引言

Python是一门功能强大且灵活的编程语言，广泛应用于数据分析、Web开发、人工智能等多个领域。它的简洁语法和高可读性让开发者能够快速上手，但在实际工作中，我们常常会遇到一些重复性或繁琐的任务。这些任务不仅耗费时间，还可能导致代码冗长或出错。为了解决这些问题，许多经验丰富的开发者总结了一些实用的小技巧和代码片段，能够显著提升编程效率。本文将介绍10个这样的Python代码片段，它们不是基础操作，而是能切实解决实际问题的“效率加速器”。通过这些代码，你可以让日常工作更轻松，代码更优雅。

以下内容将逐一展示这10个代码片段，每个部分包括代码本身、简短的解释以及典型的使用场景。让我们开始吧。

1. 自动重试函数

在调用网络接口或运行不稳定的脚本时，偶尔会遇到临时性的失败，比如网络超时或服务器响应错误。手动添加重试逻辑既麻烦又容易出错。以下代码通过装饰器实现了函数的自动重试功能。

import time
from functools import wraps

def retry(times=3, delay=2):
    def wrapper(func):
        @wraps(func)
        def inner(*args, **kwargs):
            for attempt in range(times):
                try:
                    return func(*args, **kwargs)
                except Exception as e:
                    print(f"Attempt {attempt+1} failed: {e}")
                    time.sleep(delay)
            raise Exception("Function failed after retries.")
        return inner
    return wrapper

@retry(times=5, delay=1)
def fragile_func():
    raise ValueError("oops")

fragile_func()

这个装饰器允许你设置重试次数和每次重试之间的等待时间。只需在目标函数前添加@retry，就能自动处理失败情况。比如在调用外部API时，它可以帮你避免因偶发错误而中断程序，特别适合需要高可靠性的场景。

2. 快速保存和加载Python对象

在开发中，我们经常需要将数据或对象保存到磁盘，以便后续使用。Python的pickle模块提供了一种简单高效的序列化方式。以下代码封装了保存和加载的函数。

import pickle

def save(obj, filename):
    with open(filename, 'wb') as f:
        pickle.dump(obj, f)

def load(filename):
    with open(filename, 'rb') as f:
        return pickle.load(f)

save({"tokens": [1,2,3]}, "data.pkl")
data = load("data.pkl")

这个方法适用于各种Python对象，包括列表、字典，甚至是训练好的机器学习模型。相比手动编写文件操作代码，它简单得多，尤其在需要频繁保存中间结果或调试时非常实用。

3. 一行代码查看目录树

在大型项目中，理解目录结构是快速定位文件的关键。以下代码可以递归展示当前目录下的文件和子目录，形成直观的树形结构。

import os

def tree(dir_path, prefix=''):
    files = os.listdir(dir_path)
    for i, file in enumerate(files):
        path = os.path.join(dir_path, file)
        connector = '└── ' if i == len(files)-1 else '├── '
        print(prefix + connector + file)
        if os.path.isdir(path):
            extension = '    ' if i == len(files)-1 else '│   '
            tree(path, prefix + extension)

tree(".")

运行这段代码后，你会看到类似文件管理器的树形输出。这在梳理复杂项目或检查文件组织时非常有帮助，尤其是新接手一个代码库时。

4. 获取Python对象的内存占用

优化程序性能时，了解对象的内存使用情况至关重要。Python的sys.getsizeof只能提供基本大小，而以下函数可以递归计算复杂对象的总内存占用。

import sys

def get_size(obj, seen=None):
    size = sys.getsizeof(obj)
    if seen is None:
        seen = set()
    obj_id = id(obj)
    if obj_id in seen:
        return 0
    seen.add(obj_id)
    if isinstance(obj, dict):
        size += sum([get_size(v, seen) for v in obj.values()])
        size += sum([get_size(k, seen) for k in obj.keys()])
    elif hasattr(obj, '__dict__'):
        size += get_size(obj.__dict__, seen)
    elif hasattr(obj, '__iter__') and not isinstance(obj, (str, bytes, bytearray)):
        size += sum([get_size(i, seen) for i in obj])
    return size

big_dict = {'a': [1]*1000, 'b': {i: i*i for i in range(500)}}
print(get_size(big_dict), "bytes")

