python中and、or和not 三个逻辑运算符，一直理解不了，求帮助！

‘and’、‘or’和‘not’的优先级是not>and>or
首先，‘and’、‘or’和‘not’的优先级是not>and>or。
and ：x and y 返回的结果是决定表达式结果的值。如果 x 为真，则 y 决定结果，返回 y ；如果 x 为假，x 决定了结果为假，返回 x。
or ：x or y 跟 and 一样都是返回决定表达式结果的值。
not : 返回表达式结果的“相反的值”。如果表达式结果为真，则返回false；如果表达式结果为假，则返回true。
其次，逻辑操作符and 和or 也称作短路操作符（short-circuitlogic）或者惰性求值（lazy evaluation）：它们的参数从左向右解析，一旦结果可以确定就停止。
例如，如果A 和C 为真而B 为假， A and B and C 不会解析C，作用于一个普通的非逻辑值时，短路操作符的返回值通常是最后一个变量。因此，逻辑运算符的理解也与C语言中不同。举个例子：

在以上例子中，按照C语言对的思维，3 and 4即3与4为3，但是由于是短路操作符，结果为4，是因为and运算符必须所有的运算数都是true才会把所有的运算数都解析，并且返回最后一个变量，即为4；改变一下顺序4 and 3 ，结果也不一样，即为3.
而或逻辑（or），即只要有一个是true，即停止解析运算数，返回最近为true的变量，即 3 or 4，值为3；改变顺序4 or 3 即为4.

一般来讲, 返回值是0表示没有错误的执行结束. 返回值是通知调用者或操作系统的, 你这个是在某个编辑器里执行的结果吧? 表示正确地执行到程序的结尾都是OK的

返回值为0，表示结果是假。说明a和b至少有一个不是真。

‍

△点击上方“Python猫”关注 ，回复“1”领取电子书

文末赠书

作者：张皓

来源：https://zhuanlan.zhihu.com/p/143052860

Python 是一种脚本语言，相比 C/C++ 这样的编译语言，在效率和性能方面存在一些不足。但是，有很多时候，Python 的效率并没有想象中的那么夸张。本文对一些 Python 代码加速运行的技巧进行整理。

0. 代码优化原则

本文会介绍不少的 Python 代码加速运行的技巧。在深入代码优化细节之前，需要了解一些代码优化基本原则。

第一个基本原则是不要过早优化。很多人一开始写代码就奔着性能优化的目标，“让正确的程序更快要比让快速的程序正确容易得多”。因此，优化的前提是代码能正常工作。过早地进行优化可能会忽视对总体性能指标的把握，在得到全局结果前不要主次颠倒。

第二个基本原则是权衡优化的代价。优化是有代价的，想解决所有性能的问题是几乎不可能的。通常面临的选择是时间换空间或空间换时间。另外，开发代价也需要考虑。

第三个原则是不要优化那些无关紧要的部分。如果对代码的每一部分都去优化，这些修改会使代码难以阅读和理解。如果你的代码运行速度很慢，首先要找到代码运行慢的位置，通常是内部循环，专注于运行慢的地方进行优化。在其他地方，一点时间上的损失没有什么影响。

1. 避免全局变量 # 不推荐写法。代码耗时：26.8秒
import math

size = 10000
for x in range(size):
for y in range(size):
z = math.sqrt(x) + math.sqrt(y)

许多程序员刚开始会用 Python 语言写一些简单的脚本，当编写脚本时，通常习惯了直接将其写为全局变量，例如上面的代码。但是，由于全局变量和局部变量实现方式不同，定义在全局范围内的代码运行速度会比定义在函数中的慢不少。通过将脚本语句放入到函数中，通常可带来 15% - 30% 的速度提升。

# 推荐写法。代码耗时：20.6秒
import math

def main(): # 定义到函数中，以减少全部变量使用
size = 10000
for x in range(size):
for y in range(size):
z = math.sqrt(x) + math.sqrt(y)

main()
2. 避免.

