[[402342]]

探索一些未被充分利用但仍然有用的 Python 特性。

這是Python 3.x 首發特性系列文章中的第三篇。其中一些 Python 版本已經推出了一段時間。例如，Python 3.2 是在 2011 年首次發布的，但其中引入的一些很酷、很有用的特性仍然沒有被使用。下面是其中的三個。

argparse 子命令

argparse 模塊首次出現在 Python 3.2 中。有許多用于命令行解析的第三方模塊。但是內置的 argparse 模塊比許多人認為的要強大。

要記錄所有的 argparse 的特性，那需要專門寫系列文章。下面是一個例子，說明如何用 argparse 做子命令。

想象一下，一個命令有兩個子命令：negate，需要一個參數，multiply，需要兩個參數：

$ computebot negate 5
-5
$ computebot multiply 2 3
6

import argparse
 
parser = argparse.ArgumentParser()
subparsers = parser.add_subparsers()

add_subparsers() 方法創建一個對象，你可以向其添加子命令。唯一需要記住的技巧是，你需要添加通過 set_defaults() 調用的子命令：

negate  = subparsers.add_parser("negate")
negate.set_defaults(subcommand="negate")
negate.add_argument("number", type=float)

multiply  = subparsers.add_parser("multiply")
multiply.set_defaults(subcommand="multiply")
multiply.add_argument("number1", type=float)
multiply.add_argument("number2", type=float)

我最喜歡的一個 argparse 功能是，因為它把解析和運行分開，測試解析邏輯特別令人愉快。

parser.parse_args(["negate", "5"])

    Namespace(number=5.0, subcommand='negate')

parser.parse_args(["multiply", "2", "3"])

    Namespace(number1=2.0, number2=3.0, subcommand='multiply')

contextlib.contextmanager

上下文是 Python 中一個強大的工具。雖然很多人 使用 它們，但編寫一個新的上下文常常看起來像一門黑暗藝術。有了 contextmanager 裝飾器，你所需要的只是一個一次性的生成器。

編寫一個打印出做某事所需時間的上下文，就像這樣簡單：

import contextlib, timeit
 
@contextlib.contextmanager
def timer():
    before = timeit.default_timer()
    try:
        yield
    finally:
        after = timeit.default_timer()
        print("took", after - before)

你可以這樣使用：

import time
 
with timer():
    time.sleep(10.5)

    took 10.511025413870811`

functools.lru_cache

有時，在內存中緩存一個函數的結果是有意義的。例如，想象一下經典的問題：“有多少種方法可以用 25 美分、1 美分、2 美分和 3 美分可以來換取 1 美元？”

這個問題的代碼可以說是非常簡單：

def change_for_a_dollar():
    def change_for(amount, coins):
        if amount == 0:
            return 1
        if amount < 0 or len(coins) == 0:
            return 0
        some_coin = next(iter(coins))
        return (
            change_for(amount, coins - set([some_coin]))
            +
            change_for(amount - some_coin, coins)
        )
    return change_for(100, frozenset([25, 10, 5, 1]))

在我的電腦上，這需要 13ms 左右：

with timer():
    change_for_a_dollar()

    took 0.013737603090703487`

事實證明，當你計算有多少種方法可以做一些事情，比如用 50 美分找錢，你會重復使用相同的硬幣。你可以使用 lru_cache 來避免重復計算。

import functools
 
def change_for_a_dollar():
    @functools.lru_cache
    def change_for(amount, coins):
        if amount == 0:
            return 1
        if amount < 0 or len(coins) == 0:
            return 0
        some_coin = next(iter(coins))
        return (
            change_for(amount, coins - set([some_coin]))
            +
            change_for(amount - some_coin, coins)
        )
    return change_for(100, frozenset([25, 10, 5, 1]))

with timer():
    change_for_a_dollar()

    took 0.004180959425866604`

一行的代價是三倍的改進。不錯。

歡迎來到 2011 年

盡管 Python 3.2 是在 10 年前發布的，但它的許多特性仍然很酷，而且沒有得到充分利用。如果你還沒使用，那么將他們添加到你的工具箱中。