[[280131]]小姐姐的Python隱藏技巧合集，推特2400贊，代碼可以直接跑">

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

常常發資源的英偉達工程師小姐姐Chip Huyen，又發了一套Python隱藏功能合集。

里面都是她“從前沒發現，或者從前不太敢用”的機器學習技巧，有notebook可以直接跑。

合集名叫python-is-cool，推特宣布之后不到半天，已經收獲了2400+贊。

那么，這份令人奔走相告的資源，到底長什么樣子？

隱藏技巧五大類

就像開頭提到的：這里的功能，要么是小姐姐花了很久才找到的，要么是曾經讓她瑟瑟發抖到不敢嘗試的。

不過現在，她的技巧已經成功支配了這些功能，于是分享了出來。

目前一共有5個版塊，專注機器學習，日后還會持續更新：

1、Lambda、Map、Filter、Reduce函數

lambda 關鍵字，是用來創建內聯函數 (Inline Functions) 的。square_fn 和 square_ld 函數，在這里是一樣的。

1def square_fn(x): 
2 return x * x 
3 
4square_ld = lambda x : x * x 
5 
6for i in range(10): 
7 assert square_fn(i) == square_ld(i) 

lambda 函數可以快速聲明，所以拿來當回調 (Callbacks) 函數是非常理想的：就是作為參數 (Arguments) 傳遞給其他函數用的，那種函數。

和 map、filter 和 reduce 這樣的函數搭配使用，尤其有效。

map(fn,iterable) 會把 fn 應用在 iterable 的所有元素上，返回一個map object。

1nums = [1/3, 333/7, 2323/2230, 40/34, 2/3] 
2nums_squared = [num * num for num in nums] 
3print(nums_squared) 
4 
5==> [0.1111111, 2263.04081632, 1.085147, 1.384083, 0.44444444] 

這樣調用，跟用有回調函數的 map 來調用，是一樣的。

1nums_squared_1 = map(square_fn, nums) 
2nums_squared_2 = map(lambda x : x * x, nums) 
3print(list(nums_squared_1)) 
4 
5==> [0.1111111, 2263.04081632, 1.085147, 1.384083, 0.44444444] 

map 也可以有不止一個 iterable。

比如，你要想計算一個簡單線性函數 f(x)=ax+b 的均方誤差 (MSE) ，兩種方法就是等同的。

 1a, b = 3, -0.5 
 2xs = [2, 3, 4, 5] 
 3labels = [6.4, 8.9, 10.9, 15.3] 
 4 
 5# Method 1: using a loop 
 6errors = [] 
 7for i, x in enumerate(xs): 
 8 errors.append((a * x + b - labels[i]) ** 2) 
 9result1 = sum(errors) ** 0.5 / len(xs) 
10 
11# Method 2: using map 
12diffs = map(lambda x, y: (a * x + b - y) ** 2, xs, labels) 
13result2 = sum(diffs) ** 0.5 / len(xs) 
14 
15print(result1, result2) 
16 
17==> 0.35089172119045514 0.35089172119045514 

要注意的是，map 和 filter 返回的是迭代器 (Iterator) ，這就是說它們的值不是存儲的，是按需生成的。

當你調用了sum(diffs) 之后，diffs 就空了。如果你想要保留 diffs 里面所有的元素，就用 list(diffs) 把它轉換成一個列表。

filter(fn,iterable) 也是和 map 一樣道理，只不過 fn 返回的是一個布爾值，filter 返回的是，iterable 里面所有 fn 返回True的元素。

1bad_preds = filter(lambda x: x > 0.5, errors) 
2print(list(bad_preds)) 
3 
4==> [0.8100000000000006, 0.6400000000000011] 

reduce(fn,iterable,initializer) 是用來給列表里的所有元素，迭代地應用某一個算子。比如，想要算出列表里所有元素的乘積：

1product = 1 
2for num in nums: 
3 product *= num 
4print(product) 
5 
6==> 12.95564683272412 

上面這串代碼，和下面這串代碼是等同的：

1from functools import reduce 
2product = reduce(lambda x, y: x * y, nums) 
3print(product) 
4 
5==> 12.95564683272412 

2、列表操作

小姐姐說，Python的列表太炫酷了。

2.1、解包 (Unpacking)