2.1 避免模块和函数属性访问

# 不推荐写法。代码耗时：14.5秒
import math

def computeSqrt(size: int):
result = []
for i in range(size):
result.append(math.sqrt(i))
return result

def main():
size = 10000
for _ in range(size):
result = computeSqrt(size)

main()

每次使用.（属性访问操作符时）会触发特定的方法，如__getattribute__()和__getattr__()，这些方法会进行字典操作，因此会带来额外的时间开销。通过from import语句，可以消除属性访问。

# 第一次优化写法。代码耗时：10.9秒
from math import sqrt

def computeSqrt(size: int):
result = []
for i in range(size):
result.append(sqrt(i)) # 避免math.sqrt的使用
return result

def main():
size = 10000
for _ in range(size):
result = computeSqrt(size)

main()

在第 1 节中我们讲到，局部变量的查找会比全局变量更快，因此对于频繁访问的变量sqrt，通过将其改为局部变量可以加速运行。

# 第二次优化写法。代码耗时：9.9秒
import math

def computeSqrt(size: int):
result = []
sqrt = math.sqrt # 赋值给局部变量
for i in range(size):
result.append(sqrt(i)) # 避免math.sqrt的使用
return result

def main():
size = 10000
for _ in range(size):
result = computeSqrt(size)

main()

除了math.sqrt外，computeSqrt函数中还有.的存在，那就是调用list的append方法。通过将该方法赋值给一个局部变量，可以彻底消除computeSqrt函数中for循环内部的.使用。

# 推荐写法。代码耗时：7.9秒
import math

def computeSqrt(size: int):
result = []
append = result.append
sqrt = math.sqrt # 赋值给局部变量
for i in range(size):
append(sqrt(i)) # 避免 result.append 和 math.sqrt 的使用
return result

def main():
size = 10000
for _ in range(size):
result = computeSqrt(size)

main()
2.2 避免类内属性访问 # 不推荐写法。代码耗时：10.4秒
import math
from typing import List

class DemoClass:
def __init__(self, value: int):
self._value = value

def computeSqrt(self, size: int) -> List[float]:
result = []
append = result.append
sqrt = math.sqrt
for _ in range(size):
append(sqrt(self._value))
return result

def main():
size = 10000
for _ in range(size):
demo_instance = DemoClass(size)
result = demo_instance.computeSqrt(size)

main()

避免.的原则也适用于类内属性，访问self._value的速度会比访问一个局部变量更慢一些。通过将需要频繁访问的类内属性赋值给一个局部变量，可以提升代码运行速度。

# 推荐写法。代码耗时：8.0秒
import math
from typing import List

class DemoClass:
def __init__(self, value: int):
self._value = value

def computeSqrt(self, size: int) -> List[float]:
result = []
append = result.append
sqrt = math.sqrt
value = self._value
for _ in range(size):
append(sqrt(value)) # 避免 self._value 的使用
return result

def main():
size = 10000
for _ in range(size):
demo_instance = DemoClass(size)
demo_instance.computeSqrt(size)

main()
3. 避免不必要的抽象 # 不推荐写法，代码耗时：0.55秒
class DemoClass:
def __init__(self, value: int):
self.value = value

@property
def value(self) -> int:
return self._value

@value.setter
def value(self, x: int):
self._value = x

def main():
size = 1000000
for i in range(size):
demo_instance = DemoClass(size)
value = demo_instance.value
demo_instance.value = i

main()

任何时候当你使用额外的处理层（比如装饰器、属性访问、描述器）去包装代码时，都会让代码变慢。大部分情况下，需要重新进行审视使用属性访问器的定义是否有必要，使用getter/setter函数对属性进行访问通常是 C/C++ 程序员遗留下来的代码风格。如果真的没有必要，就使用简单属性。

