简单实用,Python代码调试利器~

简介: 简单实用,Python代码调试利器~

尽管有那么多花里胡哨的debug工具和方式供我们选择,但不得不承认,在大多数情况下,print()才是最方便的代码调试方式

通过手动在程序中的关键位置书写合适的打印语句,可以很快速地帮助我们了解到程序运行的过程,发现问题所在。

而icecream就是一个将print大法发挥到极致的Python库,它的工作方式有些像vscode中针对javascript的插件Turbo Console Log

使用print来调试代码,你会发现查看终端上的许多行输出,然后试图找出每个输出属于哪些代码,这是一个非常繁琐的过程。

下面就让我们一起来领略icecream中的实用功能吧🍦~

def add(a, b):
    return a + b
 
 
print(add(10, 8))
print(add(221, 91))
print(add(110, 78))
print(add(28, 14))
print(add(159, 76))
print(add(65, 4631))
 
'''
18
312
188
42
235
4696
'''

这些输出中哪一个是 159+76?这些输出中哪一个是 221 + 91?

如果数据很少可能还不是那么糟糕,但是如果有超过5个不同的输出呢?

试图找到负责输出的源代码可能会非常耗时。

当然,可以尝试在print语句中添加文本来进行标记,以便更容易地理解:

def add(a, b):
    print(f'{a}'+'+'+f'{b}:')
    return a + b
 
 
print(add(10, 8))
print(add(221, 91))
print(add(110, 78))
print(add(28, 14))
print(add(159, 76))
 
'''
10+8:
18
221+91:
312
110+78:
188
28+14:
42
159+76:
235
65+4631:
4696
'''

但同样,输出文本也会非常耗时。是否有一种方法可以打印负责输出的代码,而不需要输出额外的文本呢?

这就是冰淇淋派上用场的时候了!

什么是冰淇淋?

Icecream是一个Python库,可通过最少的代码使打印调试更具可读性。

使用下面的代码安装冰淇淋

pip install icecream

然后,让我们按如下方式导入库

from icecream import ic

访问函数

依旧使用上述的加法函数作为测试

from icecream import ic
 
def add(a, b):
    return a + b
 
ic(add(10, 8))
ic(add(221, 91))
ic(add(110, 78))
ic(add(28, 14))
ic(add(159, 76))
ic(add(65, 4631))
 
'''
ic| add(10, 8): 18
ic| add(221, 91): 312
ic| add(110, 78): 188
ic| add(28, 14): 42
ic| add(159, 76): 235
ic| add(65, 4631): 4696
'''

我们从未在 ic() 函数中指定任何内容,但它会自动输出函数名和参数以及结果。因此,我们不必再手动添加"简要描述"。

使用ic的好处,我们不仅可以看到输出,还可以看到函数及其参数!多么方便!

访问字典

我定义了一个字典,并尝试从它的键访问其中的值。Ice Cream 输出字典的变量名和我正在访问的键。

from icecream import ic
 
my_dict = {
    '姓名': '张三',
    '性别': '男',
    '年龄': '20'
}
 
print(my_dict['年龄'])
 
ic(my_dict['年龄'])
 
'''
20
ic| my_dict['年龄']: '20'
'''

访问对象

from icecream import ic
 
class singer():
    lin = '江南'
    xu = '浅唱'
    LOL = True
 
sin = singer()
 
print(sin.lin)
print(sin.xu)
print(sin.LOL)
 
ic(sin.lin)
ic(sin.xu)
ic(sin.LOL)
 
'''
江南
浅唱
True
ic| sin.lin: '江南'
ic| sin.xu: '浅唱'
ic| sin.LOL: True
'''

精准定位

我们可以通过ic() 精确的输出业务代码的位置。

尽管if else语句目前什么也不做,但ic()函数仍然告诉我们调用它的位置和时间,以及行号。

from icecream import ic
 
def location(age):
    if 0 < age <= 18 :
        # bulabulabula......
        ic()
    elif  18 < age <= 60:
        # bulabulabula......
        ic()
    else:
        # bulabulabula......
        ic()
 
if __name__ == '__main__':
    location(10)
    location(56)
    location(88)
 
'''
ic| test.py:5 in location() at 17:42:28.523
ic| test.py:8 in location() at 17:42:28.525
ic| test.py:11 in location() at 17:42:28.527
'''

冰淇淋的默认输出格式是,主要参数如下:

包括前缀:ic

文件名:test.py

代码位置:5, 8, 11行

函数:location()

ic| test.py:5 in location() at 17:42:28.523
ic| test.py:8 in location() at 17:42:28.525
ic| test.py:11 in location() at 17:42:28.527

自定义输出

from icecream import ic
 
ic.configureOutput('kobe的四则运算:')
 
ic(8+8)
ic(18-8)
'''
kobe的四则运算:8+8: 16
kobe的四则运算:18-8: 10
'''

输出时间

有时候,进行代码输出调试的时候

需要知道代码运行该位置时的精确时间

我们可以自定义icecream来实现带时间的输出

from icecream import ic
from datetime import datetime
 
# 将当前时间配置进ic里
ic.configureOutput(prefix=str(datetime.now())+'|')
 
ic(8+8)
ic(18-8)
'''
2021-07-26 18:37:46.601529|8+8: 16
2021-07-26 18:37:46.601529|18-8: 10
'''