想把一個列表解包成一個一個元素，就這樣：

1elems = [1, 2, 3, 4] 
2a, b, c, d = elems 
3print(a, b, c, d) 
4 
5==> 1 2 3 4 

也可以這樣：

1elems = [1, 2, 3, 4] 
2a, b, c, d = elems 
3print(a, b, c, d) 
4 
5==> 1 2 3 4 

2.2、切片 (Slicing)

大家可能知道，如果想把一個列表反過來排，就用 [::-1] 。

1elems = list(range(10)) 
2print(elems) 
3 
4==> [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] 
5 
6print(elems[::-1]) 
7 
8==> [9, 8, 7, 6, 5, 4, 3, 2, 1, 0] 

而 [x:y:z] 這種語法的意思是，從索引x到索引y，每z個元素取一個。

如果z是負數，就是反向取了。

如果x不特別指定，就默認是在遍歷列表的方向上，遇到的第一個元素。

如果y不特別指定，就默認是列表最后一個元素。

所以，我們要從一個列表里面，每兩個取一個的話，就是 [::2] 。

1evens = elems[::2] 
2print(evens) 
3 
4reversed_evens = elems[-2::-2] 
5print(reversed_evens) 
6 
7==> [0, 2, 4, 6, 8] 
8 [8, 6, 4, 2, 0] 

也可以用這種方法，把一個列表里的偶數都刪掉，只留奇數：

1del elems[::2] 
2print(elems) 
3 
4==> [1, 3, 5, 7, 9] 

2.3、插入 (Insertion)

把列表里的其中一個元素的值，換成另一個值。

1elems = list(range(10)) 
2elems[1] = 10 
3print(elems) 
4 
5==> [0, 10, 2, 3, 4, 5, 6, 7, 8, 9] 

如果想把某個索引處的一個元素，替換成多個元素，比如把 1 換成 20, 30, 40 ：

1elems = list(range(10)) 
2elems[1:2] = [20, 30, 40] 
3print(elems) 
4 
5==> [0, 20, 30, 40, 2, 3, 4, 5, 6, 7, 8, 9] 

如果想把3個值 0.2, 0.3, 0.5 插在索引0和索引1之間：

1elems = list(range(10)) 
2elems[1:1] = [0.2, 0.3, 0.5] 
3print(elems) 
4 
5==> [0, 0.2, 0.3, 0.5, 1, 2, 3, 4, 5, 6, 7, 8, 9] 

2.4、拉平 (Flattening)

如果，一個列表里的每個元素都是個列表，可以用sum把它拉平：

1list_of_lists = [[1], [2, 3], [4, 5, 6]] 
2sum(list_of_lists, []) 
3 
4==> [1, 2, 3, 4, 5, 6] 

如果是嵌套列表 (Nested List) 的話，就可以用遞歸的方法把它拉平。這也是lambda函數又一種優美的使用方法：在創建函數的同一行，就能用上這個函數。

1nested_lists = [[1, 2], [[3, 4], [5, 6], [[7, 8], [9, 10], [[11, [12, 13]]]]]] 
2flatten = lambda x: [y for l in x for y in flatten(l)] if type(x) is list else [x] 
3flatten(nested_lists) 
4 
5# This line of code is from 
6# https://github.com/sahands/python-by-example/blob/master/python-by-example.rst#flattening-lists 

2.5、列表vs生成器

要想知道列表和生成器的區別在哪，看個例子：從token列表里面創建n-grams。

一種方法是用滑窗來創建：

1tokens = ['i', 'want', 'to', 'go', 'to', 'school'] 
 2 
 3def ngrams(tokens, n): 
 4 length = len(tokens) 
 5 grams = [] 
 6 for i in range(length - n + 1): 
 7 grams.append(tokens[i:i+n]) 
 8 return grams 
 9 
10print(ngrams(tokens, 3)) 
11 
12==> [['i', 'want', 'to'], 
13 ['want', 'to', 'go'], 
14 ['to', 'go', 'to'], 
15 ['go', 'to', 'school']] 