# 推荐写法，代码耗时：0.33秒
class DemoClass:
def __init__(self, value: int):
self.value = value # 避免不必要的属性访问器

def main():
size = 1000000
for i in range(size):
demo_instance = DemoClass(size)
value = demo_instance.value
demo_instance.value = i

main()
4. 避免数据复制

4.1 避免无意义的数据复制

# 不推荐写法，代码耗时：6.5秒
def main():
size = 10000
for _ in range(size):
value = range(size)
value_list = [x for x in value]
square_list = [x * x for x in value_list]

main()

上面的代码中value_list完全没有必要，这会创建不必要的数据结构或复制。

# 推荐写法，代码耗时：4.8秒
def main():
size = 10000
for _ in range(size):
value = range(size)
square_list = [x * x for x in value] # 避免无意义的复制

main()

另外一种情况是对 Python 的数据共享机制过于偏执，并没有很好地理解或信任 Python 的内存模型，滥用 copy.deepcopy()之类的函数。通常在这些代码中是可以去掉复制操作的。

4.2 交换值时不使用中间变量

# 不推荐写法，代码耗时：0.07秒
def main():
size = 1000000
for _ in range(size):
a = 3
b = 5
temp = a
a = b
b = temp

main()

上面的代码在交换值时创建了一个临时变量temp，如果不借助中间变量，代码更为简洁、且运行速度更快。

# 推荐写法，代码耗时：0.06秒
def main():
size = 1000000
for _ in range(size):
a = 3
b = 5
a, b = b, a # 不借助中间变量

main()

4.3 字符串拼接用join而不是+

# 不推荐写法，代码耗时：2.6秒
import string
from typing import List

def concatString(string_list: List[str]) -> str:
result = ''
for str_i in string_list:
result += str_i
return result

def main():
string_list = list(string.ascii_letters * 100)
for _ in range(10000):
result = concatString(string_list)

main()

当使用a + b拼接字符串时，由于 Python 中字符串是不可变对象，其会申请一块内存空间，将a和b分别复制到该新申请的内存空间中。因此，如果要拼接 n 个字符串，会产生 n-1 个中间结果，每产生一个中间结果都需要申请和复制一次内存，严重影响运行效率。而使用join()拼接字符串时，会首先计算出需要申请的总的内存空间，然后一次性地申请所需内存，并将每个字符串元素复制到该内存中去。

# 推荐写法，代码耗时：0.3秒
import string
from typing import List

def concatString(string_list: List[str]) -> str:
return ''.join(string_list) # 使用 join 而不是 +

def main():
string_list = list(string.ascii_letters * 100)
for _ in range(10000):
result = concatString(string_list)

main()
5. 利用if条件的短路特性 # 不推荐写法，代码耗时：0.05秒
from typing import List

def concatString(string_list: List[str]) -> str:
abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
abbr_count = 0
result = ''
for str_i in string_list:
if str_i in abbreviations:
result += str_i
return result

def main():
for _ in range(10000):
string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']
result = concatString(string_list)

main()

if 条件的短路特性是指对if a and b这样的语句， 当a为False时将直接返回，不再计算b；对于if a or b这样的语句，当a为True时将直接返回，不再计算b。因此， 为了节约运行时间，对于or语句，应该将值为True可能性比较高的变量写在or前，而and应该推后。

# 推荐写法，代码耗时：0.03秒
from typing import List

def concatString(string_list: List[str]) -> str:
abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
abbr_count = 0
result = ''
for str_i in string_list:
if str_i[-1] == '.' and str_i in abbreviations: # 利用 if 条件的短路特性
result += str_i
return result

def main():
for _ in range(10000):
string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']
result = concatString(string_list)

main()
6. 循环优化

6.1 用for循环代替while循环

# 不推荐写法。代码耗时：6.7秒
def computeSum(size: int) -> int:
sum_ = 0
i = 0
while i < size:
sum_ += i
i += 1
return sum_

def main():
size = 10000
for _ in range(size):
sum_ = computeSum(size)

main()

