Python即是面向过程语言，也是面向对象语言，很多其它情况下充当脚本语言的角色。虽是脚本语言，但相同涉及到代码优化的问题，代码优化可以让程序执行更快，它是在不改变程序执行结果的情况下使程序执行效率更高，依据80/20原则。实现程序的重构、优化、扩展以及文档相关的事情通常须要消耗80%的工作量。

优化通常包括双方面的内容：

1.
减小代码的体积、提高代码的可读性及可维护性。

2.
改进算法，减少代码复杂度，提高代码执行效率。

选择合适的数据结构一个良好的算法可以对性能起到关键作用。因此性能改进的首要点是对算法的改进。

在算法的时间复杂度排序上依次是：

O(1) > O(lg n) > O(n lg n) > O(n^2) > O(n^3) > O(n^k) > O(k^n) > O(n!)

比方说字典是哈希结构。遍历字典算法复杂度是O(1),而列表算法复杂度是O(n)，因此查找对象字典比列表快。

以下列出一些代码优化的技巧。以概要方式总结。因为时间关系。仅仅总结当中一部分。以后会持续更新。

【说明】

測试的工具: 包含time模块，timeit模块，profile模块或cProfile模块

验证的方式: 包含Python Shell，iPython，Python脚本

測试的环境: 包含Python 2.7.6，IPython 2.3.1

NOTE:

1.
一般来说c开头是c语言实现，速度更快些，比方cProfile就比profile快。

cPickle比pickle快。

2. 一般来说Python版本号较高。在速度上都有非常大提升。所以測试环境不同，结果不一样。

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【+= 比 +快】

从Python2.0開始，添加了增强性数据类型，比方说

X += Y

等价于X = X + Y

1. 就优化来说。左側仅仅需计算一次。在X += Y中，X能够使复杂的对象表达式。在增强形式中，则仅仅须要计算一次。

然而，在完整的X = X + Y中，X出现两次，必须运行两次。因此增强赋值语句通常更快些。

from timeit import Timer   #记得导入timeit模块

In [4]: Timer('S = S + "eggs"','S = "SPAM"').timeit()

Out[4]: 2.8523161220051065

In [5]: Timer('S += "eggs"','S = "SPAM"').timeit()

Out[5]: 2.602857082653941

2. 优化技术会自己主动选择，对于支持原处改动的对象而言，增强形式会自己主动运行原处的改动。

普通复制:

>>> M = [1,2,3]

>>> L = M

>>> M = M + [5]

>>> M;L

[1, 2, 3, 4]

[1, 2, 3]

原处改动: 

>>> M  = [1,2,3]

>>> L  = M

>>> M += [4]

>>> M;L

[1, 2, 3, 4]

[1, 2, 3, 4]

>>> Timer('L = L + [4,5,6]','L = [1,2,3]').timeit(20000)

4.324376213615835

>>> Timer('L += [4,5,6]','L = [1,2,3]').timeit(20000)

0.005897484107492801

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【可变对象内置函数比合并操作快】

第一种方法: 普通加入来实现

>>> L = [1,2,3]

>>> L = L + [4]

>>> L

[1, 2, 3, 4]

另外一种方法: 内置函数来实现 

>>> L = [1,2,3]

>>> L.append(4)

>>> L

[1, 2, 3, 4]

其所花费的时间，相差数百倍: 

>>> Timer('L = L + [4]','L = [1,2,3]').timeit(50000)

8.118179033256638

>>> Timer('L.append(4)','L = [1,2,3]').timeit(50000)    #内置函数append()方法

0.01078882192950914

>>> Timer('L.extend([4])','L = [1,2,3]').timeit(50000)  #内置函数extend()方法

0.020846637858539907

普通的合并操作尽管没有共享引用带来的副作用，与等效的原处改动相比。但速度非常慢。合并操作必须建立新的对象，复制左側的列表，再复制右側的列表。与之相比的是：在原处的改动法仅仅会在内存块的末尾加入元素。

