65. 合理利用try/except/else/finally结构中的每个代码块

将需要捕获异常的代码卸载try里面，不要写多于的代码，因为其余的代码可能也会报错，到时候就不知道是哪个代码出错了
try/except/else，这种形式是try中代码不报错的情况下才会执行else
完整的try/except/else/finally形式，finally是无论之前进入了else还是except，最终都会执行finally块中的代码

66. 考虑用contextlib和with语句来改写可复用的try/finally代码

try-finally结构的代码其实和with有点像，比如下面，with块结束后会自动关闭。

try:
    file = open()
finally:
    file.close()
with open() as file:
    ...

当然，正常来说，如果要实现with这种写法，需要在对应的类中实现enter和exit方法，比如open()返回的变量对应的类中需要是实现上面两个方法，而python中可使用contextlib这个库方便的让我们自己可以实现普通函数也能用with，用contextmanager装饰器。

from contextlib import contextmanager
import logging
@contextmanager
def log_func(log_level):
    logger = logging.getLogger()
    old_level = logger.getEffectiveLevel()
    logger.setLevel(log_level)
    try:
        # 如果需要写成with as的形式
        # yield 变量名 如yield logger
        yield
    finally:
        logger.setLevel(old_level)
with log_func(logging.DEBUG):
    logging.debug('hello')
    logging.warning('nihao')
logging.debug('hello')
logging.warning('nihao')

67. 用datetime模块处理本地时间，不要用time模块

time模块在处理时区不稳定，依赖本地平台，因此处理时区转换等情况的时候不要用time
将datetime和pytz结合可以进行可靠的转换。

68. 使用copyreg实现可靠的pickle操作

pickle本身没有考虑安全问题，因此pickle序列化和反序列化的数据最好在可信任的双方之间使用，而序列化后的json数据是安全的。pickle存储dump和导入load前后，对应的类可能发生变化
使用copyreg可以注册pickle，使类和属性绑定

69. 在需要准确计算的场合，用decimal表示相应的数值

它的整数类型实际上可以表示任意尺寸的整型数据，它的双精度浮点数类型遵循IEEE 754规范。
根据上述规范计算的浮点数可能存在偏差，即有时候我们会得到0.99999的情况其实应该是1，比如

a = 3 * 60 + 42
a = a * 1.45 / 60
print(a)
# 准确答案应该是5.365，程序计算出来为5.36499999

如果在这种必须要准确的值的情况下，可以使用decimal，不过对于无限循环小数他也还是存在误差的，对于1/3这种情况可以使用fractions库

from decimal import Decimal
a = 3 * 60 + 42
a = a * Decimal('1.45') / 60 # 如果传入float实例，仍然得不到准确结果Decimal(1.45)
print(a)

70. 先分析性能，然后再优化

• 优化Python程序之前，一定要先分析它的性能，因为导致程序速度缓慢的真正原因未必与我们想的一样。
• 应该优先考虑用cProfile模块来分析性能，而不要用profile模块，因为前者得到的分析结果更加准确。把需要接受性能测试的主函数传给Profile对象的runcall方法，就可以专门分析出这个体系下面所有函数的调用情况了。
• 可以通过Stats对象筛选出我们关心的那些分析结果，从而更为专注地思考如何优化程序性能。
• 分析Python程序的性能之前，一定要提醒自己注意，别把访问外部系统的那些代码，与核心代码混在一起测。如访问磁盘资源等。 ```python from cProfile import Profile from pstats import Stats import time

def sort_p(arr): for i in range(2): time.sleep(1) arr = sorted(arr) return arr

pro = Profile() arr = [1,4,2,6,8,7,2,34,6,8,3,2,75,3] pro.runcall(lambda: sort_p(arr)) pst = Stats(pro) pst.strip_dirs()

查看每个函数消耗的时间

pst.print_stats()

查看每个函数被其他函数调用了多少次

pst.print_callees()

<a name="lxgH1"></a>
# 71. 优先考虑用deque实现生产者-消费者队列
先进先出的（first-in, first-out，FIFO）队列，这种队列也叫作生产者-消费者队列（producer–consumer queue）或生产-消费队列，其实就是我们常说的队列。通常我们在python中可以用list来实现先进先出，但是list随着元素数量的增加性能会下降。timeit这个库可以用来测试重复运行函数需要花费的时间。<br />使用collections中的deque类实现队列比直接使用list要快。
<a name="h9AL5"></a>
# 72. 考虑用bisect搜索已排序的序列
bisect可以实现快速的二分查找，并且可以考虑用left，right等方法来考虑小于，小于等于这些情况
<a name="KcP4Z"></a>
# 73. 学会使用heapq制作优先级队列
在对队列中的元素按照某一属性进行排序，比如借书还书的情况，不一定是先借的排在前面，不同的书可借的时间是不同的，因此可能存在后借的书需要先还。这时，需要按照还书时间进行排序。如果采用list那效率会很低，可以采用heapq模块，利用堆结构来维护队列中的元素。<br />加入到heapq中的元素必须是可比较的，因此在自己实现类的时候，需要给类加装饰器@functools.total_ordering，并且在类中实现__lt__方法，确定通过比较哪些属性来维持先后顺序。
<a name="hdo3Q"></a>
# 74. 考虑用memoryview与bytearray来实现无须拷贝的bytes操作
针对CPU密集型的计算任务，要想用Python程序平行地处理，可能得多花一点功夫（并行），但针对I/O密集型的任务，却很容易就能用各种方式写出吞吐量较大（多线程）的平行代码。**然而，由于这种代码写起来很简单，特别容易遭到误用，让人以为Python好像慢得连I/O密集型任务都处理不好**。<br />memoryview提供了一套无需拷贝的操作，比如通常list做切片的时候是需要在底层做拷贝，如果使用memoryview可以节约时间，在数据量大访问多的时候比较显著。<br />memoryview是对bytes进行封装，所以可以考虑用bytes进行存储，因为，如果是使用字符串，那么字符串转换成bytes再用memoryview的时间还不如直接对字符串进行切片。当然如果转换一次就行，然后后续有多次切片，那也是能节省时间的。<br />如果能把bytes改成Python内置的bytearray，那么与memoryview相搭配，效果会比较好。bytes有个限制，就是只能读取不能修改，我们不能单独更新其中某个位置上的字节。因此，如果需要对数据进行修改的话，可以使用bytearray
```python
from cProfile import Profile
import time
start = time.time()
a = 'hello in hao'*10000000
for i in range(1000):
    b = a[1:300000]
end = time.time()
print(end - start)
start = time.time()
aa = memoryview(a.encode())
starts = time.time()
for i in range(1000):
    aaa = aa[1:300000]
# print(aaa.tobytes().decode())
end = time.time()
print(end - start)
print(end - starts)