Python 工匠:做一个精通规则的玩家

文章目录

前言

这是 “Python 工匠”系列的第 10 篇文章。[查看系列所有文章]

编程,其实和玩电子游戏有一些相似之处。你在玩不同游戏前,需要先学习每个游戏的不同规则,只有熟悉和灵活运用游戏规则,才更有可能在游戏中获胜。

而编程也是一样,不同编程语言同样有着不一样的“规则”。大到是否支持面向对象,小到是否可以定义常量,编程语言的规则比绝大多数电子游戏要复杂的多。

当我们编程时,如果直接拿一种语言的经验套用到另外一种语言上,很多时候并不能取得最佳结果。这就好像一个 CS(反恐精英) 高手在不了解规则的情况下去玩 PUBG(绝地求生),虽然他的枪法可能万中无一,但是极有可能在发现第一个敌人前,他就会倒在某个窝在草丛里的敌人的伏击下。

Python 里的规则

Python 是一门初见简单、深入后愈觉复杂的语言。拿 Python 里最重要的“对象”概念来说,Python 为其定义了多到让你记不全的规则,比如:

  • 定义了 __str__ 方法的对象,就可以使用 str() 函数来返回可读名称
  • 定义了 __next____iter__ 方法的对象,就可以被循环迭代
  • 定义了 __bool__ 方法的对象,在进行布尔判断时就会使用自定义的逻辑
  • … …

熟悉规则,并让自己的代码适应这些规则,可以帮助我们写出更地道的代码,事半功倍的完成工作。下面,让我们来看一个有关适应规则的故事。

案例:从两份旅游数据中获取人员名单

某日,在一个主打新西兰出境游的旅游公司里,商务同事突然兴冲冲的跑过来找到我,说他从某合作伙伴那里,要到了两份重要的数据:

  1. 所有去过“泰国普吉岛”的人员及联系方式
  2. 所有去过“新西兰”的人员及联系方式

数据采用了 JSON 格式,如下所示:

# 去过普吉岛的人员数据
users_visited_phuket = [
{"first_name": "Sirena", "last_name": "Gross", "phone_number": "650-568-0388", "date_visited": "2018-03-14"},
{"first_name": "James", "last_name": "Ashcraft", "phone_number": "412-334-4380", "date_visited": "2014-09-16"},
... ...
]

# 去过新西兰的人员数据
users_visited_nz = [
{"first_name": "Justin", "last_name": "Malcom", "phone_number": "267-282-1964", "date_visited": "2011-03-13"},
{"first_name": "Albert", "last_name": "Potter", "phone_number": "702-249-3714", "date_visited": "2013-09-11"},
... ...
]

每份数据里面都有着手机号码旅游时间 四个字段。基于这份数据,商务同学提出了一个(听上去毫无道理)的假设:“去过普吉岛的人,应该对去新西兰旅游也很有兴趣。我们需要从这份数据里,找出那些去过普吉岛但没有去过新西兰的人,针对性的卖产品给他们。

第一次蛮力尝试

有了原始数据和明确的需求,接下来的问题就是如何写代码了。依靠蛮力,我很快就写出了第一个方案:

def find_potential_customers_v1():
"""找到去过普吉岛但是没去过新西兰的人
"""
for phuket_record in users_visited_phuket:
is_potential = True
for nz_record in users_visited_nz:
if phuket_record['first_name'] == nz_record['first_name'] and \
phuket_record['last_name'] == nz_record['last_name'] and \
phuket_record['phone_number'] == nz_record['phone_number']:
is_potential = False
break

if is_potential:
yield phuket_record

因为原始数据里没有“用户 ID”之类的唯一标示,所以我们只能把“姓名和电话号码完全相同”作为判断是不是同一个人的标准。

find_potential_customers_v1 函数通过循环的方式,先遍历所有去过普吉岛的人,然后再遍历新西兰的人,如果在新西兰的记录中找不到完全匹配的记录,就把它当做“潜在客户”返回。