上面這個例子，是需要把所有n-gram同時儲存起來的。如果文本里有m個token，內存需求就是 O(nm) 。m值太大的話，存儲就可能成問題。

所以，不一定要用一個列表儲存所有n-gram。可以用一個生成器，在收到指令的時候，生成下一個n-gram，這叫做惰性計算 (Lazy Evaluation) 。

只要讓 ngrams 函數，用 yield 關鍵字返回一個生成器，然后內存需求就變成 O(n) 了。

 1def ngrams(tokens, n): 
 2 length = len(tokens) 
 3 for i in range(length - n + 1): 
 4 yield tokens[i:i+n] 
 5 
 6ngrams_generator = ngrams(tokens, 3) 
 7print(ngrams_generator) 
 8 
 9==> <generator object ngrams at 0x1069b26d0> 
10 
11for ngram in ngrams_generator: 
12 print(ngram) 
13 
14==> ['i', 'want', 'to'] 
15 ['want', 'to', 'go'] 
16 ['to', 'go', 'to'] 
17 ['go', 'to', 'school'] 

還有一種生成n-grams的方法，是用切片來創建列表：[0, 1, …, -n], [1, 2, …, -n+1], …, [n-1, n, …, -1]，然后把它們zip到一起。

1def ngrams(tokens, n): 
 2 length = len(tokens) 
 3 slices = (tokens[i:length-n+i+1] for i in range(n)) 
 4 return zip(*slices) 
 5 
 6ngrams_generator = ngrams(tokens, 3) 
 7print(ngrams_generator) 
 8 
 9==> <zip object at 0x1069a7dc8> # zip objects are generators 
10 
11for ngram in ngrams_generator: 
12 print(ngram) 
13 
14==> ('i', 'want', 'to') 
15 ('want', 'to', 'go') 
16 ('to', 'go', 'to') 
17 ('go', 'to', 'school') 

注意，創建切片用的是 (tokens[…] for i in range(n)) ，不是 [tokens[…] for i in range(n)] 。

[] 返回的是列表，() 返回的是生成器。

3、類，以及魔術方法

在Python里面，魔術方法 (Magic Methods) 是用雙下劃線，作為前綴后綴的。

其中，最知名的可能就是 _init_ 了。

1class Node: 
2 """ A struct to denote the node of a binary tree. 
3 It contains a value and pointers to left and right children. 
4 """ 
5 def __init__(self, value, left=None, right=None): 
6 self.value = value 
7 self.left = left 
8 self.right = right 

不過，如果想輸出 (Print) 一個節點 (Node) ，就不是很容易了。

1root = Node(5) 
2print(root) # <__main__.Node object at 0x1069c4518> 

理想情況，應該是輸出它的值，如果它有子節點的話，也輸出子節點的值。

所以，要用魔術方法 _repr_ ，它必須返回一個可輸出的object，如字符串。

1class Node: 
 2 """ A struct to denote the node of a binary tree. 
 3 It contains a value and pointers to left and right children. 
 4 """ 
 5 def __init__(self, value, left=None, right=None): 
 6 self.value = value 
 7 self.left = left 
 8 self.right = right 
 9 
10 def __repr__(self):  
11 strings = [f'value: {self.value}'] 
12 strings.append(f'left: {self.left.value}' if self.left else 'left: None') 
13 strings.append(f'right: {self.right.value}' if self.right else 'right: None') 
14 return ', '.join(strings) 
15 
16left = Node(4) 
17root = Node(5, left) 
18print(root) # value: 5, left: 4, right: None 

如果想對比兩個節點 (的各種值) ，就用 _eq_ 來重載 == 運算符，用 _lt_ 來重載 < 運算符，用 _ge_ 來重載 >= 。

 1class Node: 
 2 """ A struct to denote the node of a binary tree. 
 3 It contains a value and pointers to left and right children. 
 4 """ 
 5 def __init__(self, value, left=None, right=None): 
 6 self.value = value 
 7 self.left = left 
 8 self.right = right 
 9 
10 def __eq__(self, other): 
11 return self.value == other.value 
12 
13 def __lt__(self, other): 
14 return self.value < other.value 
15 
16 def __ge__(self, other): 
17 return self.value >= other.value 
18 
19 
20left = Node(4) 
21root = Node(5, left) 
22print(left == root) # False 
23print(left < root) # True 
24print(left >= root) # False 

想要了解更多魔術方法，請前往：

https://www.tutorialsteacher.com/python/magic-methods-in-python

或者使用官方文檔，只是有一點點難讀：

https://docs.python.org/3/reference/datamodel.html#special-method-names

這里，還要重點安利幾種魔術方法：

一是 _len_ ：重載 len() 函數用的。

二是 _str_：重載 str() 函數用的。

三是 _iter_：想讓object變成迭代器，就用這個。有了它，還可以在object上調用 next() 函數。

對于像節點這樣的類，我們已經知道了它支持的所有屬性 (Attributes) ：value、left和right，那就可以用 _slots_ 來表示這些值。這樣有助于提升性能，節省內存。