好啦,今天的分享就到此结束啦~

目录
打赏
0
4
4
0
25
分享
相关文章
|
4月前
|
时间序列异常检测:MSET-SPRT组合方法的原理和Python代码实现
MSET-SPRT是一种结合多元状态估计技术(MSET)与序贯概率比检验(SPRT)的混合框架,专为高维度、强关联数据流的异常检测设计。MSET通过历史数据建模估计系统预期状态,SPRT基于统计推断判定偏差显著性,二者协同实现精准高效的异常识别。本文以Python为例,展示其在模拟数据中的应用,证明其在工业监控、设备健康管理及网络安全等领域的可靠性与有效性。
685 13
时间序列异常检测:MSET-SPRT组合方法的原理和Python代码实现
【Azure Developer】分享两段Python代码处理表格(CSV格式)数据 : 根据每列的内容生成SQL语句
本文介绍了使用Python Pandas处理数据收集任务中格式不统一的问题。针对两种情况:服务名对应多人拥有状态(1/0表示),以及服务名与人名重复列的情况,分别采用双层for循环和字典数据结构实现数据转换,最终生成Name对应的Services列表(逗号分隔)。此方法高效解决大量数据的人工处理难题,减少错误并提升效率。文中附带代码示例及执行结果截图,便于理解和实践。
122 4
从零复现Google Veo 3:从数据预处理到视频生成的完整Python代码实现指南
本文详细介绍了一个简化版 Veo 3 文本到视频生成模型的构建过程。首先进行了数据预处理,涵盖了去重、不安全内容过滤、质量合规性检查以及数据标注等环节。
107 5
从零复现Google Veo 3:从数据预处理到视频生成的完整Python代码实现指南
从零开始200行python代码实现LLM
本文从零开始用Python实现了一个极简但完整的大语言模型,帮助读者理解LLM的工作原理。首先通过传统方法构建了一个诗词生成器,利用字符间的概率关系递归生成文本。接着引入PyTorch框架,逐步重构代码,实现了一个真正的Bigram模型。文中详细解释了词汇表(tokenizer)、张量(Tensor)、反向传播、梯度下降等关键概念,并展示了如何用Embedding层和线性层搭建模型。最终实现了babyGPT_v1.py,一个能生成类似诗词的简单语言模型。下一篇文章将在此基础上实现自注意力机制和完整的GPT模型。
127 14
从零开始200行python代码实现LLM
200行python代码实现从Bigram模型到LLM
本文从零基础出发,逐步实现了一个类似GPT的Transformer模型。首先通过Bigram模型生成诗词,接着加入Positional Encoding实现位置信息编码,再引入Single Head Self-Attention机制计算token间的关系,并扩展到Multi-Head Self-Attention以增强表现力。随后添加FeedForward、Block结构、残差连接(Residual Connection)、投影(Projection)、层归一化(Layer Normalization)及Dropout等组件,最终调整超参数完成一个6层、6头、384维度的“0.0155B”模型
119 11
200行python代码实现从Bigram模型到LLM
把Postman调试脚本秒变Python采集代码的三大技巧
本文介绍了如何借助 Postman 调试工具快速生成 Python 爬虫代码,并结合爬虫代理实现高效数据采集。文章通过“跨界混搭”结构,先讲解 Postman 的 API 调试功能,再映射到 Python 爬虫技术,重点分享三大技巧:利用 Postman 生成请求骨架、通过 Session 管理 Cookie 和 User-Agent,以及集成代理 IP 提升稳定性。以票务信息采集为例,展示完整实现流程,探讨其在抗封锁、团队协作等方面的价值,帮助开发者快速构建生产级爬虫代码。
103 1
把Postman调试脚本秒变Python采集代码的三大技巧
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析
本文探讨了基于图的重排序方法在信息检索领域的应用与前景。传统两阶段检索架构中,初始检索速度快但结果可能含噪声,重排序阶段通过强大语言模型提升精度,但仍面临复杂需求挑战
85 0
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析
多模态RAG实战指南:完整Python代码实现AI同时理解图片、表格和文本
本文探讨了多模态RAG系统的最优实现方案,通过模态特定处理与后期融合技术,在性能、准确性和复杂度间达成平衡。系统包含文档分割、内容提取、HTML转换、语义分块及向量化存储五大模块,有效保留结构和关系信息。相比传统方法,该方案显著提升了复杂查询的检索精度(+23%),并支持灵活升级。文章还介绍了查询处理机制与优势对比,为构建高效多模态RAG系统提供了实践指导。
427 0
多模态RAG实战指南:完整Python代码实现AI同时理解图片、表格和文本
Python与MongoDB的亲密接触:从入门到实战的代码指南
本文详细介绍了Python与MongoDB结合使用的实战技巧,涵盖环境搭建、连接管理、CRUD操作、高级查询、索引优化、事务处理及性能调优等内容。通过15个代码片段,从基础到进阶逐步解析,帮助开发者掌握这对黄金组合的核心技能。内容包括文档结构设计、批量操作优化、聚合管道应用等实用场景,适合希望高效处理非结构化数据的开发者学习参考。
55 0
Python中的装饰器:简化代码,增强功能
在Python的世界里,装饰器是那些静悄悄的幕后英雄。它们不张扬,却能默默地为函数或类增添强大的功能。本文将带你了解装饰器的魅力所在,从基础概念到实际应用,我们一步步揭开装饰器的神秘面纱。准备好了吗?让我们开始这段简洁而富有启发性的旅程吧!
105 6

推荐镜像

更多
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等

登录插画

登录以查看您的控制台资源

管理云资源
状态一览
快捷访问