Python 的for循环比while循环快不少。

# 推荐写法。代码耗时：4.3秒
def computeSum(size: int) -> int:
sum_ = 0
for i in range(size): # for 循环代替 while 循环
sum_ += i
return sum_

def main():
size = 10000
for _ in range(size):
sum_ = computeSum(size)

main()

6.2 使用隐式for循环代替显式for循环

针对上面的例子，更进一步可以用隐式for循环来替代显式for循环

# 推荐写法。代码耗时：1.7秒
def computeSum(size: int) -> int:
return sum(range(size)) # 隐式 for 循环代替显式 for 循环

def main():
size = 10000
for _ in range(size):
sum = computeSum(size)

main()

6.3 减少内层for循环的计算

# 不推荐写法。代码耗时：12.8秒
import math

def main():
size = 10000
sqrt = math.sqrt
for x in range(size):
for y in range(size):
z = sqrt(x) + sqrt(y)

main()

上面的代码中sqrt(x)位于内侧for循环， 每次训练过程中都会重新计算一次，增加了时间开销。

# 推荐写法。代码耗时：7.0秒
import math

def main():
size = 10000
sqrt = math.sqrt
for x in range(size):
sqrt_x = sqrt(x) # 减少内层 for 循环的计算
for y in range(size):
z = sqrt_x + sqrt(y)

main()
7. 使用numba.jit

我们沿用上面介绍过的例子，在此基础上使用numba.jit。numba可以将 Python 函数 JIT 编译为机器码执行，大大提高代码运行速度。关于numba的更多信息见下面的主页：http://numba.pydata.org/numba.pydata.org

# 推荐写法。代码耗时：0.62秒
import numba

@numba.jit
def computeSum(size: float) -> int:
sum = 0
for i in range(size):
sum += i
return sum

def main():
size = 10000
for _ in range(size):
sum = computeSum(size)

main()
8. 选择合适的数据结构

Python 内置的数据结构如str, tuple, list, set, dict底层都是 C 实现的，速度非常快，自己实现新的数据结构想在性能上达到内置的速度几乎是不可能的。

list类似于 C++ 中的std::vector，是一种动态数组。其会预分配一定内存空间，当预分配的内存空间用完，又继续向其中添加元素时，会申请一块更大的内存空间，然后将原有的所有元素都复制过去，之后销毁之前的内存空间，再插入新元素。

删除元素时操作类似，当已使用内存空间比预分配内存空间的一半还少时，会另外申请一块小内存，做一次元素复制，之后销毁原有大内存空间。

因此，如果有频繁的新增、删除操作，新增、删除的元素数量又很多时，list的效率不高。此时，应该考虑使用collections.deque。collections.deque是双端队列，同时具备栈和队列的特性，能够在两端进行 O(1) 复杂度的插入和删除操作。

list的查找操作也非常耗时。当需要在list频繁查找某些元素，或频繁有序访问这些元素时，可以使用bisect维护list对象有序并在其中进行二分查找，提升查找的效率。

另外一个常见需求是查找极小值或极大值，此时可以使用heapq模块将list转化为一个堆，使得获取最小值的时间复杂度是 O(1)。

下面的网页给出了常用的 Python 数据结构的各项操作的时间复杂度：https://wiki.python.org/moin/TimeComplexity

参考资料

• David Beazley & Brian K. Jones. Python Cookbook, Third edition. O'Reilly Media, ISBN: 9781449340377, 2013.

• 张颖 & 赖勇浩. 编写高质量代码：改善Python程序的91个建议. 机械工业出版社, ISBN: 9787111467045, 2014.

