写 Python 也好几年时间了。讲道理，在工作中大家肯定遇到过这样的场景：
这个故事告诉我们什么？先造轮子再去 GitHub？还是提高下 GitHub 搜索技巧？
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！
QQ群：127341871
都不是！
实际上，在日常的工作中，我们很多需求，无论是常见的、还是不常见的，Python 都为我们提供了一些独特的解决方案，既不需要自己造轮子，也不需要引入新的依赖（引入新的依赖势必会增加项目的复杂度）。
但是 Python 有太多功能和特性被我们忽略了，导致我们在遇到问题的时候，没法第一时间作出良好的决策。
所以，干脆来一起扫清这些被我们忽略的 Python 死角。
我们经常会想完成一些注册&调用的功能，比如我们有四个函数：
def add(a: int, b: int) -> float:
return a + b
def sub(a: int, b: int) -> float:
return a - b
def mul(a: int, b: int) -> float:
return a * b
def div(a: int, b: int) -> float:
return a / b
现在我们想将这四个函数和 +、-、*、/ 四个操作符绑定，那么我们该怎么做？
可能我们第一反应是这样：
operator_map = {}
def add(a: int, b: int) -> float:
return a + b
def sub(a: int, b: int) -> float:
return a - b
def mul(a: int, b: int) -> float:
return a * b
def div(a: int, b: int) -> float:
return a / b
operator_map["+"] = add
operator_map["-"] = sub
operator_map["*"] = mul
operator_map["/"] = div
但这样写起来，有一个很大的问题就是太不美观了。因为直接对于 dict 的操作从实际上来讲可维护性是很差的，那么我们这个地方应该怎么做？
在改进这段代码之前，我们首先要明确 Python 中一个很重要的概念，即：函数/方法是：First Class Member 。用不精确的话来讲，就是函数/方法可以作为参数被传递、被使用。
举个例子：
import typing
def execute(func: typing.Callable, *args, **kwargs) -> typing.Any:
return func(*args, **kwargs)
def print_func(data: int) -> None:
print(data)
execute(print, 2)
大家可以看到我们将 print_func 这个函数作为参数传递给 execute 函数并被调用。
那么我们来改造下之前的代码：
import typing
operator_map = {}
def add(a: int, b: int) -> float:
return a + b
def sub(a: int, b: int) -> float:
return a - b
def mul(a: int, b: int) -> float:
return a * b
def div(a: int, b: int) -> float:
return a / b
def register_operator(operator: str, func: typing.Callable) -> None:
operator_map[operator] = func
register_operator("+", add)
register_operator("-", sub)
register_operator("*", mul)
register_operator("/", div)
好了，大家看看，目前整体代码的可读性以及可维护性是不是改了很多？
但是我们现在的问题在于，每次都需要在单独调用一次 register_operator 函数，这样也太烦了吧！要不要再改进一下？要得。我们可以用装饰器来改进一下。
首先，看一个最简单的装饰器例子：
import functools
import typing
import time
def execute(func: typing.Callable) -> typing.Callable:
@functools.wraps(func)
def wraps(*args, **kwargs) -> typing.Any:
start_time = time.time()
result = func(*args, **kwargs)
print("{}".format(time.time() - start_time))
return result
return wraps
@execute
def add(a: int, b: int) -> float:
return a + b
我们能看到这段函数的意义是计算函数的执行时间。那么这个原理是什么？
实际上装饰器是一个语法糖，具体可以参见 PEP318 Decorators for Functions and Methods。
简而言之，实际上是 Python 替我们做了一个替换过程。以上面的例子为例，这个替换过程就是 add=execute(add) 。
好了，我们就用这个知识点来改进下之前的代码：
import typing
operator_map = {}
def register_operator(operator: str) -> typing.Callable:
def wraps(func: typing.Callable) -> typing.Callable:
operator_map[operator] = func
return func
return wraps
@register_operator("+")
def add(a: int, b: int) -> float:
return a + b
@register_operator("-")
def sub(a: int, b: int) -> float:
return a - b
@register_operator("*")
def mul(a: int, b: int) -> float:
return a * b
@register_operator("/")
