，我们可以使用/参数重新定义函数，该参数指示仅位置参数的结束位置。代码如下：

# 复利计算器年/月复利 def calculate_compound_interest(p, r, t_in_y, /, *,  # 改变                                 compounded_monthly=False, to_string=False):

现在这样调用函数就会产生正确的结果：

calculate_compound_interest(100, 5, 2, compounded_monthly=True) # 10.49413355583269  calculate_compound_interest(100, 5, 2, to_string=True) # '$10.25'

但是，如果我们这样调用：

calculate_compound_interest(p=1000, r=5, t_in_y=2)

也会显示相应的错误：

---------------------------------------------------------------------------  TypeError                                 Traceback (most recent call last)   in   ----> 1 calculate_compound_interest(p=1000, r=5, t_in_y=2)        2  TypeError: calculate_compound_interest() got some positional-only arguments passed as keyword arguments: 'p, r, t_in_y'

“Python常见的反模式有哪些”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站，小编将为大家输出更多高质量的实用文章！

当前标题：Python常见的反模式有哪些
浏览地址：http://pwwzsj.com/article/jhohps.html