É uma nova seleção de dicas e truques sobre Python e programação no meu canal Telegram @pythonetc.

Publicações anteriores .

0_0

0_0 é uma expressão Python totalmente válida.

Classificando uma lista com Nenhuma

Classificar uma lista com valores None pode ser desafiador:

 In [1]: data = [ ...: dict(a=1), ...: None, ...: dict(a=-3), ...: dict(a=2), ...: None, ...: ] In [2]: sorted(data, key=lambda x: x['a']) ... TypeError: 'NoneType' object is not subscriptable 

Você pode tentar remover o Nones e colocá-los novamente após a classificação (no final ou no início da lista, dependendo da sua tarefa):

 In [3]: sorted( ...: (d for d in data if d is not None), ...: key=lambda x: x['a'] ...: ) + [ ...: d for d in data if d is None ...: ] Out[3]: [{'a': -3}, {'a': 1}, {'a': 2}, None, None] 

Isso é um bocado. A melhor solução é usar uma key mais complexa:

 In [4]: sorted(data, key=lambda x: float('inf') if x is None else x['a']) Out[4]: [{'a': -3}, {'a': 1}, {'a': 2}, None, None] 

Para tipos em que não há infinito disponível, você pode classificar as tuplas:

 In [5]: sorted(data, key=lambda x: (1, None) if x is None else (0, x['a'])) Out[5]: [{'a': -3}, {'a': 1}, {'a': 2}, None, None] 

Chamando random.seed ()

Quando você bifurca seu processo, a semente aleatória que você está usando está copiando entre processos. Isso pode levar a processos que produzem o mesmo resultado "aleatório".

Para evitar isso, você deve chamar manualmente random.seed() em todos os processos.

No entanto, esse não é o caso se você estiver usando o módulo de multiprocessing , está fazendo exatamente isso por você.

Aqui está um exemplo:

 import multiprocessing import random import os import sys def test(a): print(random.choice(a), end=' ') a = [1, 2, 3, 4, 5] for _ in range(5): test(a) print() for _ in range(5): p = multiprocessing.Process( target=test, args=(a,) ) p.start() p.join() print() for _ in range(5): pid = os.fork() if pid == 0: test(a) sys.exit() else: os.wait() print() 

O resultado é algo como:

 4 4 4 5 5 1 4 1 3 3 2 2 2 2 2 

Além disso, se você estiver usando o Python 3.7 ou mais recente, o os.fork fará o mesmo, graças ao novo gancho at_fork .

A saída do código acima para Python 3.7 é:

 1 2 2 1 5 4 4 4 5 5 2 4 1 3 1 

Adicionando a 0

Parece que sum([a, b, c]) é equivalente a a + b + c , enquanto na verdade é 0 + a + b + c . Isso significa que ele não pode funcionar com tipos que não suportam adicionar a 0 :

 class MyInt: def __init__(self, value): self.value = value def __add__(self, other): return type(self)(self.value + other.value) def __radd__(self, other): return self + other def __repr__(self): class_name = type(self).__name__ return f'{class_name}({self.value})' In : sum([MyInt(1), MyInt(2)]) ... AttributeError: 'int' object has no attribute 'value' 

Para corrigir isso, você pode fornecer o elemento inicial personalizado usado em vez de 0 :

 In : sum([MyInt(1), MyInt(2)], MyInt(0)) Out: MyInt(3) 

sum é bem otimizado para a soma dos tipos float e int mas pode lidar com qualquer outro tipo personalizado. No entanto, ele se recusa a somar bytes , bytearray e str pois o join é bem otimizado para esta operação:

 In : sum(['a', 'b'], '') ... TypeError: sum() can't sum strings [use ''.join(seq) instead] In : ints = [x for x in range(10_000)] In : my_ints = [Int(x) for x in ints] In : %timeit sum(ints) 68.3 µs ± 142 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each) In : %timeit sum(my_ints, Int(0)) 5.81 ms ± 20.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) 

Conclusões de índice no notebook jupyter

Você pode personalizar conclusões de índice no bloco de anotações Jupyter, fornecendo o _ipython_key_completions_ method . Dessa forma, você pode controlar o que é exibido ao pressionar tab depois de algo como d["x :



Observe que o método não obtém a string pesquisada como argumento.