提升Python开发效率的五个实用代码片段
你打开编辑器，敲下import os的那一刻，可能从未想过，一个更优雅、更高效的世界就在你手边。Python 的生态庞大而精妙，很多代码片段不仅能让你少写十几行，还能让运行速度翻倍、可读性飙升。今天我们不谈大而全的框架，只聚焦五个真正能改变你日常工作流的实用片段。它们不是什么黑科技，但如果你认真用过一次，就再也回不去老写法。
用pathlib彻底取代os.path，让路径操作像呼吸一样自然
处理文件路径是每个 Python 开发者的日常。过去我们写os.path.join('data', 'sub', 'file.txt')，还要担心 Windows 和 Linux 的斜杠差异。但自从 Python 3.4 引入pathlib，一切都变了。Path对象把路径变成第一等公民，你可以直接用/拼接路径，就像在写 shell 命令：
from pathlib import Path data_dir = Path('data') sub_dir = data_dir / 'sub' file_path = sub_dir / 'file.txt'
这不仅仅是为了好看。Path对象自带大量方法：exists()、is_file()、read_text()、iterdir()，甚至可以直接用.glob('.csv')匹配文件。一行.read_text()替代了with open(...) as f: f.read()，缩减了至少三行样板代码。更妙的是，它天然跨平台——在 Windows 上自动使用反斜杠，在 Linux/macOS 上使用正斜杠，你再也无需为路径分隔符写条件判断。
效率提升体现在哪里？第一，认知负担降低：你不必记住os.path里的十几个函数名，Path对象的方法名更直观。第二，代码量减少 30%~50%：比如删除一个文件夹及其所有子文件，传统写法要递归遍历，而pathlib只需shutil.rmtree(Path('old_dir'))，因为Path可以兼容shutil。第三，类型安全：Path对象不可变，不易出现字符串拼接错误。如果你还在用os.path，试着迁移一个项目，你会爱上这种“路径即对象”的感觉。
用functools.lru_cache给递归装上火箭引擎
递归函数在算法题中很常见，但在生产环境中，不加优化的递归简直是性能杀手。经典例子：斐波那契数列，普通递归的时间复杂度是 O(2ⁿ)，n=50 时你的电脑就会汗流浃背。而functools.lru_cache只需一个装饰器，就能把它变成O(n)的“记忆化”版本：
from functools import lru_cache @lru_cache(maxsize=128) def fib(n): if n < 2: return n return fib(n-1) + fib(n-2)
原理很简单：lru_cache自动缓存函数的返回值，对于相同的参数不再执行函数体，直接返回缓存结果。maxsize=128表示缓存最多 128 个不同参数的结果，超过时采用 LRU 淘汰策略。这个装饰器不仅适用于斐波那契，所有纯函数（输入相同输出必然相同）都可以受益——动态规划、数据解析、正则匹配中的重复计算，只要加上它，速度能提升几个数量级。
更妙的是，你还可以用它做“反向加速”：比如爬虫中频繁请求同一 URL 的响应，用@lru_cache缓存结果，避免重复网络 I/O。虽然要小心缓存过期问题，但很多短时重复的场景（比如同一用户在一秒内多次请求同一个配置）都能大幅减少后端压力。一行代码换 100 倍性能，这样的好事在 Python 里不多见，遇到了就别放过。
collections.defaultdict和Counter，告别繁琐的键检查
统计一组数据里每个元素出现的次数，是数据分析的基本操作。新手通常这样写：
counts = {} for item in data: if item not in counts: counts[item] = 0 counts[item] += 1
三行逻辑，但每次都写if ... not in很烦。用defaultdict可以一步到位：
from collections import defaultdict counts = defaultdict(int) for item in data: counts[item] += 1
defaultdict在访问不存在的键时，会自动调用默认工厂函数生成默认值。int()返回 0，list()返回空列表，set()返回空集合。这意味着你可以直接做counts[item] += 1，而不用担心KeyError。代码从 3 行降到 1 行，且语义更清晰。
如果只是统计次数，还有更爽的Counter：
from collections import Counter counts = Counter(data) # 一行搞定 most_common = counts.most_common(3) # 直接取前三