这个函数能深入分析嵌套对象，帮助你找到内存占用的大户。对于大数据处理或资源受限的环境，这是一个不可或缺的工具。

5. 追踪函数调用者

调试复杂代码时，知道函数被谁调用可以快速定位问题。以下代码利用inspect模块打印调用者的函数名。

import inspect

def who_called_me():
    caller = inspect.stack()[1]
    print(f"Function called by: {caller.function}")

def f():
    who_called_me()

def g():
    f()

g()

这个小技巧在追踪代码执行流程或记录日志时特别有用。比如在一个大型系统中，它可以帮你理清函数之间的依赖关系。

6. 自动记录函数调用和返回值

调试时，经常需要打印函数的输入和输出。以下装饰器可以自动记录这些信息，省去手动添加日志的麻烦。

def auto_log(func):
    def wrapper(*args, **kwargs):
        print(f"[CALL] {func.__name__} with {args}, {kwargs}")
        result = func(*args, **kwargs)
        print(f"[RETURN] {func.__name__} => {result}")
        return result
    return wrapper

@auto_log
def multiply(x, y):
    return x * y

multiply(3, 4)

只需添加@auto_log，你就能清楚看到函数的调用细节。这在开发阶段验证逻辑或排查问题时非常方便。

7. 快速计时代码执行时间

性能优化需要精确测量代码的运行时间。以下计时器类利用上下文管理器，简单易用。

import time

class Timer:
    def __enter__(self):
        self.start = time.time()

    def __exit__(self, *args):
        print(f"Elapsed: {time.time() - self.start:.3f}s")

with Timer():
    sum([x**2 for x in range(10**6)])

将需要计时的代码放在with语句中，就能自动输出执行时间。这适用于任何代码块，尤其在比较不同实现方案的性能时很有价值。

8. 从脚本中发送电子邮件

自动化任务完成后，及时通知结果可以提高工作效率。以下代码展示了如何通过Gmail发送邮件。

import smtplib

def send_email(subject, body, to_email):
    from_email = "youremail@gmail.com"
    password = "your-app-password"
    message = f"Subject: {subject}\n\n{body}"
    with smtplib.SMTP_SSL('smtp.gmail.com', 465) as server:
        server.login(from_email, password)
        server.sendmail(from_email, to_email, message)

send_email("Script Done", "Your script finished successfully!", "recipient@example.com")

通过这个函数，你可以让脚本在完成时发送通知邮件，比如报告任务状态或提醒错误。注意需要使用应用专用密码而非账户密码。

9. 动态导入模块和函数

有时需要根据字符串动态加载模块或函数，importlib提供了这种能力。

import importlib

def import_from(module_name, func_name):
    module = importlib.import_module(module_name)
    return getattr(module, func_name)

sqrt = import_from("math", "sqrt")
print(sqrt(49))

这个方法在构建插件系统或需要灵活加载代码时非常有用。它让你的程序更具扩展性。

10. 将函数快速转换为命令行工具

想把Python函数变成命令行工具？fire库可以帮你轻松实现。

import fire

def add(x, y):
    return x + y

if __name__ == '__main__':
    fire.Fire(add)

安装fire后，运行python script.py 2 3即可得到5。这省去了复杂的参数解析过程，非常适合快速开发小型工具。

结语

这10个Python代码片段涵盖了错误处理、数据管理、性能优化和自动化等多个方面。它们简单实用，能帮助你节省时间、减少重复工作，同时提升代码质量。不论你是新手还是有经验的开发者，这些技巧都值得一试。建议你在实际项目中应用它们，通过实践感受它们带来的便利。编程的乐趣往往就藏在这些小而美的解决方案中。