送书活动

福利环节来了，今天推荐的是：《Python网络爬虫框架Scrapy从入门到精通》

推荐理由：

系统：全流程讲解Scrapy的原理和实战，依次击破编程难点。

经典：凝聚笔者十多年的Scrapy使用经验，无私奉献设计秘籍。

深入：浅入深出地介绍爬虫原理、数据爬取、数据保存、数据分析和测试等技术。

送书本数：本次共包邮送书 4 本

参与方式 ： 在Python猫读者群抽奖，仅限群友参与。后台发“交流群”，获取入群方式。

开奖时间：2021年4月22日18:00

python中的not具体表示是什么,举个例子说一下,衷心的感谢
在python中not是逻辑判断词，用于布尔型True和False。布尔"非" ：如果 x 为 True，返回 False 。如果 x 为 False，它返回 True。 例如：a = 0；b = 1；if not ( a and b ):print "变量 a 和 b 都为 false，或其中一个变量为 false"；else:print "变量 a 和 b 都为 true"；输出...

python调用loop函数输出a到b之间(包括a和b)的所有回文数
def is_loop(n): return str(n)[::-1] == str(n) and len(str(n)) % 2 def say_loop(a, b): for i in range(a, b+1): if is_loop(i): print(i)

python基本运算符号有哪些
=小于等于（等价于数学中的 ≤），如果=前面的值小于或者等于后面的值，则返回 True，否则返回 False。!=不等于（等价于数学中的 ≠），如果!=两边的值不相等，则返回 True，否则返回 False。Python逻辑运算符 逻辑运算符含义基本格式说明and逻辑与运算，等价于数学中的“且”a and b当 a 和 b ...

...声明a的时候就已经可以使用此语法了。在python中会报错
这是lua的语法or and的特殊之处 a and b 若a为真 则返回b 若a为假 则返回a本身 a or b 若a为真 则返回a 若a为假 则返回b 所以 c = a or b 对应的python语句是 if a:c = a else:c = b python很久没用了 不知道有没记错 ...

为什么 2 and 3 的值是3, 3 and 2 的值是 2 ?【python】
B是假的，那A and B就是假的 （另外说明，在python中0是false，其他数字均默认为true，所以2 and 3,先判断了2是真的，那么python就接着看下一个3，不管3是真是假，返回3总是不会错的。同理，3 and 2 就是返回2了 ）另外，类似的还有 a or b,它返回的是a,按上述思想方法不难得出。

Python中and、or用法实例
or 运算符同样在布尔上下文中从左到右评估，若发现任一值为真，立刻返回该值。若所有值均为假，则返回最后一个假值。and-or 结合了 and 和 or 的特性，类似于 C 语言中的三目运算符 bool ? a : b。表达式从左到右评估，先计算 and 部分，后续的 or 部分仅在 and 结果为假时才会执行。在...

python中怎么定义一个布尔类型的变量
直接定义a=True\/False就行，示例代码：定义布尔值类型参数a,b，值分别为True,False a=True b=False print a,b print type(a),type(b)>>> True False <type 'bool'> <type 'bool'> Python中的布尔类型：Python的布尔类型有两个值：True和False（注意大小写要区分）逻辑运算：1、与：and（两...

python中and、or和not 三个逻辑运算符,一直理解不了,求帮助!
例如，如果A 和C 为真而B 为假， A and B and C 不会解析C，作用于一个普通的非逻辑值时，短路操作符的返回值通常是最后一个变量。因此，逻辑运算符的理解也与C语言中不同。举个例子：在以上例子中，按照C语言对的思维，3 and 4即3与4为3，但是由于是短路操作符，结果为4，是因为and运算...

python定义函数min(a,b),可以返回两个数的最小值。然后调用函数,验证...
print(min(5, 10)) # 输出：5 print(min(7, 3)) # 输出：3 print(min(-2, -5)) # 输出：-5 ```在这个例子中，我们调用 `min(a, b)` 函数，并传递不同的参数来验证函数是否返回了正确的最小值。根据上述定义的函数，验证的结果应该与注释中的输出一致。请注意，Python 中已经...

python的++运算符有什么功能?
1、两个值相加，然后返回值给符号左侧的变量 举例如下:>>> a=1 >>> b=3 >>> a+=b（或者a+=3）>>> a 42、用于字符串连接（变量值带引号，数据类型为字符串）>>> a='1'>>> b='2'>>> a+=b >>> a '12'