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【布尔測试比边界測试快】

>>> Timer('X < Y and Y < Z','X=1;Y=2;Z=3').timeit(100000000)  #布尔測试

7.142944090197389

>>> Timer('X < Y < Z','X=1;Y=2;Z=3').timeit(100000000)        #边界測试，推断Y结余X,Z之间

11.501173499654769

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【短路运算比and运算快】

在Python中，if用于条件推断，有以下几种情况

X and Y:  X与Y同一时候为真。方为真

X  or Y:  X或Y任一位真，就为真。 也叫短路运算。即假设前面为真，后面则不推断

not X:    X为假时方为真

In [28]: Timer('2 or 3').timeit(100000000)  #短路运算:前面为真，后面不运算，所以速度快些

Out[28]: 3.780060393088206

In [29]: Timer('2 and 3').timeit(100000000) #and。必须运算为全部的，速度相对慢些

Out[29]: 4.313562268420355

In [30]: Timer('0 or 1').timeit(100000000)  #or运算，但前面为假。所以和前面速度相当

Out[30]: 4.251177957004984

In [31]: Timer('not 0').timeit(100000000)   #not运算，仅仅须要推断一个条件，速度快些

Out[31]: 3.6270803685183637

在前面三个表达式中，短路运算和not运算无疑速度快些，and运算和or中前面条件为假者速度慢些。

所以在程序中适当使用，能够提高程序效率.

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【append比insert速度快】

列表的append方法要比insert方法快的多，由于兴许的引用必须被移动以便使新元素腾地方.

复杂度append末尾加入,复杂度O(1)。而insert复杂度是O(n)

>>> Timer('L.append(4)','L=[1,2,3,5,6]').timeit(200000)

0.03233202260122425

>>> Timer('L.insert(3,4)','L=[1,2,3,5,6]').timeit(200000)

18.31223843438289

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【成员变量測试:字典和集合快于列表和元祖】

能够用in来做成员变量推断，比方'a' in 'abcd'

推断列表和元祖中是否含有某个值的操作要比字典和集合慢的多。

由于Python会对列表中的值进行线性扫描。而另外两个基于哈希表，能够瞬间完毕推断。

数据越大，越明显。

In [44]: Timer('4 in L','L=(1,2,3,4,5,6,7,8,9)').timeit(100000000)

Out[44]: 12.941504527043435    #列表成员推断

In [45]: Timer('4 in T','T=[1,2,3,4,5,6,7,8,9]').timeit(100000000)

Out[45]: 12.883945908790338    #元祖成员推断，和列表几乎相同

In [46]: Timer('4 in S','S=set([1,2,3,4,5,6,7,8,9])').timeit(100000000)

Out[46]: 6.254324848690885     #集合成员推断。和字典几乎相同

In [47]: Timer('4 in D','D={1:"a",2:"b",3:"c",4:"d",5:"e",6:"f",7:"g",8:"h",9:"i"}').timeit(100000000)

Out[47]: 6.3508488422085065    #字典成员推断

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【列表合并extend比+速度快】

列表合并(+)是一种相当费资源的操作，由于必须创建一个新列表并将全部对象复制进去。

而extend将元素附加到现有列表中，因此会快非常多，尤其是创建一个大列表时尤其如此.

+操作运行结果:

import profile            #用cProfile会快些

def func_add():           #測试列表合并操作

    lst = []

    for i in range(5000):

        for item in [[0],[1],[2],[3],[4],[5],[6],[7],[8],[9],[10]]:

            lst = lst + item

if __name__=='__main__':

    profile.run('func_add()')

#####測试结果:#####

>>>

         5 function calls in 9.243 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)

        1    0.000    0.000    0.000    0.000 :0(range)

        1    0.006    0.006    0.006    0.006 :0(setprofile)

        1    0.000    0.000    9.237    9.237 <string>:1(<module>)

        1    9.236    9.236    9.236    9.236 Learn.py:3(func_add)

        1    0.000    0.000    9.243    9.243 profile:0(func_add())

        0    0.000             0.000          profile:0(profiler)

extend运行结果:

import profile

def func_extend():

    lst = []

    for i in range(5000):

        for item in [[0],[1],[2],[3],[4],[5],[6],[7],[8],[9],[10]]:

            lst.extend(item)

if __name__=='__main__':

    profile.run('func_extend()')

#####输出结果:#####

>>>

         55005 function calls in 0.279 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)

    55000    0.124    0.000    0.124    0.000 :0(extend)

        1    0.000    0.000    0.000    0.000 :0(range)

        1    0.005    0.005    0.005    0.005 :0(setprofile)

        1    0.000    0.000    0.274    0.274 <string>:1(<module>)

        1    0.149    0.149    0.273    0.273 Learn.py:3(func_extend)

        1    0.000    0.000    0.279    0.279 profile:0(func_extend())

        0    0.000             0.000          profile:0(profiler)

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【xrange比range快】

In [9]: Timer('for i in range(1000): pass').timeit()

Out[9]: 30.839959527228757

In [10]: Timer('for i in xrange(1000): pass').timeit()

