这些让人相见恨晚的高效代码小技巧你听过吗？

本文转载自公众号“读芯术”(ID：AI_Discovery)

Python出圈了，让人似乎现在人人都在学Python，相见效代朋友圈的恨晚课程广告遍地跑，小学生都看起了编程入门。技巧的听过确，Python是让人目前公认的最通用的编程语言，以其易理解易操作的相见效代优势攻占了每一个职场人大学生必备技能榜单。

学会Python确实能协助你高效工作。恨晚但学了是技巧一回事儿，会了是听过另一回事儿，不是让人每个人学过Python的人都能玩得转它。以下几个小技巧，相见效代能让你离玩转Python更进一步。恨晚

把不常用的技巧类别整合成一个

有时你会得到元素分布不均的栏，少有的听过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，网站模板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。源码库

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是站群服务器步骤索引。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。

图源：unsplash

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。

破案啦!编码效率提升一大截的秘密就在于此。