局部变量更好
记得刚开始学习 C 语言时，对先定义再使用，感到很痛苦，经常因为声明问题编译不通
现在用 Python，变量随用随定义，爽到不行
不过我却养成了先定义在使用的习惯，例如:
a = None # 可以不写 if some_condition: a = 10 else: a = 0
虽然 a = None 可以不写，但是还是习惯性的写处理做变量声明，类似 C 中的 int a;
这样的习惯，促使我在写代码之前，会先考虑如何将会用到的变量，从而，对变量的使用范围做出了严格的限定，能是局部的，绝不全局
而这个习惯提高程序的性能同时，还有其他好处
- 局部变量查找的速度更快，因为 Python 是从代码块里，向外查找变量的，里面找不到，才会去外面找，最后才是全局变量，其他语言也一样
- 局部变量更节省内存，当代码块被执行，代码块中声明的局部变量所占用的内存就会被释放
- 让代码更简洁，更易懂，比如可以用局部变量为冗长的命名空间中的变量起别名，如
ls = os.linesp,后面就在可以用ls简洁表示os.linesp了
函数虽好 尽量少调
函数是个伟大的发明，将可以被重复使用的过程集中起来，方便反复调用，而且函数的出现，使递归得以实现
不过，调用函数的时间成本比一般语句高的多，这是因为，函数的调用需要计算机做更多的调度协调工作
因此，应该尽量减少调用函数，特别是在大的循环中，更要注意
下面，列出几个典型例子，在这些情况下，可以不用调用函数
- 使用
isinstance代替type，因为 Python 是面向对象语言，支持对象的继承，isinstance可以直接检测对象的基类，不会像type一样对对象做全面的检测，会比isinstance做更多的函数调用 - 避免在循环判断中，调用函数
# 每次循环都需要计算 a 的长度 while i < len(a): statement # 先计算出 a 的程度，避免每次循环计算 length = len(a) while i < length: statement
- 如果模块 X 中有个 Y 对象或函数，那么最后这样引入
from X import Y，而不是import X，后者每次使用 Y 时，需要通过X.Y的方式，比直接使用Y多了一次函数调用
映射优于判断
在《编程珠玑 第二版》 第一章开篇中，描述了一个需求，需要对记录了一千多万行 7 位数据的文件中的数据排序，而且需要在很短时间内，在只使用 1M 内存的条件下完成
对于使用着现代计算机的我们来说，简直不可思议
一方面，现在的计算机动辄好几 G，几核，性能超强
另一方面，随便一个编程语言都有内置的高效排序算法
但在当时，计算机最大内存才不过几兆（M）！
你可能不会相信，就在当时的条件下，能在数十秒内完成吧
核心原理就是借用索引，来表示数值，比如 1000 是否存在，就看数组中索引为 1000 的值是否为 1，不存在则为 0，最后只需要遍历一遍数组（书上实际应该的是字符串，一个字节索引表示一个数字），就能得到数据排序了
显而易见，相比判断，索引效率更高
例如，应该尽量避免第一种写法，而用第二种：
# 判断并赋值 if a == 1: b = 10 elif a == 2: b = 20 ... # 利用索引，直接存值，性能更好 d = {1:10,2:20,...} b = d[a]
迭代器的性能更优
Python 中有很多迭代器，方便我们做各种循环
对于可以支持迭代器的对象，使用迭代器获取元素，比用索引获取元素的效率更高
例如：
a = [1, 2, 3] for i in range(len(a)): # 使用索引获取元素 print(a[i]) for item in a: # 使用迭代器获取元素 print(item)
上面代码中，直接使用迭代器的效率更高
如果最开始接触的语言是 Python，应该比较习惯直接使用迭代器，如果从其他语言转过来，可能更习惯使用索引
另外，如果需要在循环中得到每个元素的索引，可以通过一个索引计数器来实现：
a = ['a', 'b', 'c'] index = 0 # 初始化索引 for item in a: print(index, item) index += 1 # 递增索引值