Out[10]: 19.644791055468943

xrange是range的C语言实现。更高效的内存管理。

xrange:每次仅仅迭代一个对象

range:一次生成全部数据，须要一个个扫描

NOTE: 在Python3.0中取消了xrange函数,仅仅留range。无论这个range事实上就是xrange，仅仅只是名字变了。

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【内置函数>列表推导>for循环>while循环】

http://blog.csdn.net/jerry_1126/article/details/41773277

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【局部变量>全局变量】

import profile

A = 5

def param_test():

    B = 5

    res = 0

    for i in range(100000000):

        res = B + i

    return res

if __name__=='__main__':

    profile.run('param_test()')

>>> ===================================== RESTART =====================================

>>> 

         5 function calls in 37.012 seconds  #全局变量測试结果:37 s

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)

        1   19.586   19.586   19.586   19.586 :0(range)

        1    1.358    1.358    1.358    1.358 :0(setprofile)

        1    0.004    0.004   35.448   35.448 <string>:1(<module>)

        1   15.857   15.857   35.443   35.443 Learn.py:5(param_test)

        1    0.206    0.206   37.012   37.012 profile:0(param_test())

        0    0.000             0.000          profile:0(profiler)

>>> ===================================== RESTART =====================================

>>> 

         5 function calls in 11.504 seconds    #局部变量測试结果: 11s

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)

        1    3.135    3.135    3.135    3.135 :0(range)

        1    0.006    0.006    0.006    0.006 :0(setprofile)

        1    0.000    0.000   11.497   11.497 <string>:1(<module>)

        1    8.362    8.362   11.497   11.497 Learn.py:5(param_test)

        1    0.000    0.000   11.504   11.504 profile:0(param_test())

        0    0.000             0.000          profile:0(profiler)

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【while 1 > while True】

while 1运行结果:

import cProfile

def while_1():

    tag = 0

    while 1:

        tag += 1

        if tag > 100000000:

            break

if __name__=='__main__':

    cProfile.run('while_1()')

>>> ===================================== RESTART =====================================

>>>

         4 function calls in 5.366 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)

        1    0.006    0.006    0.006    0.006 :0(setprofile)

        1    0.000    0.000    5.360    5.360 <string>:1(<module>)

        1    5.360    5.360    5.360    5.360 Learn.py:3(while_1)

        0    0.000             0.000          profile:0(profiler)

        1    0.000    0.000    5.366    5.366 profile:0(while_1())

while True运行结果:

import cProfile

def while_true():

    tag = 0

    while True:

        tag += 1

        if tag > 100000000:

            break

if __name__=='__main__':

    cProfile.run('while_true()')

>>> ===================================== RESTART =====================================

>>>

         4 function calls in 8.236 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)

        1    0.012    0.012    0.012    0.012 :0(setprofile)

        1    0.000    0.000    8.224    8.224 <string>:1(<module>)

        1    8.224    8.224    8.224    8.224 Learn.py:10(while_true)

        0    0.000             0.000          profile:0(profiler)

        1    0.000    0.000    8.236    8.236 profile:0(while_true())

NOTE: while 1比while True，运行快些，是由于Python 2.x中True相当于全局变量，非keyword.

尽管前者比后者快些，但后者可读性无疑更好些.

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【求交集集合比列表快】

列表測试结果:

from time import time

t1 = time()

list_1 = [32,78,65,99,19,43,18,22,7,1,9,2,4,8,56]

list_2 = [3,4,8,56,99,100]

temp   = []

for x in range(1000000):

    for i in list_2:

        for j in list_1:

            if i == j:

                temp.append(i)

t2 = time()

print "Total time:", t2 - t1

#測试结果:

>>>

Total time: 13.6879999638

集合測试结果: 

from time import time

t1 = time()

set_1 = set([32,78,65,99,19,43,18,22,7,1,9,2,4,8,56])

set_2 = set([3,4,8,56,99,100])

for x in range(1000000):

    set_same = set_1 & set_2

t2 = time()

print "Total time:", t2 - t1

#測试结果:

>>>

Total time: 0.611000061035

NOTE:
用集合的方式取交集速度快的多。

以下是经常使用的集合操作。

>>> set1 = set([2,3,4,8,9])  #集合1

>>> set2 = set([1,3,4,5,6])  #集合2

>>> set1 & set2              #求交集

set([3, 4])

>>> set1 | set2              #求合集

set([1, 2, 3, 4, 5, 6, 8, 9])

>>> set1 - set2              #求差集

set([8, 9, 2])

>>> set1 ^ set2              #求异或：即排除共同部分

set([1, 2, 5, 6, 8, 9])

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【直接交换两变量 > 借助中间变量】

要交换X,Y的值。有两种方法:

1. 直接交换: X, Y = Y, X

>>> X,Y = 1,2

>>> X,Y

(1, 2)

>>> X, Y = Y, X

>>> X,Y

(2, 1)

2.借助中间变量: T = X, X = Y, Y = X 

>>> X,Y = 1,2

>>> X,Y

(1, 2)

>>> T = X; X = Y; Y = T

>>> X,Y

(2, 1)

測试结果:



++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【is not速度快于!=】

在if条件推断中。能够用 if a is not None:或者 if a != None 前者执行速度快于后者.

