有哪些Python高效代码小技巧

本篇内容主要讲解“有哪些Python高效代码小技巧”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“有哪些Python高效代码小技巧”吧!

把不常用的类别整合成一个

有时你会得到元素分布不均的栏，少有的类别也是仅仅存在而已。通常会希望能将这些类别合并为一个。

df.artists.value_counts()

要将Coldplay和Weekend合并到一个类别中，因为它们对数据集的影响微乎其微。该怎么做?

首先，找到不想改变的元素，比如Eminem，TaylorSwift和BrunoMars：

myList =df.artists.value_counts().nlargest(3).index

使用where()函数替换其他元素

dfdf_new = df.where(df.artists.isin(myList),other='otherartists') df_new.artists.value_counts()

这便是按要求修改后的更新列。

查找列表的新元素

给定两个不同的列表，要求找到一个列表中有但另一个列表中没有的元素时，参照这两个列表：

A = [ 1, 3, 5, 7, 9 ] B = [ 4, 5, 6, 7, 8 ]

为了找到列表A中的新元素，我们取列表A与列表B的集合差：

set(A) - set(B)

值1、3和9只出现在列表A而不出现在列表B中。

摆脱警告

运行代码时，经常会收到很多警告。没过多久它就开始使人恼火。例如每当导入朝代时，可能会收到警告(FutureWarning)消息

可以用下述代码隐藏所有警告。请确保其写在代码顶部。

import warnings warnings.filterwarnings(action='ignore') import keras

这将有助于在整个代码中隐藏所有警告。

Map() 函数

map()函数接受函数(function)和序列(iterable)两个参数，返回包含结果的映射：

map(func,itr)

func 是指接收来自映射传递的给定序列元素的函数。

itr是指可以被映射的序列。

def product(n1,n2):     return n1 *n2 list1 = (1, 2, 3, 4) list2 = (10,20,30,40)result = map(product, list1,list2) list(result)

开始解码。

Product函数接受两个列表，并反馈两个列表的乘积。列表1和列表2是充当map函数序列的两个列表。map()集product函数和序列于一身→列表1和列表2，以及反馈两个列表的乘积作为结果。

Map + Lambda组合

可以使用lambda表达式修改上述代码，以替换product函数：

list1 = (1, 2, 3, 4) list2 = (10,20,30,40) result = map(lambda x,y: x * y, list1,list2) print(list(result))

Lambda表达式有助于降低单独编写函数的成本。

启动、停止和设置

Slice(start:stop[:step])是通常包含部分序列的对象。

• 如果只提供停止，则从索引0开始生成部分序列直到停止。

• 如果只提供开始，则在索引开始之后生成部分序列直到最后一个元素。

• 如果同时提供开始和停止，则在索引开始之后生成部分序列直到停止。

• 如果起始、停止和步骤三者同时提供，则在索引开始之后生成部分序列直到停止，并增加索引步骤。

x = [ 1, 2, 3, 4, 5, 6, 7, 8 ] x[ 1: 6: 2]

上面的代码中，1是开始索引，6是停止索引，2是步骤索引。这意味着从指数1开始到指数6停止，步长为2。

还可以使用[::-1]操作翻转列表：

x[::-1]

没错，通过开始、停止和步骤操作，很容易就可以将整个列表进行逆转。

组合Zip和Enumerate

zip和enumerate函数常用于for循环，两个一起用就更精彩了。它不仅可以在单个循环中迭代多个值，而且可以同时获得索引。

NAME = ['Sid','John','David'] BIRD = ['Eagle','Sparrow','Vulture'] CITY =['Mumbai','US','London']for i,(name,bird,city) inenumerate(zip(NAME,BIRD,CITY)):     print(i,' represents ',name,' ,',bird,' and ',city)

Zip函数可以将所有列表合并为一个，以便同时访问每个列表，而Enumerate函数协助获得索引以及附加到该索引的元素。

随机抽样

有时会遇到非常大的数据集，因而决定处理数据的随机子集。pandas数据框的sample函数可以实现更多的功能。不妨看看在上面已经创建过的歌星数据模型。

df.sample(n=10)

这有助于获取数据集里随机的10行。

df.sample(frac=0.5).reset_index(drop=True)

分解上面的代码，frac参数取值在0到1之间，包括1。它占用分配给它的数据流的一部分。在上面的代码片段中指定了0.5，因此它将返回size→0.5*的随机子集

你能看到前面的reset_index函数。它有助于适当地重排索引，因为获取随机子集时，索引也会被重新排列。

保留内存

随着编程的深入，你将意识到记住内存高效代码的重要性。生成器是返回我们可以遍历的对象的函数。这有助于有效利用内存，因此它主要用于当在无限长的序列上迭代。

def SampleGenerator(n):     yield n     nn = n+1     yield n     nn = n+1     yield ngen = SampleGenerator(1)

Yield 语句暂停函数，保存其所有状态，并在以后的连续调用中继续执行。

print(next(gen)) print(next(gen)) print(next(gen))

如你所见，yield保存了前一个状态，而每当我们调用下一个函数时，它都会继续到下一个返回其新输出的yield。

通过添加在generator函数内无限运行的while循环，可以迭代单个yield。

def updatedGenerator(n):     while(1):         yield n         nn = n + 1 a = updatedGenerator(1)for i in range(5):     print(next(a))

While语句可以反复迭代相同的yield语句。

救世主Skiprows

重头戏压轴出场!要读取的csv文件过大，以至于内存不够用?Skiprows可以轻松解决。

它可以指定需要在数据框中跳过的行数。

假设有个100万行的数据集，不适合你的内存。如果分配skiprows=0.5  million(跳读50万行)，在读取数据集的时候就会跳过50万行，这样就可以轻松地读取数据集的子集。

df = pd.read_csv('artist.csv') df_new = pd.read_csv('artist.csv',skiprows=50)df.shape, df_new.shape

在上面的代码片段中，df表示包含112行的数据集。在添加了skiprows=50(跳读50行)之后，它跳过了数据集中的50行，从而读取了62行作为新数据集。

到此，相信大家对“有哪些Python高效代码小技巧”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！