实际上，在日常的工作中，我们很多需求，无论是常见的、还是不常见的，Python 都为我们提供了一些独特的解决方案，既不需要自己造轮子，也不需要引入新的依赖（引入新的依赖势必会增加项目的复杂度）。
但是 Python 有太多功能和特性被我们忽略了，导致我们在遇到问题的时候，没法第一时间作出良好的决策。
所以，干脆来一起扫清这些被我们忽略的 Python 死角。
装饰器的妙用
我们经常会想完成一些注册&调用的功能，比如我们有四个函数：
def add(a: int, b: int) -> float:
return a + b
def sub(a: int, b: int) -> float:
return a - b
def mul(a: int, b: int) -> float:
return a * b
def div(a: int, b: int) -> float:
return a / b
现在我们想将这四个函数和 +、-、*、/ 四个操作符绑定，那么我们该怎么做？
可能我们第一反应是这样：
'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：857662006 寻找有志同道合的小伙伴，
互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
operator_map = {}
def add(a: int, b: int) -> float:
return a + b
def sub(a: int, b: int) -> float:
return a - b
def mul(a: int, b: int) -> float:
return a * b
def div(a: int, b: int) -> float:
return a / b
operator_map["+"] = add
operator_map["-"] = sub
operator_map["*"] = mul
operator_map["/"] = div
但这样写起来，有一个很大的问题就是太不美观了。因为直接对于 dict 的操作从实际上来讲可维护性是很差的，那么我们这个地方应该怎么做？
在改进这段代码之前，我们首先要明确 Python 中一个很重要的概念，即：函数/方法是：First Class Member 。用不精确的话来讲，就是函数/方法可以作为参数被传递、被使用。
举个例子：
import typing
def execute(func: typing.Callable, *args, **kwargs) -> typing.Any:
return func(*args, **kwargs)
def print_func(data: int) -> None:
print(data)
execute(print, 2)
大家可以看到我们将 print_func 这个函数作为参数传递给 execute 函数并被调用。
那么我们来改造下之前的代码：
'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：857662006 寻找有志同道合的小伙伴，
互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
import typing
operator_map = {}
def add(a: int, b: int) -> float:
return a + b
def sub(a: int, b: int) -> float:
return a - b
def mul(a: int, b: int) -> float:
return a * b
def div(a: int, b: int) -> float:
return a / b
def register_operator(operator: str, func: typing.Callable) -> None:
operator_map[operator] = func
register_operator("+", add)
register_operator("-", sub)
register_operator("*", mul)
register_operator("/", div)
好了，大家看看，目前整体代码的可读性以及可维护性是不是改了很多？
但是我们现在的问题在于，每次都需要在单独调用一次 register_operator 函数，这样也太烦了吧！要不要再改进一下？要得。我们可以用装饰器来改进一下。
首先，看一个最简单的装饰器例子：
import functools
import typing
import time
def execute(func: typing.Callable) -> typing.Callable:
@functools.wraps(func)
def wraps(*args, **kwargs) -> typing.Any:
start_time = time.time()
result = func(*args, **kwargs)
print("{}".format(time.time() - start_time))
return result
return wraps
@execute
def add(a: int, b: int) -> float:
return a + b
我们能看到这段函数的意义是计算函数的执行时间。那么这个原理是什么？
实际上装饰器是一个语法糖，具体可以参见 PEP318 Decorators for Functions and Methods。
简而言之，实际上是 Python 替我们做了一个替换过程。以上面的例子为例，这个替换过程就是 add=execute(add) 。
好了，我们就用这个知识点来改进下之前的代码：
'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：857662006 寻找有志同道合的小伙伴，
互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
import typing
operator_map = {}
def register_operator(operator: str) -> typing.Callable:
def wraps(func: typing.Callable) -> typing.Callable:
operator_map[operator] = func
return func
return wraps
@register_operator("+")
def add(a: int, b: int) -> float:
return a + b
@register_operator("-")
def sub(a: int, b: int) -> float:
return a - b
