这里无关机器学习深度学习模式识别等一系列高端的知识，纯粹就是一些KK写py时候碰到的有意思的，有点秀的方法，可以让rookie看了觉得会出BUG😄😄

MENU

方法合集解包用法单行if-else迭代器传入函数中不用加括号orand字符串的截取 包再也不用numpy啦--Cupy神奇的pycallgraph！！

方法合集

解包用法

类似这样a,b,c = [‘a’, ‘b’, ‘c’]

单行if-else

a = 1 b = 3 if a == 1 else 2 print('it is one' if a == 1 else 'no')

感觉很酷炫，rookie看了估计会和你说你写错了hhh

迭代器传入函数中不用加括号

# 一般是这样 a = (i for i in range(10)) sum(a) # 我们可以这样 sum((i for i in range(10))) # 但我们还可以这样 sum(i for i in range(10)) # 类似的有 ' '.join(str(i) for i in range(10))

写hp的循环的sum…

or

or的用法python中 x or y 表示如果x为真就是x的值，否则为y的值 我们会经常看到类似这样的用法(比如函数的一个 value 参数没有设置默认值，这样使用就允许它不赋值)

value = value or {} # 相当于 value = value if value else {}

and

and的用法python中 x and y 表示如果x是假，结果就是x的值，否则就是y的值x and y and z 多个and连接时，如果全是真结果就是最后一个的值；如果中间有假的值，结果就是第一个假的值 举一个例子

def not_empty(a): return a and a.strip() not_empty(' a ') # 值为 'a' not_empty(None) # 不会报错（如果 return a.strip() 就会报错） # 在处理None的问题上相当于 def not_empty(a): if a is None: return None else: return a.strip()

细细品味and和or的差别，他们逻辑类似，但是实现的功能是不可以相互替代的or 是结果如果不满意有个善后工作and是要做一件事之前先检验一下，不能做就不让它做

字符串的截取

str = ‘0123456789’ print str[0:3] #截取第一位到第三位的字符 012 print str[:] #截取字符串的全部字符 0123456789 print str[6:] #截取第七个字符到结尾 6789 print str[:-3] #截取从头开始到倒数第三个字符之前 0123456 print str[2] #截取第三个字符 2 print str[-1] #截取倒数第一个字符 9 print str[::-1] #创造一个与原字符串顺序相反的字符串 9876543210 print str[-3:-1] #截取倒数第三位与倒数第一位之前的字符 78 print str[-3:] #截取倒数第三位到结尾 789 print str[:-5:-3] #逆序截取 96

包

再也不用numpy啦–Cupy

Numpy 的速度已经较 Python 有了很大的提升。当你发现 Python 代码运行较慢，尤其出现大量的 for-loops 循环时，通常可以将数据处理移入 Numpy 并实现其向量化最高速度处理。但有一点，上述 Numpy 加速只是在 CPU 上实现的。由于消费级 CPU 通常只有 8 个核心或更少，所以并行处理数量以及可以实现的加速是有限的。这就催生了新的加速工具——CuPy 库 CuPy 是一个借助 CUDA GPU 库在英伟达 GPU 上实现 Numpy 数组的库。基于 Numpy 数组的实现，GPU 自身具有的多个 CUDA 核心可以促成更好的并行加速。CuPy 接口是 Numpy 的一个镜像，并且在大多情况下，它可以直接替换 Numpy 使用。只要用兼容的 CuPy 代码替换 Numpy 代码，用户就可以实现 GPU 加速。CuPy 支持 Numpy 的大多数数组运算，包括索引、广播、数组数学以及各种矩阵变换。如果遇到一些不支持的特殊情况，用户也可以编写自定义 Python 代码，这些代码会利用到 CUDA 和 GPU 加速。整个过程只需要 C++格式的一小段代码，然后 CuPy 就可以自动进行 GPU 转换，这与使用 Cython 非常相似。在开始使用 CuPy 之前，用户可以通过 pip 安装 CuPy 库：

pip install cupy

CuPy 安装之后，用户可以像导入 Numpy 一样导入 CuPy：

import numpy as np import cupy as cp import time

在接下来的编码中，Numpy 和 CuPy 之间的切换就像用 CuPy 的 cp 替换 Numpy 的 np 一样简单。

神奇的pycallgraph！！

pycallgraph，其作用就是追踪函数的相互调用的情况，如此一来，对每个函数的的追踪将一览无余 分为三个部分：

graphviz（Graph Visualization Software-图形可视化软件）pycallgraph（创建python的可视化图形） 这里推荐在preference中点击添加包哦，我试过用pip安装，但是出了很神仙的错误，把我的python解释器给玩崩了…然后这里推荐大家用傻瓜方法安装，我用的pycharm！ 具体的使用方法如下： pycallgraph graphviz -- ./pyname.py

这里./表示是当前目录哦，可以直接在terminal执行，或者你可以ls查看下当前是在哪层目录，如果不一致你就调下，just image！老师要你画函数流程图，然后你写了几千行代码，一行行的debug，可以当场去世hh，这时候用pycallgraph几秒钟生成然后扬长而去哈哈哈哈哈哈哈哈