写 Python 也好几年时间了。讲道理，在工作中大家肯定遇到过这样的场景：

这个故事告诉我们什么？先造轮子再去 GitHub？还是提高下 GitHub 搜索技巧？

都不是！

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：

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：

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：

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：

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

聊聊 OrderedDict

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。

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。

那么既然电脑上已经有了 Python，为何不将这些 tricks 用起来，让 Python 更 6 呢？安利这位来自德国的大咖，资深养蛇玩家 Dan Bader。

他的博客 dbader.org  每月有超过 20 万的浏览量，Real Python 视频累计浏览量超过百万。订阅他的邮件，每天都会准时收到他更新 Python 技巧，一日不差，是一个极其自律的人。

畅销书 Python Tricks 作者，影响全球 1 000 000 以上程序员的 PythonistaCafe 社区创始人，Real Python 培训机构总编，拥有近 20 年软件开发经验。巴德尔毕业于欧洲历史悠久的慕尼黑工业大学，该校以优异的科教质量闻名，截至 2018 年已经培养出 17 位诺贝尔奖得主。

精进Python不二之选