def div(a: int, b: int) -> float:
return a / b
这样我们这段代码的注册过程是不是就显得更优雅了？
嗯，是的！实际上 Python 中有很多特性会帮助我们的代码更简洁，更优美。
接下来这个例子很可能帮我们减轻工作量。
dict 是我们经常使用的一种数据解构。但是在 Python 3.6 之前 dict 都是无序的，即我插入的顺序，和数据在 dict 中存放的顺序并无关联（笔者注：Python 3.6 dict 有序只是新版实现的顺带产物，Python 3.7 正式作为 feature 被固定下来）。
但是很多时候，比如在验签等场景，我们需要保证 dict 数据存放顺序，和我们插入顺序是一致的。那么我们该怎么办？
老板有需求下来了，我们肯定不能告诉老板这个需求没法做。那我们就自己实现一个ordereddict 吧。于是，想了想，写了如下的代码：
import typing
class OrderedDict:
def __init__(self, *args, **kwargs):
self._data = {}
self._ordered_key = []
def __getitem__(self, key: typing.Any) -> typing.Any:
return self._data[key]
def __setitem__(self, key: typing.Any, value: typing.Any) -> None:
if key not in self._data:
return
self._data[key] = value
self._ordered_key.append(key)
def __delitem__(self, key: typing.Any):
del self._data[key]
self._ordered_key.remove(key)
通过额外维护一个 list 来维护 key 插入的顺序。这段代码，看似完成了我们的需求，但是实则存在很大问题。大家可以猜猜问题在哪？
3，2，1！
揭晓答案，这段代码利用 list 来保证 key 的有序性，在删除的时候， list 的删除操作，是一个时间复杂度 O(n) 的操作。换句话说，我们的删除操作随着内部数据的增多，所需的删除时间也变得越长。这对于某些性能敏感的场景是无法接受的。
那要怎么办呢？事实上，Python 在很早之前就已经内置了有序字典，即很多人可能都用过的 collections.OrderedDict 。
在 OrderedDict 中， Python 维护了一个双向链表解构，来保证插入的有序性，如下图所示：
在最左侧维护一个卫兵节点，卫兵节点的 next 指针恒指向于数据中最后插入的节点。那么插入新的数据时，我们将新的数据插入到卫兵节点之后，从而达成维护插入顺序的目的。
在删除的时候，通过额外维护的一个字典找到待删除的 key 所对应的节点。这个操作是 O(1) 的复杂度，然后大家都知道，双向链表删除一个节点的时间复杂度也是 O(1) 。通过这样保证我们在即便有大量数据的情况下，也能保证相应的性能。
好了，我们按照这个思路来做一个最简单的实现：
import typing
class Node:
def __init__(self, key: typing.Any, value: typing.Any) -> None:
self.key = key
self.value = value
self.prev = None
self.next = None
class OrderedDict:
def __init__(self, *args, **kwargs):
self._data = {}
self._head = Node(None, None)
self._last = self._head
def __getitem__(self, key: typing.Any) -> typing.Any:
if key in self._data:
return self._data[key].value
raise ValueError
def __setitem__(self, key: typing.Any, value: typing.Any) -> None:
if key not in self._data:
return
value_node = Node(key, value)
next_node = self._head.next
if not next_node:
self._head.next = value_node
value_node.prev = self._head
self._last = value_node
else:
value_node.next = next_node
next_node.prev = value_node
value_node.prev = self._head
self._head.next = value_node
self._data[key] = value_node
def __delitem__(self, key: typing.Any):
if key not in self._data:
return
value_node = self._data[key]
if value_node == self._last:
self._last = value_node.prev
self._last.next = None
else:
prev_node = value_node.prev
next_node = value_node.next
prev_node.next = next_node
next_node.prev = prev_node
del self._data[key]
del value_node
（此段代码，如有错乱，烦请将浏览字体调小几号）
这只是一个 OrderedDict 的简化版，如果想完成一个完整的 OrderedDict 还有很多很多的 corner case 要去处理。不过现在，我们可以使用内置的数据结构去完成我们需求。怎么样，是不是有了一种幸福的感觉？
通过今天的两个例子，我们发现 Python 提供了相当多的功能去帮助我们完成日常的工作与学习任务。同时通过去深入地了解 Python 内部的一些功能实现，以便我们能更好地去学习一些知识。比如，上文提到的 OrderedDict 的实现，会让我们学到双头链表的一种非常典型的应用，与此同时，双头链表也会用于诸如 LRU 这样非常常用的数据解构的实现。所以，多去深入了解 Python 的方方面面，有助于我们整体能力的提升。
