编程路上，必不可少的编程技巧
-Tester-也哥-
在编程的过程中，有很多技巧，但是若不注意，就很容易忽略，即使是高级程序员会出现一些问题。今天，就几个编程技巧，进行一下总结，看看这些你是否有注意到？
根据出现的频率来调整判断条件的顺序
在写if...elif...else语句时，可以根据判断条件出现的频率来调整顺序，使得出现频率越高的条件，越在前面。这样可以减少判断条件的次数，提高代码的性能与效率。
例如，在计算成绩的时候，大家都清楚成绩通常是正太分布的，所以先判断B和C时，能够减少判断的次数，提高代码效率，如下所示：
if score > 70 and score < 80:
performance = "B"
elif score > 60 and score < 70:
performance = "C"
elif score > 90:
performance = "A"
else:
performance = "D"另外，大家应该都比较熟悉短路判断，即：
if A and B如果A不满足的话，不再对B进行比较。所以，在写代码时，可以将不容易满足的条件设置为A，减少比较次数，提高代码效率。
同理，对于
if A or B当A满足条件时，则不执行B。所以，大家在写代码时，可以将容易满足的条件放在A，而不容易满足的放在B，减少比较次数，提升代码质量。
采用缓存的机制
相信缓存大家已经很熟悉了，Redis，MemoryCache等都是经典的缓存实现，但是在代码中如何利用缓存呢？
这里，最经典的就是动态规划。
看这样一个问题：一个楼梯有10级，每次走1级或两级，请问从底走到顶一共有多少种走法？比如，每次走1级台阶，一共走10步，这是其中一种走法。我们可以简写成 1,1,1,1,1,1,1,1,1,1。再比如，每次走2级台阶，一共走5步，这是另一种走法。我们可以简写成 2,2,2,2,2。当然，除此之外，还有很多很多种走法。
很容易将问题建立模型为：
F(1) = 1
F(2) = 2
F(n) = F(n-1) + F(n-2) (3 <= n <= 10)
采用动态规划来求解，算法代码如下：
def climbStairs(n):
"""
计算n级台阶的走法，每次可走1步或者2步
:param n: 台阶总数
:return: n级台阶的走法
"""
if n < 1:
return 0
elif n == 1:
return 1
elif n == 2:
return 2
else:
return climbStairs(n - 1) + climbStairs(n - 2)熟悉递归调用的同学知道，这样会有很多重复计算。那么，如何避免重复计算呢？答案很简单，就是在代码中采用缓存的机制，当然，也有一些说法是备忘录机制，大同小异了。算法代码如下：
def climbStairs(n, value):
"""
计算n级台阶的走法，每次可走1步或者2步
:param n: 台阶总数
:param value: 存储各个不同台阶走法的dict
:return: n级台阶的走法
"""
if value.get(n) is not None:
return value.get(n)
else:
if n < 1:
value[n] = 0
elif n == 1:
value[n] = 1
elif n == 2:
value[n] = 2
else:
value[n] = climbStairs(n - 1, value) + climbStairs(n - 2, value)
return value[n]另外，在一些计算过程中，对于需要频繁计算的结果，也可以采用这种缓存机制，能够较好的提升代码效率。
简化相关的数学运算
在编程的过程中，可能会遇到一些数学方面的计算，如果不做简化的话，将会降低代码的效率。这里比如说，大家都清楚 log()方法返回x的自然对数，对于x>0。但是如果要求以2为底的对数该怎么办呢？
通常，根据公式 logb(x) = log(x)/log(b)，所以，Python代码可以如下：
def log2(x):
import math
return math.log(x)/math.log(2)实现是没有问题的，但是效率呢？必然会很低。因为每次都会计算log(2)，势必会增大运算量。如何降低运算量呢？很简单，将math.log(2)的结果设置为一个常量即可。