掌握这10个Python编程技巧，代码效率提升50%
掌握10个实用Python编程技巧，包括列表推导式、生成器、解包、f-string、Counter等，能显著提升代码优雅度与运行效率，让代码量减半、性能翻倍。
掌握Python不仅在于学会语法，更在于领悟那些能让代码瞬间优雅高效的实用技巧。以下整理的10个编程习惯和手法，能帮你显著减少冗余、提升执行速度，让代码更易维护。
1. 用列表推导式代替传统循环
构建新列表时，列表推导式比传统的for+append模式更简洁、更快。它不仅减少三行代码，还在底层进行了优化。
# 传统方式
squares = []
for x in range(10):
squares.append(x**2)
# 简洁写法
squares = [x**2 for x in range(10)]
加上条件判断同样直观：[x for x in data if x > 0]就能一步完成过滤和转换。
2. 善用生成器节省内存
处理大数据集时，列表会一次性加载全部内容到内存。换成生成器，能做到惰性求值，按需产出元素，极大降低内存占用。
# 生成器表达式——把方括号改为圆括号
sum(x**2 for x in range(10**7))
自定义生成器函数使用yield，可按批次处理文件或流式数据，避免因内存溢出而崩溃。
3. 一次掌握解包的高阶用法
解包不仅用于多个变量赋值，还能在循环、函数调用和合并字典时带来惊喜。
# 交换变量，无需临时变量
a, b = b, a
# 分割首元素和剩余部分
first, *rest = [1, 2, 3, 4]
# 合并字典——Python 3.5+
merged = {**dict1, **dict2}
在for循环中使用enumerate并解包索引和值：for i, val in enumerate(items)，可避免手动维护计数器。
4. 巧用zip与itertools提升迭代效率
并行遍历多个序列时，zip是最优雅的工具。若序列长度不同，可搭配itertools.zip_longest来补齐缺失值。
想要生成笛卡尔积或链式组合？itertools.product、itertools.chain等函数能大幅压缩多层循环的臃肿代码。例如，用chain把多个小列表串成一个统一迭代器，简单高效。
5. 用f-string把格式化做到极致
现代Python中，f-string无论在可读性还是速度上都远超旧的%或format方法。它内嵌表达式，支持调试输出和格式化限定符。
name = "报告"
count = 3
print(f"{name}完成，共{count}份，占比{count/10:.1%}")
在调试时可直接打印变量名和值：f"{var=}"，会显示类似var=42的信息，非常实用。
6. 用Counter和defaultdict简化统计
统计元素频率或归类分组时，不必手写判断键是否存在。collections.Counter能直接返回频次字典，还支持most_common提取高频项。
defaultdict则让你在追加值时免去检查键是否缺失。例如按首字母对单词分组：
from collections import defaultdict
groups = defaultdict(list)
for word in words:
groups[word[0]].append(word)
这样每个键都自动初始化为空列表，代码脉络清晰。
7. 函数参数与返回值的类型化设计
理解可变对象与不可变对象的区别，可以避免函数副作用带来的隐秘bug。应优先返回新值，而非原地修改传入的列表或字典。
# 推荐：返回新列表，不污染入参
def add_prefix(items, prefix):
return [f"{prefix}{item}" for item in items]
使用类型注解，配合mypy做静态检查，能在大型项目中提前发现参数传递错误。
8. 上下文管理器与pathlib联合处理文件
用with语句管理文件和锁，确保无论是否异常，资源都会释放。搭配pathlib处理路径，比os.path更面向对象，读写操作一气呵成。
from pathlib import Path
content = Path("data.txt").read_text(encoding="utf-8")
路径拼接只需用/运算符，如Path("dir") / "sub" / "file.csv"，避免了手动添加分隔符的累赘。
9. 装饰器：横切关注点的利器
日志记录、性能计时、权限校验等重复逻辑，抽象为装饰器后可复用数十次。最通用的形式是带参装饰器，内层嵌套往往令新手却步，但掌握后威力巨大。
def retry(max_attempts=3):
def decorator(func):
def wrapper(*args, **kwargs):
for i in range(max_attempts):
try:
return func(*args, **kwargs)
except Exception:
if i == max_attempts - 1:
raise
return wrapper
return decorator
这样只需在关键函数上方标注@retry(5)，就能自动获得重试能力。
10. 先剖析再优化：使用cProfile和timeit
提升效率切忌凭直觉猜测瓶颈。内置的cProfile模块能列出每个函数的调用次数和耗时，timeit可精确比较微小代码片段的运行速度。
针对热点代码，考虑使用内置C实现（如bisect、array）、缓存计算结果（functools.lru_cache），或结合numpy向量化操作来达成数量级提速，而不是盲目改写底层算法。
将以上技巧融入日常编码，不用刻意记忆，多练习几次就会成为肌肉记忆。代码的简洁性、健壮性和执行效率将同步攀升，维护时也会感到前所未有的从容。