延迟享受是美德
曾经有个著名的心理学实验 —— 棉花糖实验，测试一群小孩子的延迟满足能力，最终的结论是：延迟满足能力强的孩子，未来成功的机率更高
这虽然是对人的测试，但对计算机也适用，不过，背后的逻辑有些不同
对计算机而言，没必要将还用不到的内容加载到内存里，内存就好比我们的工作太，如果放了太的的东西，查找就比较困难，从而影响工作效率
Python 中提供多种延迟加载的功能，其中生成器是个典型的应用
以 list 容器为例，在使用该容器迭代一组数据时，必须事先将所有数据存储到容器中，才能开始迭代
而 生成器 却不同，它可以实现在迭代的同时生成元素，也就是不是一次性生成所有元素，只有在使用时才会生成
下面是个数字 生成器 的例子
def initNum(): for i in range(10): yield i gen = initNum() # 得到生成器 for item in gen: # 遍历生成器 print(item)
调用 initNum 会返回一个生成器，在 for 循环中，或者调用 next（等同于 gen.__next__()) 时才会生成下一个数字，在调用之前，不会生成所有的数据
生成器 占用的资源更少，意味着效率更高
先编译再调用
网络上有很多描述产品经理和研发直接矛盾的段子，让人啼笑皆非
最主要的原因是，需求的不确定性和研发需要的确定性是相互矛盾的
面对不到变动的需求，研发需要不断调整，因此效率不会高
相同的道理，计算机执行已经编译好的程序，比执行边解析边执行的程序效率高很多
例如，C 的程序运行效率会更高，因为需要对 C 代码，编译后才能运行
我们在享受 Python 这类动态语言带来的便利性同时，尽量让程序执行已经编译好的代码，以便提升性能
例如：
code = "for i in range(3):\n\tprint(i)" exec(code) # 直接执行 c = compile(code, "", "exec") exec(c) # 编译后再执行
更常见的是正则表达式
line = "name\t\tage\tschool" reObj = re.compile("\t+") # 编译 reObj.split(line) # 使用编译后的性能更好
编译后不仅性能更好，而且在可以反复使用时，进一步提供效率
模块化
我们人类在不断理解这个世界的同时，产生了大量的信息和知识，一直无论哪个人，究其一生也无法掌握所有的知识
于是科学发展为分科之学，将知识分门别类，以便不同的人掌握了解他所关注的一点
知识是这样，我们的合作也是如此，没有一个可以做所有的事情，需要多人相互配合，各负其责
计算机是我们大脑的延伸，是用我们的思考方式、思维习惯制造的
面对大规模代码时，需要对代码进行分门别类，不仅方便我们人类查看，还能提升程序执行效率，可以在需要时，才去加载和执行模块和方法
例如：
# module1.py def fun(alist): for item in alist: do some thing # 测试用 a = [1, 2, 3] fun(a)
定义了函数 fun，之后测试了下，如果其他代码引用了 fun: from module1 import fun
这测试用的代码就会被执行
好的方式是，将测试用代码封装起来:
# module1.py def fun(alist): for item in alist: do some thing if __name__ == "__main__": # 测试用 a = [1, 2, 3] fun(a)
这样就可以避免测试用代码的无意义执行，从而提升运行效率
总结
虽然现在的计算机性能很强，编程语言提高的功能很多，为我们提高了极大的便利，但是良好的编程习惯和编码规范仍然是很重要的，首先代码更多的时候是写给人看的，另外再强的计算机性能，也解决不了思维懒惰者的低效代码，就好比 你永远叫不醒一个装睡的人 一样。
业精于勤，在日常的工作和编程中，多学多练多思考，会使编程水平的提升事半功倍，看似不起眼的小技巧，处处做好了，将带来巨大的差异，这就是与高手直接的差距
期望今天分享的一点小技巧能给您一丝启发，让您在通往高手的道路上更加顺畅，比心！
