- 1 建议 36：掌握字符串的基本用法
- 2 建议 37：按需选择 sort() 或者 sorted()
- 3 建议 38：使用 copy 模块深拷贝对象
- 4 建议 39：使用 Counter 进行计数统计
- 5 建议 40：深入掌握 ConfigParser
- 6 建议 41：使用 argparse 处理命令行参数
- 7 建议 42：使用 pandas 处理大型 CSV 文件
- 8 建议 43：使用 ElementTree 解析 XML
- 9 建议 44：理解模块 pickle 优劣
- 10 建议 45：序列化的另一个选择——JSON
- 11 建议 46：使用 traceback 获取栈信息
- 12 建议 47：使用 logging 记录日志信息
- 13 建议 48：使用 threading 模块编写多线程程序
- 14 建议 49：使用 Queue 使多线程编程更安全
1 建议 36：掌握字符串的基本用法
查找与替换、切割、删除空白符等待
2 建议 37：按需选择 sort() 或者 sorted()
sort只能应用在列表list上，而sorted可以对所有可迭代的对象进行排序的操作
sort方法会在原list上直接进行排序，不会创建新的list。
sorted方法不会对原来的数据做任何改动，排序后的结果是新生成的。
sorted() 函数功能强大，可以针对不同的数据结构进行排序，还可以自定义比较函数。
3 建议 38：使用 copy 模块深拷贝对象
浅拷贝（shallow copy）：构造一个新的复合对象并将从原对象中发现的引用插入该对象中。浅拷贝的实现方式有多种，如工厂函数、切片操作、copy 模块中的 copy 操作等。
深拷贝（deep copy）：也构造一个新的复合对象，但是遇到引用会继续递归拷贝其所指向的具体内容，也就是说它会针对引用所指向的对象继续执行拷贝，因此产生的对象不受其他引用对象操作的影响。深拷贝的实现需要依赖 copy 模块的
deepcopy()操作。
4 建议 39：使用 Counter 进行计数统计
推荐使用collections.Counter
from collections import Counter
some_data = ["a", "2", 2, 4, 5, "2", 4, "a", 5, "d", "z", "a"]
print(Counter(some_data))
#output
Counter({'a': 3, '2': 2, 4: 2, 5: 2, 2: 1, 'd': 1, 'z': 1})
5 建议 40：深入掌握 ConfigParser
ConfigParser可以对 INI 结构的配置文件进行解析
INI 结构的配置文件示例：
[DEFAULT]
ServerAliveInterval = 45
Compression = yes
CompressionLevel = 9
ForwardX11 = yes
[bitbucket.org]
User = hg
[topsecret.server.com]
Port = 50022
ForwardX11 = no
6 建议 41：使用 argparse 处理命令行参数
- 语法直观，支持类型丰富（数值类型、文件类型）
- 支持必填参数、参数分组、子命令
- 自动生成帮助和使用手册
- 传入无效参数时报出错误信息
具体可参考Argparse文档--命令行选项、参数和子命令解析器
7 建议 42：使用 pandas 处理大型 CSV 文件
CSV（Comma Separated Values）是一种以逗号作为分隔的纯文本格式文件
Pandas通过两种基本数据类型Series 和 DataFrame，完成各种数据分析任务
Pandas支持文件类型丰富、数据处理灵活，很多计算通过Cython 高效实现
8 建议 43：使用 ElementTree 解析 XML
xml.etree.ElementTree模块实现了一个简单高效的API，用于解析和创建XML数据
XML结构的文件示例：
<?xml version="1.0"?>
<data>
<country name="Liechtenstein">
<rank>1</rank>
<year>2008</year>
<gdppc>141100</gdppc>
<neighbor name="Austria" direction="E"/>
<neighbor name="Switzerland" direction="W"/>
</country>
<country name="Singapore">
<rank>4</rank>
<year>2011</year>
<gdppc>59900</gdppc>
<neighbor name="Malaysia" direction="N"/>
</country>
</data>
具体可参考xml.etree.ElementTree文档--ElementTree XML API
9 建议 44：理解模块 pickle 优劣
模块 pickle 实现了对一个 Python 对象结构的二进制序列化和反序列化。
- pickle 不能保证操作的原子性，避免pickle 调用时发生异常后或进行对象的深递归
- 不要随便反序列化不可信的数据，pickle 存在安全性问题
- pickle 协议是 Python 特定的，与其他语言可能存在兼容问题
10 建议 45：序列化的另一个选择——JSON
模块 json 是一个允许JSON序列化和反序列化的标准库模块。
jsonvspickle
- json是一个文本序列化格式； pickle是一个二进制序列化格式
- json的存储格式可读性更为友好，容易修改
- pickle协议是 Python 特定的，而json跨平台跨语言
- json支持大部分的 Python 内置类型，而pickle支持的数据类型更丰富
具体可参考json文档--JSON 编码和解码器
11 建议 46：使用 traceback 获取栈信息
模块traceback提供了一个标准接口来提取、格式化和打印 Python 程序的堆栈跟踪结果。
12 建议 47：使用 logging 记录日志信息
logging模块为应用与库定义了实现灵活的事件日志系统的函数与类
| 级别 | 数值 | 使用情形 |
|---|---|---|
| CRITICAL | 50 | 严重的错误，或者程序本身不能够继续运行 |
| ERROR | 40 | 由于某些严重的问题，程序中的一些功能受到影响 |
| WARNING | 30 | 一些不可预见或将发生的问题，如磁盘空间低等，但不影响程序的运行 |
| INFO | 20 | 正常的信息 |
| DEBUG | 10 | 详细的信息，在追踪问题的时候使用 |
| NOTSET | 0 | 未设定级别的信息 |
三个建议:
- 尽量为 logging 取一个名字而不是采用默认，这样当在不同的模块中使用的时候，其他模块只需要使用以下代码就可以方便地使用同一个 logger，因为它本质上符合单例模式：
import logging
logging.basicConfig(level=logging.DEBUG)
logger = logging.getLogger(__name__)
为了方便地找出问题所在，logging 的名字建议以模块或者 class 来命名。Logging 名称遵循按 "." 划分的继承规则，根是 root logger，logger a.b 的父 logger 对象为 a。
Logging 只是线程安全的，不支持多进程写入同一个日志文件，因此对于多个进程，需要配置不同的日志文件。
具体可参考logging文档--Python 的日志记录工具
13 建议 48：使用 threading 模块编写多线程程序
1_study/ComputerScience/programming/进程、线程与协程#线程
14 建议 49：使用 Queue 使多线程编程更安全
queue模块实现了多生产者，多消费者队列。适用于信息必须安全地在多线程之间交换的情况。
具体可参考queue文档--一个同步的队列类