Counter是dict的增强版，专门为计数而生。它还能做加减：Counter(a=3, b=1) + Counter(a=2, c=2)得到Counter({'a':5, 'b':1, 'c':2})，这在合并不同数据源时极其有用。比如统计多天的日志里错误类型次数，用Counter相加即可，无需手动遍历合并。这两个工具让你从低效的键检查中彻底解放出来，把精力放在数据本身。
itertools模块：用“延迟求值”写出极简迭代
当你需要生成笛卡尔积、排列组合、分组、链式迭代时，手动写循环不仅冗余，还容易内存爆炸。itertools提供了一组高效的迭代器生成函数，它们按需生成元素（惰性求值），极大节省内存。先看几个高频片段：
chain：拼接两个可迭代对象，list(chain([1,2], [3,4]))得到[1,2,3,4]。替代list1 + list2的复制操作，特别是处理大量数据时，chain不产生中间列表。
product：多层循环的扁平化——for x, y in product(range(10), range(10))等价于两层for，代码更紧凑。在创建网格参数、暴力破解时尤其有用。
groupby：对已排序的序列按分组键分组。比如按日期分组日志：for key, group in groupby(sorted(logs, key=lambda x: x.date), key=lambda x: x.date)，省去了手动维护字典的代码。
最惊艳的是itertools.islice：对可迭代对象进行切片，但又不用把它变成列表。假如有一个巨大的文件迭代器，你只想看前 100 行，islice(lines, 100)就能做到，比list(lines)[:100]节省内存几个数量级。所有的itertools函数都返回迭代器，你可以把它们任意组合，形成一条“迭代管道”——数据只在需要时才被处理。这在处理百万级数据流时，是真正的性能救星。
用contextlib.contextmanager自定义上下文管理器，让资源管理更优雅
with语句是 Python 里最优雅的资源管理模式，但通常我们只使用内置的open()或锁。其实你可以用contextlib.contextmanager这个装饰器，把一个生成器函数瞬间变成上下文管理器。比如，你想测量某段代码的执行时间：
from contextlib import contextmanager import time @contextmanager def timer(): start = time.perf_counter() yield # 这里插入被管理的代码块 elapsed = time.perf_counter() - start print(f"Elapsed: {elapsed:.3f}s")
使用：with timer(): do_something()。这段代码的精髓在于yield前是进入时的操作，yield后是退出时的操作。你无需创建一个类并实现__enter__和__exit__方法，写一个生成器函数就够了。代码量减少一半，可读性还能提升。
更高级的用法：自动重试、数据库事务、临时文件清理。比如，你想创建一个临时数据库会话，确保无论是否抛出异常都会回滚或关闭：
@contextmanager def db_session(): session = create_session() try: yield session except Exception: session.rollback() raise finally: session.close()
这种“进入-退出”模式几乎可以套用在任何需要前置和后置处理的场景。打印日志、切换工作目录（chdir）、修改环境变量……你只需要写一个简单的生成器，然后用with包裹。这不仅减少了重复代码，还能保证异常安全——contextmanager天然支持finally逻辑，不会因为函数中途返回而遗漏清理。下次当你发现自己需要在函数开头写setup，结尾写teardown时，停下来想想：把它改成上下文管理器吧。
结尾：代码片段是支点，撬动你的开发效率
这五个片段只是 Python 效率工具库的冰山一角。但如果你能把pathlib、lru_cache、defaultdict/Counter、itertools、contextmanager变成肌肉记忆，你的代码质量会有肉眼可见的提升——更少的 bug、更快的执行速度、更易读的语义。效率不一定是写更少的代码，而是用更清晰的逻辑表达更多的意图。
从今天开始，试着在你下一个脚本里，至少替换一个老写法，比如把os.path换成pathlib，或者给一个纯函数加上@lru_cache。改变习惯的第一个月可能会慢，但之后你省下的时间将成倍增长。毕竟，真正高效的开发者不是在加班写代码，而是在用更聪明的方式减少需要写的代码。