这个函数虽然可以完成任务,但是相信不用我说你也能发现。它有着非常严重的性能问题。对于每一条去过普吉岛的记录,我们都需要遍历所有新西兰访问记录,尝试找到匹配。整个算法的时间复杂度是可怕的 O(n*m),如果新西兰的访问条目数很多的话,那么执行它将耗费非常长的时间。

为了优化内层循环性能,我们需要减少线性查找匹配部分的开销。

尝试使用集合优化函数

如果你对 Python 有所了解的话,那么你肯定知道,Python 里的字典和集合对象都是基于 哈希表(Hash Table) 实现的。判断一个东西是不是在集合里的平均时间复杂度是 O(1),非常快。

所以,对于上面的函数,我们可以先尝试针对新西兰访问记录初始化一个集合,之后的查找匹配部分就可以变得很快,函数整体时间复杂度就能变为 O(n+m)

让我们看看新的函数:

def find_potential_customers_v2():
"""找到去过普吉岛但是没去过新西兰的人,性能改进版
"""
# 首先,遍历所有新西兰访问记录,创建查找索引
nz_records_idx = {
(rec['first_name'], rec['last_name'], rec['phone_number'])
for rec in users_visited_nz
}

for rec in users_visited_phuket:
key = (rec['first_name'], rec['last_name'], rec['phone_number'])
if key not in nz_records_idx:
yield rec

使用了集合对象后,新函数在速度上相比旧版本有了飞跃性的突破。但是,对这个问题的优化并不是到此为止,不然文章标题就应该改成:“如何使用集合提高程序性能” 了。

对问题的重新思考

让我们来尝试重新抽象思考一下问题的本质。首先,我们有一份装了很多东西的容器 A(普吉岛访问记录),然后给我们另一个装了很多东西的容器 B(新西兰访问记录),之后定义相等规则:“姓名与电话一致”。最后基于这个相等规则,求 A 和 B 之间的“差集”

如果你对 Python 里的集合不是特别熟悉,我就稍微多介绍一点。假如我们拥有两个集合 A 和 B,那么我们可以直接使用 A - B 这样的数学运算表达式来计算二者之间的 差集

>>> a = {1, 3, 5, 7}
>>> b = {3, 5, 8}
# 产生新集合:所有在 a 但是不在 b 里的元素
>>> a - b
{1, 7}

所以,计算“所有去过普吉岛但没去过新西兰的人”,其实就是一次集合的求差值操作。那么要怎么做,才能把我们的问题套入到集合的游戏规则里去呢?

利用集合的游戏规则

在 Python 中,如果要把某个东西装到集合或字典里,一定要满足一个基本条件:“这个东西必须是可以被哈希(Hashable)的” 。什么是 “Hashable”?

举个例子,Python 里面的所有可变对象,比如字典,就 不是 Hashable 的。当你尝试把字典放入集合中时,会发生这样的错误:

>>> s = set()
>>> s.add({'foo': 'bar'})
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: unhashable type: 'dict'

所以,如果要利用集合解决我们的问题,就首先得定义我们自己的 “Hashable” 对象:VisitRecord。而要让一个自定义对象变得 Hashable,唯一要做的事情就是定义对象的 __hash__ 方法。

class VisitRecord:
"""旅游记录
"""
def __init__(self, first_name, last_name, phone_number, date_visited):
self.first_name = first_name
self.last_name = last_name
self.phone_number = phone_number
self.date_visited = date_visited

一个好的哈希算法,应该让不同对象之间的值尽可能的唯一,这样可以最大程度减少“哈希碰撞”)发生的概率,默认情况下,所有 Python 对象的哈希值来自它的内存地址。

在这个问题里,我们需要自定义对象的 __hash__ 方法,让它利用 (姓,名,电话)元组作为 VisitRecord 类的哈希值来源。

def __hash__(self):
return hash(
(self.first_name, self.last_name, self.phone_number)
)

