۷ ترفند حرفهای پایتون که کد شما را سریعتر، تمیزتر و کمخطاتر میکند
مقدمه: پایتون را هوشمندانهتر بنویسید
برای بهتر شدن در پایتون، همیشه لازم نیست سراغ کتابخانههای پیچیده یا بهینهسازیهای عجیب بروید. گاهی چند قابلیت ساده و استاندارد میتوانند کد را خواناتر کنند، خطاهای پنهان را پیدا کنند و حتی مصرف حافظه را کاهش دهند. در این راهنما، هفت ترفند کاربردی را با مثال یاد میگیرید؛ ترفندهایی که در اسکریپتهای روزمره، پروژههای دادهمحور و برنامههای واقعی به کار میآیند.
مثالها با نسخههای جدید پایتون سازگارند؛ قابلیتهایی مانند zip(strict=True) و dataclass(slots=True) به پایتون ۳.۱۰ یا بالاتر نیاز دارند.
آموزش مرحلهبهمرحله: ۷ ترفند کاربردی پایتون
۱. بهجای شمارنده دستی از enumerate استفاده کنید
اگر همزمان به شماره و مقدار هر عضو یک فهرست نیاز دارید، متغیر شمارنده نسازید. enumerate این کار را شفافتر انجام میدهد:
names = ['سارا', 'علی', 'نیما']
for index, name in enumerate(names, start=1):
print(index, name)با تعیین start=1 شمارهگذاری از یک آغاز میشود. این روش در ساخت فهرستهای شمارهدار، گزارشها و پردازش ردیفهای فایل بسیار مفید است.
۲. چند فهرست را با zip کنار هم پردازش کنید
برای پیمایش همزمان چند مجموعه، سراغ اندیسگذاری دستی نروید. zip مقادیر همردیف را کنار هم قرار میدهد:
products = ['کتاب', 'دفتر', 'مداد']
prices = [250, 120, 35]
for product, price in zip(products, prices):
print(f'{product}: {price}')در نسخههای جدید پایتون، میتوانید با strict=True نابرابر بودن طول مجموعهها را به خطای آشکار تبدیل کنید:
for product, price in zip(products, prices, strict=True):
print(product, price)این گزینه جلوی حذف بیصدای اعضای اضافه را میگیرد؛ چون رفتار عادی zip بر اساس کوتاهترین مجموعه است.
۳. برای ساخت متن، از قالببندی f-string استفاده کنید
f-string راهی خوانا برای ترکیب متن و متغیرهاست. کافی است پیش از کوتیشن رشته حرف f بگذارید:
user = 'مینا'
score = 87
message = f'{user} امتیاز {score} را گرفته است.'عبارتهای ساده را میتوان داخل آکولاد محاسبه کرد؛ اما بهتر است منطق پیچیده را بیرون از رشته نگه دارید تا خواندن و آزمایش کد آسان بماند.
۴. فایلها را امنتر با pathlib مدیریت کنید
کتابخانه pathlib کار با مسیر فایلها را خواناتر میکند و نیاز به چسباندن دستی جداکنندههای مسیر را کاهش میدهد:
from pathlib import Path
folder = Path('data')
file_path = folder / 'report.txt'
if file_path.exists():
text = file_path.read_text(encoding='utf-8')
print(text)برای نوشتن فایل نیز میتوانید از write_text استفاده کنید. تعیین کدگذاری utf-8 بهویژه هنگام ذخیره متن فارسی اهمیت دارد.
۵. نتیجههای تکراری را با lru_cache ذخیره کنید
اگر تابعی بارها با ورودیهای یکسان اجرا میشود و نتیجهاش به وضعیت متغیر بیرونی وابسته نیست، ذخیره موقت نتیجه میتواند محاسبات تکراری را کم کند:
from functools import lru_cache
@lru_cache(maxsize=256)
def fibonacci(n):
if n < 2:
return n
return fibonacci(n - 1) + fibonacci(n - 2)
print(fibonacci(35))این روش که کش کردن یا memoization نام دارد، برای بعضی محاسبات بازگشتی و توابع گرانقیمت مفید است. با این حال، حافظه نامحدود همیشه انتخاب خوبی نیست؛ برای همین میتوانید ظرفیت را با maxsize محدود کنید.