@register_operator("*")
def mul(a: int, b: int) -> float:
return a * b
@register_operator("/")
def div(a: int, b: int) -> float:
return a / b
这样我们这段代码的注册过程是不是就显得更优雅了？
嗯，是的！实际上 Python 中有很多特性会帮助我们的代码更简洁，更优美。
接下来这个例子很可能帮我们减轻工作量。
聊聊 OrderedDict
dict 是我们经常使用的一种数据解构。但是在 Python 3.6 之前 dict 都是无序的，即我插入的顺序，和数据在 dict 中存放的顺序并无关联（笔者注：Python 3.6 dict 有序只是新版实现的顺带产物，Python 3.7 正式作为 feature 被固定下来）。
但是很多时候，比如在验签等场景，我们需要保证 dict 数据存放顺序，和我们插入顺序是一致的。那么我们该怎么办？
老板有需求下来了，我们肯定不能告诉老板这个需求没法做。那我们就自己实现一个 ordereddict 吧。于是，想了想，写了如下的代码：
import typing
class OrderedDict:
def __init__(self, *args, **kwargs):
self._data = {}
self._ordered_key = []
def __getitem__(self, key: typing.Any) -> typing.Any:
return self._data[key]
def __setitem__(self, key: typing.Any, value: typing.Any) -> None:
if key not in self._data:
return
self._data[key] = value
self._ordered_key.append(key)
def __delitem__(self, key: typing.Any):
del self._data[key]
self._ordered_key.remove(key)
通过额外维护一个 list 来维护 key 插入的顺序。这段代码，看似完成了我们的需求，但是实则存在很大问题。大家可以猜猜问题在哪？
3，2，1！
揭晓答案，这段代码利用 list 来保证 key 的有序性，在删除的时候， list 的删除操作，是一个时间复杂度 O(n) 的操作。换句话说，我们的删除操作随着内部数据的增多，所需的删除时间也变得越长。这对于某些性能敏感的场景是无法接受的。
那要怎么办呢？事实上，Python 在很早之前就已经内置了有序字典，即很多人可能都用过的 collections.OrderedDict 。
在 OrderedDict 中， Python 维护了一个双向链表解构，来保证插入的有序性，如下图所示：
在最左侧维护一个卫兵节点，卫兵节点的 next 指针恒指向于数据中最后插入的节点。那么插入新的数据时，我们将新的数据插入到卫兵节点之后，从而达成维护插入顺序的目的。
在删除的时候，通过额外维护的一个字典找到待删除的 key 所对应的节点。这个操作是 O(1) 的复杂度，然后大家都知道，双向链表删除一个节点的时间复杂度也是 O(1) 。通过这样保证我们在即便有大量数据的情况下，也能保证相应的性能。
好了，我们按照这个思路来做一个最简单的实现：
import typing`
class Node:`
def __init__(self, key: typing.Any, value: typing.Any) -> None:`
self.key = key`
self.value = value`
self.prev = None`
self.next = None`
class OrderedDict:
def __init__(self, *args, **kwargs):
self._data = {}
self._head = Node(None, None)
self._last = self._head
def __getitem__(self, key: typing.Any) -> typing.Any:
if key in self._data:
return self._data[key].value
raise ValueError
def __setitem__(self, key: typing.Any, value: typing.Any) -> None:
if key not in self._data:
return
value_node = Node(key, value)
next_node = self._head.next
if not next_node:
self._head.next = value_node
value_node.prev = self._head
self._last = value_node
else:
value_node.next = next_node
next_node.prev = value_node
value_node.prev = self._head
self._head.next = value_node
self._data[key] = value_node
def __delitem__(self, key: typing.Any):
if key not in self._data:
return
value_node = self._data[key]
if value_node == self._last:
self._last = value_node.prev
self._last.next = None
else:
prev_node = value_node.prev
next_node = value_node.next
prev_node.next = next_node
next_node.prev = prev_node
del self._data[key]
del value_node
（此段代码，如有错乱，烦请将浏览字体调小几号）
这只是一个 OrderedDict 的简化版，如果想完成一个完整的 OrderedDict 还有很多很多的 corner case 要去处理。不过现在，我们可以使用内置的数据结构去完成我们需求。怎么样，是不是有了一种幸福的感觉？
随意聊聊
通过今天的两个例子，我们发现 Python 提供了相当多的功能去帮助我们完成日常的工作与学习任务。同时通过去深入地了解 Python 内部的一些功能实现，以便我们能更好地去学习一些知识。
比如，上文提到的 OrderedDict 的实现，会让我们学到双头链表的一种非常典型的应用，与此同时，双头链表也会用于诸如 LRU 这样非常常用的数据解构的实现。所以，多去深入了解 Python 的方方面面，有助于我们整体能力的提升。