自定义完 __hash__ 方法后,VisitRecord 实例就可以正常的被放入集合中了。但这还不够,为了让前面提到的求差值算法正常工作,我们还需要实现 __eq__ 特殊方法。

__eq__ 是 Python 在判断两个对象是否相等时调用的特殊方法。默认情况下,它只有在自己和另一个对象的内存地址完全一致时,才会返回 True。但是在这里,我们复用了 VisitRecord 对象的哈希值,当二者相等时,就认为它们一样。

def __eq__(self, other):
# 当两条访问记录的名字与电话号相等时,判定二者相等。
if isinstance(other, VisitRecord) and hash(other) == hash(self):
return True
return False

完成了恰当的数据建模后,之后的求差值运算便算是水到渠成了。新版本的函数只需要一行代码就能完成操作:

def find_potential_customers_v3():
return set(VisitRecord(**r) for r in users_visited_phuket) - \
set(VisitRecord(**r) for r in users_visited_nz)

Hint:如果你使用的是 Python 2,那么除了 __eq__ 方法外,你还需要自定义类的 __ne__(判断不相等时使用) 方法。

使用 dataclass 简化代码

故事到这里并没有结束。在上面的代码里,我们手动定义了自己的 数据类 VisitRecord,实现了 __init____eq__ 等初始化方法。但其实还有更简单的做法。

因为定义数据类这种需求在 Python 中实在太常见了,所以在 3.7 版本中,标准库中新增了 dataclasses 模块,专门帮你简化这类工作。

如果使用 dataclasses 提供的特性,我们的代码可以最终简化成下面这样:

@dataclass(unsafe_hash=True)
class VisitRecordDC:
first_name: str
last_name: str
phone_number: str
# 跳过“访问时间”字段,不作为任何对比条件
date_visited: str = field(hash=False, compare=False)


def find_potential_customers_v4():
return set(VisitRecordDC(**r) for r in users_visited_phuket) - \
set(VisitRecordDC(**r) for r in users_visited_nz)

不用干任何脏活累活,只要不到十行代码就完成了工作。

案例总结

问题解决以后,让我们再做一点小小的总结。在处理这个问题时,我们一共使用了三种方案:

  1. 使用普通的两层循环筛选符合规则的结果集
  2. 利用哈希表结构(set 对象)创建索引,提升处理效率
  3. 将数据转换为自定义对象,利用规则,直接使用集合运算

为什么第三种方式会比前面两种好呢?

首先,第一个方案的性能问题过于明显,所以很快就会被放弃。那么第二个方案呢?仔细想想看,方案二其实并没有什么明显的缺点。甚至和第三个方案相比,因为少了自定义对象的过程,它在性能与内存占用上,甚至有可能会微微强于后者。

但请再思考一下,如果你把方案二的代码换成另外一种语言,比如 Java,它是不是基本可以做到 1:1 的完全翻译?换句话说,它虽然效率高、代码直接,但是它没有完全利用好 Python 世界提供的规则,最大化的从中受益。

如果要具体化这个问题里的“规则”,那就是 “Python 拥有内置结构集合,集合之间可以进行差值等四则运算” 这个事实本身。匹配规则后编写的方案三代码拥有下面这些优势:

  • 为数据建模后,可以更方便的定义其他方法
  • 如果需求变更,做反向差值运算、求交集运算都很简单
  • 理解集合与 dataclasses 逻辑后,代码远比其他版本更简洁清晰
  • 如果要修改相等规则,比如“只拥有相同姓的记录就算作一样”,只需要继承VisitRecord 覆盖 __eq__ 方法即可

其他规则如何影响我们

在前面,我们花了很大的篇幅讲了如何利用“集合的规则”来编写事半功倍的代码。除此之外,Python 世界中还有着很多其他规则。如果能熟练掌握这些规则,就可以设计出符合 Python 惯例的 API,让代码更简洁精炼。