۶. دادههای ساختیافته را با dataclass مرتب کنید
برای نگهداری چند ویژگی مرتبط، بهجای دیکشنریهای پراکنده یا کلاسهای طولانی میتوانید از dataclass استفاده کنید:
from dataclasses import dataclass
@dataclass(slots=True)
class Product:
name: str
price: int
in_stock: bool = True
item = Product('کیبورد', 1800)
print(item.name)dataclass بخشهایی از کد تکراری ساخت کلاس را تولید میکند. گزینه slots=True برای کلاسهایی با تعداد زیادی نمونه میتواند مصرف حافظه را کاهش دهد، اما پیش از استفاده در پروژه واقعی، سازگاری آن را با نیازهای کلاس بررسی کنید.
۷. با generator دادههای بزرگ را کمحافظهتر پردازش کنید
اگر لازم نیست همه نتایج را یکجا در حافظه نگه دارید، بهجای ساخت فهرست بزرگ از generator استفاده کنید:
def read_numbers(limit):
for number in range(limit):
yield number
for number in read_numbers(1_000_000):
process(number)عبارت yield هر مقدار را هنگام نیاز تولید میکند. این الگو برای پردازش جریان داده یا فایلهای بزرگ مناسب است؛ البته اگر لازم باشد چند بار به همه نتایج دسترسی داشته باشید، تبدیل آن به فهرست ممکن است انتخاب مناسبتری باشد.
نکات مهم برای استفاده در پروژه واقعی
- خوانایی را قربانی کوتاهنویسی نکنید: کدی که کوتاهتر است لزوماً بهتر نیست؛ نامگذاری روشن و ساختار ساده به نگهداری پروژه کمک میکند.
- قبل از بهینهسازی اندازهگیری کنید: زمان اجرا را با دادههای نزدیک به شرایط واقعی بسنجید. حدس زدن درباره کندی برنامه معمولاً کافی نیست.
- نسخه پایتون را بررسی کنید: قابلیتهای تازه ممکن است در نسخههای قدیمی در دسترس نباشند. نسخه محیط اجرا و نسخه موردنیاز پروژه را مستند کنید.
- برای ورودی نامطمئن اعتبارسنجی انجام دهید: تبدیل نوع، بررسی مقدارهای مجاز و مدیریت خطا را به ورودیهای کاربر یا فایلهای خارجی محدود نکنید.
- کش برای هر تابع مناسب نیست: تابعی که نتیجهاش به زمان، فایل، شبکه یا وضعیت متغیر وابسته است، ممکن است با کش نتیجههای قدیمی یا نادرست برگرداند.
چطور این ترفندها را به عادت تبدیل کنیم؟
لازم نیست همه قابلیتها را یکباره وارد پروژه کنید. در گام اول، بخشی از کد را انتخاب کنید که خواندن یا نگهداری آن دشوار است. سپس یک تغییر کوچک انجام دهید، تست بنویسید و نتیجه را بررسی کنید. برای مثال، شمارنده دستی را با enumerate جایگزین کنید یا هنگام خواندن فایل، مسیرها را به pathlib بسپارید.
- یک مسئله واقعی در کدتان پیدا کنید؛ مثل پردازش تکراری یا مدیریت دشوار مسیرها.
- ترفند مناسب را با کمترین تغییر ممکن پیادهسازی کنید.
- با تست یا اندازهگیری، درستی و اثر تغییر را بررسی کنید.
- اگر روش جدید واضحتر یا کارآمدتر بود، آن را در بخشهای مشابه به کار ببرید.
نتیجهگیری
ابزارهای استاندارد پایتون میتوانند بدون افزودن وابستگی تازه، کیفیت کد را بهتر کنند. enumerate و zip پیمایش را ساده میکنند، f-string ساخت متن را خواناتر میسازد، pathlib مدیریت فایل را بهبود میدهد و کش یا generator در شرایط مناسب به کنترل زمان اجرا و حافظه کمک میکنند. مهمترین اصل این است که هر ترفند را برای حل مسئلهای واقعی به کار ببرید و نتیجه را با تست و اندازهگیری بسنجید.
پاورقی: ایدهای برای حضور آنلاین یا محصول دیجیتال دارید؟ تیم وب برد در کنار شماست؛ از ساخت انواع سایت وردپرسی تا توسعه اپلیکیشن نیتیو.
