safe-cmp 0.1.1

示例

对异构列表进行排序

>>> from safe_cmp import safe_sorted, safe_order
>>> items = [1, None, "foo", {}, object]
>>> list(safe_sorted(items)) # Using "safe_sorted"
[None, {}, 1, 'foo', object]
>>> items.sort(key=safe_order) # Using "safe_order" with key=
>>> items
[None, {}, 1, 'foo', object]

在包含nulls的列表中查找最大值

>>> from safe_cmp import safe_max
>>> safe_max([1, None, 3, None, 4])
4

Python 2风格cmp有用的罕见情况

>>> from safe_cmp import safe_cmp
>>> safe_cmp(None, 1)
-1
>>> safe_cmp(None, None)
0
>>> safe_cmp(1, None)
1

注意：当使用 nan 时，safe_cmp 将产生与 Python 2 兼容的结果

>>> from safe_cmp import safe_cmp
>>> nan = float("NaN")
>>> safe_cmp(nan, 1)
-1
>>> safe_cmp(1, nan)
1
>>> safe_cmp(nan, nan)
0

同样，safe_sorted 也会如此

>>> from safe_cmp import safe_sorted
>>> list(safe_sorted([nan, 2, nan, 1]))
[nan, 2, nan, 1]

性能

目前，safe_cmp 方法在 Python 中实现（与它们的非安全内置对应方法相反，后者在 C 中实现），因此对于大型比较性能会明显较差

In [1]: %timeit safe_max(range(10000000))
2.8 s ± 42 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [2]: %timeit max(range(10000000))
345 ms ± 6.23 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

但对于较小的比较，差异将是微不足道的

In [1]: %timeit safe_max(1, 2)
682 ns ± 7.12 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [2]: %timeit max(1, 2)
218 ns ± 6.87 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

然而，如果对高性能实现感兴趣，它们将很容易提供。

此外，在明显的地方已实现了性能优化（例如，缓存 key= 函数的结果）。