測试结果:

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【''.join(list)速度快于+或+=】

+測试结果:



''.join(list)測试结果:

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【在循环体外运行函数比在循环中快】

所以要降低函数的调用次数

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【**比pow()速度快】

測试结果:



**其速度是pow()函数的几十倍，并且数据越大，越明显。

**相当于Python的移位操作: 右移(>>) 和 左移(<<)比方说 2**2 = 4相当于 2 << 1 其速度相当！

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【生成器速度比列表快】

前者是列表解析对象。后者是generate对象。所需的内存空间与列表大小无关。所以速度快些.

在实际应用中，比方说创建一个集合，用生成器对象明显比列表对象要快些。

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【浅拷贝的速度比深拷贝速度快】

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【cPickle比pickle速度快】

pickle模块和cPickle模块都能够将Python对象永久存储在系统文件里。

但cPickle是Python的C语言实现。因而速度更快些。

请看以下对照:

存储一个百万级别大小的列表，用cPickle模块差点儿10倍于pickle模块。

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【int()比int(math.floor())快】

比方对浮点数取整,32.9，假设要取年龄的话。仅仅能是32。

能够有两种方式

一种: int(math.floor(32.9))   # floor先取32.0再转为整数

一种: int(32.9)                  # 直接向下取整，math.floor()下多余的

能够看出，另外一种方式要比第一种快的多。

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【读取文件操作for循环比while高效】

測试项目: test.txt 3M的文件

測试结果: 245.83s

測试结果: 182.62s

for line in open('filename'):

process(line)

上面这样的方式应该读取文件的最佳方式:原因有三

1.写法最简单

2. 执行最高速

3. 从内存使用角度来看，也是最好的

NOTE: 

1.
readlines()是一次性载入全部的行，而xreadlines()是按须要载入。可避免大文件导致内存泄露

2.
readline()是迭代逐行读取。从内存角度来说。在大文件处理中。效率要比readlines()高

3. 超大文件的话，用readlines()方式能够会导致内存崩溃。

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【字典的迭代取值比直接取值高效】

>>> Timer('for v in d.values(): pass',"d={'a':1,'b':2,'c':3,'d':4,'e':5}").timeit(100000000)

43.297132594847085

>>> Timer('for v in d.itervalues(): pass',"d={'a':1,'b':2,'c':3,'d':4,'e':5}").timeit(100000000)

36.16957129734047

也就是说:

# d.itervalues() 比d.values()要快些

# d.iteritems()  比d.items()要快些

# d.iterkeys()   比d.keys()要快些

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

【创建字典常规方法比工厂方法要快】

常规方法:

d={'x':1, 'y':2, 'z':3}

工厂方法:例如以下面几种

1. dict((['x',1], ['y',2], ['z',3]))

2. dict(zip(('x', 'y', 'z'), (1, 2, 3)))

3. dict(x=1, y=2, z=3)

>>> Timer("d={'x':1, 'y':2, 'z':3}").timeit()

0.19084989859678103

>>> Timer("dict((['x',1], ['y',2], ['z',3]))")

<timeit.Timer instance at 0x0000000002E06288>

>>> Timer("dict((['x',1], ['y',2], ['z',3]))").timeit()

1.5503493690009975

相同工厂方法创建新字典速度比copy()函数慢

>>> Timer("D2=copy.copy({'x':1, 'y':2, 'z':3})","import copy").timeit()

1.074277245445046

>>> Timer("D3=dict((['x',1], ['y',2], ['z',3]))").timeit()

1.5830155758635556

Python代码优化概要的更多相关文章

  1. python基础===Python 代码优化常见技巧

    Python 代码优化常见技巧 代码优化能够让程序运行更快,它是在不改变程序运行结果的情况下使得程序的运行效率更高,根据 80/20 原则,实现程序的重构.优化.扩展以及文档相关的事情通常需要消耗 8 ...

  2. Python 代码优化常见技巧

    代码优化能够让程序运行更快,它是在不改变程序运行结果的情况下使得程序的运行效率更高,根据 80/20 原则,实现程序的重构.优化.扩展以及文档相关的事情通常需要消耗 80% 的工作量.优化通常包含两方 ...