1class Node: 
2 """ A struct to denote the node of a binary tree. 
3 It contains a value and pointers to left and right children. 
4 """ 
5 __slots__ = ('value', 'left', 'right') 
6 def __init__(self, value, left=None, right=None): 
7 self.value = value 
8 self.left = left 
9 self.right = right 

想要全面了解 _slots_ 的優點和缺點，可以看看Aaron Hall的精彩回答：

https://stackoverflow.com/a/28059785/5029595

4、局部命名空間，對象的屬性

locals() 函數，返回的是一個字典 (Dictionary) ，它包含了局部命名空間 (Local Namespace) 里定義的變量。l

1class Model1: 
 2 def __init__(self, hidden_size=100, num_layers=3, learning_rate=3e-4): 
 3 print(locals()) 
 4 self.hidden_size = hidden_size 
 5 self.num_layers = num_layers 
 6 self.learning_rate = learning_rate 
 7 
 8model1 = Model1() 
 9 
10==> {'learning_rate': 0.0003, 'num_layers': 3, 'hidden_size': 100, 'self': <__main__.Model1 object at 0x1069b1470>} 

一個object的所有屬性，都存在 _dict_ 里面。

1print(model1.__dict__) 
2 
3==> {'hidden_size': 100, 'num_layers': 3, 'learning_rate': 0.0003} 

注意，當參數列表 (List of Arguments) 很大的時候，手動把每個參數值分配給一個屬性會很累。

想簡單一點的話，可以直接把整個參數列表分配給 _dict_ 。

1class Model2: 
 2 def __init__(self, hidden_size=100, num_layers=3, learning_rate=3e-4): 
 3 params = locals() 
 4 del params['self'] 
 5 self.__dict__ = params 
 6 
 7model2 = Model2() 
 8print(model2.__dict__) 
 9 
10==> {'learning_rate': 0.0003, 'num_layers': 3, 'hidden_size': 100} 

當object是用 kwargs** 初始化的時候，這種做法尤其方便 (雖然 kwargs** 還是盡量少用為好) ：

1class Model3: 
2 def __init__(self, **kwargs): 
3 self.__dict__ = kwargs 
4 
5model3 = Model3(hidden_size=100, num_layers=3, learning_rate=3e-4) 
6print(model3.__dict__) 
7 
8==> {'hidden_size': 100, 'num_layers': 3, 'learning_rate': 0.0003} 

前4個版塊就到這里了，至于第5個版塊傳授了怎樣的技巧，先不介紹，大家可以從傳送門前往觀察：

https://github.com/chiphuyen/python-is-cool

寶藏小姐姐

貢獻資源的Chip Huyen小姐姐，現在是英偉達的高級深度學習工程師了。

但在2015年進入斯坦福讀書之前，她還是個沒接觸過深度學習的作家，旅行路上的故事已經出版了兩本書。

原本想讀英文專業，卻在選了一門計算機課之后，走上了深度學習的不歸路。

畢業前，她在Netflix實習過；畢業后，她在斯坦福教過TensorFlow，課號CS20；一年前離開學校，進入英偉達。

正式選擇了機器學習的她，依然像旅行的時候一樣，喜歡和大家分享經歷。

這位小姐姐產出的各式資源和感悟，量子位也介紹過不止一次。

爬網頁、洗數據、創建海量數據集一條龍：

https://mp.weixin.qq.com/s/rOXKglzYLRqTJkyLEZqJ6A

免費機器學習課程，從概率統計到全棧深度學習：

https://mp.weixin.qq.com/s/Jk8YuQuP5e64Q0ak-WJUKg

AI從業者要不要讀博，要不要自己創業：

https://mp.weixin.qq.com/s/MTpS6RwCTLIxwP8iDbZotQ

加上今天的Python隱藏技巧，(至少) 是第四次了：

傳送門

如果你想更順滑地使用Python，快馬克這些方法吧。

項目傳送門：

https://github.com/chiphuyen/python-is-cool

Notebook傳送門：

https://github.com/chiphuyen/python-is-cool/blob/master/cool-python-tips.ipynb