Это десятая подборка советов про Python и программирование из моего авторского канала @pythonetc.

Предыдущие подборки.

0_0

0_0 — полностью корректное выражение на Python.

Сортировка списка с None

Сортировка списка с None-значениями может быть весьма непростой задачей:

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

Можно попробовать удалить все None и вернуть их обратно после сортировки (в начало или в конец списка, в зависимости от задачи):

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]

Но это неудобно. Лучше использовать более сложный key:

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]

Если же речь идёт о типах, для которых бесконечность недопустима, можно сортировать кортежи:

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]

Вызов random.seed()

Когда вы форкаете процесс, то используемый вами random seed будет копироваться во все получившиеся процессы. В результате в них может генерироваться одинаковый «случайный» результат.

Чтобы этого избежать, нужно в каждом процессе вручную вызывать random.seed(). Но если воспользуетесь модулем multiprocessing, то он будет делать это за вас.

Например:

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()

Получите нечто подобное:

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

Более того, если вы используете Python 3.7 и выше, то благодаря новому хуку at_fork можете делать то же самое с помощью os.fork.

Вышеприведённый код на Python 3.7 даёт такой результат:

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

Сложение с 0

На первый взгляд кажется, что sum([a, b, c]) эквивалентно a + b + c, хотя на самом деле эквивалентом будет 0 + a + b + c. Значит это выражение не может работать с типами, которые не поддерживают сложение с 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'

Чтобы это исправить, можете предоставлять кастомный начальный элемент, который будет использоваться вместо 0:

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

sum предназначена для сложения float и int-типов, хотя может работать и с любыми другими кастомными типами. Однако он отказывается складывать bytes, bytearray и str, поскольку для этого предназначена join:

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)

Завершение индексов в Jupyter Notebook

С помощью метода _ipython_key_completions_ можно кастомизировать завершения индексов в Jupyter Notebook. Таким образом вы сможете контролировать, что отобразится на экране, если нажать Tab после чего-нибудь вроде d["x:



Обратите внимание, что метод не получает искомую строку в качестве аргумента.