  3. python代码优化技巧

    转自:http://www.douban.com/group/topic/31478102/ 这个资料库还有些不错的好文章: http://www.ibm.com/developerworks/cn/ ...

  4. Python 代码优化技巧(一)

    Table of Contents 1. 代码优化Part1 1.1. if 判断的短路特性 1.2. join 合并字符串 1.3. while 1 和 while True 1.4. cProfi ...

  5. python代码优化---就喜欢细节

    地址:http://www.codeproject.com/Tips/829060/Python-Code-Optimizations-Part-One 转发过来保存一下.喜欢精雕细琢,编程才有乐趣. ...

  6. Python代码优化及技巧笔记（一）

    前言 这里是记录一些本人在开发过程中遇到的一些细节问题.与君共勉. 版权说明 著作权归作者全部.商业转载请联系作者获得授权,非商业转载请注明出处. 作者:Coding-Naga链接:http://bl ...

  7. python进程概要

    进程 狭义:正在运行的程序实例. 广义:进程是一个具有一定独立功能的程序关于某个数据集合的一次运行活动,他是操作系统动态执行的基本单元. python的进程都是并行的. 并行:两个进程同时执行一起走. ...

  8. paper 160：python 知识点概要 更新ing

    1.python json  http://www.runoob.com/python/python-json.html Python的json模块提供了一种很简单的方式来编码和解码JSON数据. 其 ...

  9. Python mysql-SQL概要

    2017-09-05 20:10:58 一.SQL语句及其种类 SQL使用关键字,表名,列名等组合成一条语句来描述操作的内容.关键字是指那些含义或者使用方法是先已经定义好的英语单词.根据RDBMS赋予 ...

随机推荐

  1. 踩坑 Uncaught RangeError: Maximum call stack size exceeded

    今天遇到了一个错误, 堆栈溢出,很好奇就是一个简单ajax请求怎么会报这个错误,研究了一下,发现犯了一个很低级的错误,data的参数错误了: passWord是未定义的变量,值为空,然后导致了这个问题 ...

  2. js日期处理

    Js获取当前日期时间及其它操作 var myDate = new Date(); myDate.getYear(); //获取当前年份(2位) myDate.getFullYear(); //获取完整 ...

  3. C#知识点<2>

    1. ? : 运算符(真2假3) 我们已经在前面的章节中讲解了 条件运算符 ? :,可以用来替代 if...else 语句.它的一般形式如下: Exp1 ? Exp2 : Exp3; 其中,Exp1. ...

  4. jquery版右下角弹窗效果

    <!DOCTYPE html> <html> <head lang="en"> <meta charset="UTF-8&quo ...

  5. BZOJ 1051：[HAOI2006]受欢迎的牛（强连通分量）

    受欢迎的牛Description每一头牛的愿望就是变成一头最受欢迎的牛.现在有N头牛,给你M对整数(A,B),表示牛A认为牛B受欢迎. 这种关系是具有传递性的,如果A认为B受欢迎,B认为C受欢迎,那么 ...

  6. CLion 使用笔记（三）

    我已经在博客里面发布了好几篇 CLion 使用笔记了,没追究这是第几篇,姑且算作第三篇. 我的 CLion 是搭配了 MSYS2 和 Conan 使用的.MSYS2 提供 C++ toolchain. ...

  7. Spring Boot是什么

    Spring Boot是什么 我们知道,从 2002 年开始,Spring 一直在飞速的发展,如今已经成为了在Java EE(Java Enterprise Edition)开发中真正意义上的标准,但 ...

  8. THUWC 2018（游记）

    这次是在雅礼洋湖中学举行的,一所2017年才创办的学校,新的学校, 貌似有些危险,积雪过多屋顶上的冰块砸下来,很容易砸到人, 听说最近就有一个人被砸死了. Day1 昨天睡的比较迟,12点吧,今天早上 ...

  9. C语言中 单引号与双引号的区别

    在C语言中,字符用单引号,字符串用双引号.在c1='a';中,'a'是字符常量,必须用单引号."a"表示字符串,包含两个字符,一个是'a',一个是'\0'. 用数组来存储字符串. ...

  10. nodeJS学习（2）--- NPM 使用介绍

    前言:express 推出了4.X,自己尝试了一下,出现了各种问题.结果查看了各种文档和问题,现在在这个给大家分享下4.X版本的安装. NPM 使用介绍 NPM是随同NodeJS一起安装的包管理工具, ...