下面是两个具体的例子。

使用 __format__ 做对象字符串格式化

如果你的自定义对象需要定义多种字符串表示方式,就像下面这样:

class Student:
def __init__(self, name, age):
self.name = name
self.age = age

def get_simple_display(self):
return f'{self.name}({self.age})'

def get_long_display(self):
return f'{self.name} is {self.age} years old.'


piglei = Student('piglei', '18')
# OUTPUT: piglei(18)
print(piglei.get_simple_display())
# OUTPUT: piglei is 18 years old.
print(piglei.get_long_display())

那么除了增加这种 get_xxx_display() 额外方法外,你还可以尝试自定义 Student 类的 __format__ 方法,因为那才是将对象变为字符串的标准规则。

class Student:
def __init__(self, name, age):
self.name = name
self.age = age

def __format__(self, format_spec):
if format_spec == 'long':
return f'{self.name} is {self.age} years old.'
elif format_spec == 'simple':
return f'{self.name}({self.age})'
raise ValueError('invalid format spec')


piglei = Student('piglei', '18')
print('{0:simple}'.format(piglei))
print('{0:long}'.format(piglei))

使用 __getitem__ 定义对象切片操作

如果你要设计某个可以装东西的容器类型,那么你很可能会为它定义“是否为空”、“获取第 N 个对象”等方法:

class Events:
def __init__(self, events):
self.events = events

def is_empty(self):
return not bool(self.events)

def list_events_by_range(self, start, end):
return self.events[start:end]

events = Events([
'computer started',
'os launched',
'docker started',
'os sstickyped',
])

# 判断是否有内容,打印第二个和第三个对象
if not events.is_empty():
print(events.list_events_by_range(1, 3))

但是,这样并非最好的做法。因为 Python 已经为我们提供了一套对象规则,所以我们不需要像写其他语言的 OO(面向对象) 代码那样去自己定义额外方法。我们有更好的选择:


class Events:
def __init__(self, events):
self.events = events

def __len__(self):
"""自定义长度,将会被用来做布尔判断"""
return len(self.events)

def __getitem__(self, index):
"""自定义切片方法"""
# 直接将 slice 切片对象透传给 events 处理
return self.events[index]

# 判断是否有内容,打印第二个和第三个对象
if events:
print(events[1:3])

新的写法相比旧代码,更能适配进 Python 世界的规则,API 也更为简洁。

关于如何适配规则、写出更好的 Python 代码。Raymond Hettinger 在 PyCon 2015 上有过一次非常精彩的演讲 “Beyond PEP8 - Best practices for beautiful intelligible code”。这次演讲长期排在我个人的 “PyCon 视频 TOP5” 名单上,如果你还没有看过,我强烈建议你现在就去看一遍 :)

Hint:更全面的 Python 对象模型规则可以在 官方文档 找到,有点难读,但值得一读。

总结

Python 世界有着一套非常复杂的规则,这些规则的涵盖范围包括“对象与对象是否相等“、”对象与对象谁大谁小”等等。它们大部分都需要通过重新定义“双下划线方法 __xxx__” 去实现。

如果熟悉这些规则,并在日常编码中活用它们,有助于我们更高效的解决问题、设计出更符合 Python 哲学的 API。下面是本文的一些要点总结:

  • 永远记得对原始需求做抽象分析,比如问题是否能用集合求差集解决
  • 如果要把对象放入集合,需要自定义对象的 __hash____eq__ 方法
  • __hash__ 方法决定性能(碰撞出现概率),__eq__ 决定对象间相等逻辑
  • 使用 dataclasses 模块可以让你少写很多代码
  • 使用 __format__ 方法替代自己定义的字符串格式化方法
  • 在容器类对象上使用 __len____getitem__ 方法,而不是自己实现

看完文章的你,有没有什么想吐槽的?请留言或者在 项目 Github Issues 告诉我吧。

>>>下一篇【11.高效操作文件的三个建议】

<<<上一篇【9.一个关于模块的小故事】

附录

系列其他文章: