Python 概览

Programing, Python 2025-08-10 2026-10-10 1006 字

自动关联目录：Python 概览

设计取舍

取舍	换来什么	代价
动态类型 + 解释执行	写得快、改得快	运行慢，重构靠工具
一切皆对象	语义统一、反射方便	内存开销大（一个 int 约 28 字节）
GIL	实现简单、单线程快、C 扩展易写	多线程无法利用多核
强制缩进	格式天然统一	复制粘贴容易出错
庞大标准库	开箱即用	标准库风格不统一（历史包袱）

内建容器怎么选

容器	是否有序	是否可变	典型用途	复杂度
`list`	是	是	通用序列、栈	尾部增删 $O(1)$ ，头部 $O(n)$
`tuple`	是	否	固定结构、字典键	——
`dict`	是（插入序）	是	映射、计数	平均 $O(1)$
`set`	否	是	去重、成员判断	平均 $O(1)$
`deque`	是	是	队列（两端操作）	两端 $O(1)$
`heapq`	部分	是	优先级队列	推/弹 $O(\log n)$

循环里判断成员用 set 而不是 list——这是最常见的"改一个词快十倍"。

迭代器与生成器

生成器（yield）是 Python 里最实用的抽象之一：

好处	说明
惰性	不一次性构造全部数据，省内存
可组合	管道式处理，读起来像流水线
支持无限序列	理论上可以一直产出

def read_lines(path):
    with open(path) as f:
        for line in f:
            yield line.rstrip("\n")

注意生成器只能遍历一次，需要复用就转成 list。

GIL 到底限制了什么

GIL（全局解释器锁）保证同一时刻只有一个线程执行 Python 字节码。

场景	多线程是否有效
CPU 密集（纯 Python 计算）	无效，甚至因为切换更慢
IO 密集（网络、磁盘）	有效，IO 时会释放 GIL
NumPy / C 扩展的大块计算	有效——扩展里可以主动释放 GIL

所以：CPU 密集用 multiprocessing，IO 密集用 asyncio 或线程池。

常见性能陷阱

陷阱	改法
循环里 `str +=`	`''.join(list)`（CPython 有优化，但别依赖）
循环里 `list` 成员判断	转 `set`
逐元素数值计算	NumPy 向量化
频繁 `dict[key]` + `try/except`	`dict.get` 或 `collections.defaultdict`
大量小对象	`__slots__`、或用 `array`/NumPy
反复 `len()` 在条件里	通常无所谓，但热循环里先取出来

语言特性速查

特性	用途
列表/字典推导式	简洁构造，别嵌套超过两层
装饰器	无侵入地加行为（计时、缓存、注册）
上下文管理器 `with`	资源自动释放
`args` / `*kwargs`	可变参数与转发
切片	`a[::2]`、`a[::-1]`
解包	`a, rest = xs`、`{d1, *d2}`
`functools.lru_cache`	一行加记忆化
类型注解	配合 `mypy`，规模化的前提

与 C++ 的思维差异

从 C++ 过来要注意	说明
没有真正的私有	`_name` 只是约定
循环变量泄漏	for 结束后变量仍在作用域
`is` 与 `==`	`is` 比身份，`==` 比值；小整数有缓存陷阱
深浅拷贝	`copy.copy` vs `copy.deepcopy`
没有 `switch`	3.10 起有 `match`

许可协议：CC BY

作者：Davids

本文链接：https://hustjjd.github.io/672e263e.html

更新于：2026年10月10日