寫出一手爛代碼的19條準則


要是想寫個爛代碼,咱們只需遵照這十九條準則?


「代碼寫得好」是對機器學習研究者及開發者最好的讚賞。其第一層意思是說,你的模型很是好,有本身的理解與修正;第二層意思是說代碼的結構、命名規則、編寫邏輯都很是優秀。git


咱們曾經將寫代碼比喻成寫文章:不只須要有一個主旨,告訴別人代碼的做用是什麼,同時還應該在精煉與易讀之間作權衡。代碼過於精煉,總體邏輯難以跟隨,代碼過於易讀,總體就顯得比較臃腫。github



在精簡與易讀之間作權衡,第一種方法根據列表推導式能得到更精簡的代碼,但第二種方法更易讀。web


若是說到什麼是好代碼,咱們確定都能說出一堆規則,例如使用一致的格式和縮進、使用清晰的變量名和方法名、在必要時提供文檔與註釋、不要過分精簡代碼等等。編程


可是對於什麼是爛代碼,你有比較清晰的認識嗎?微信


在 GitHub 上有一個新項目,它描述了「最佳垃圾代碼」的十九條關鍵準則。從變量命名到註釋編寫。這些準則將指導你寫出最亮眼的爛代碼。機器學習


爲了保持與原 GitHub 項目一致的風格,下文沒有進行轉換。讀者們能夠以相反的角度來理解全部觀點,這樣就能完美避免寫出垃圾代碼。編程語言


項目地址:https://github.com/trekhleb/state-of-the-art-shitcode編輯器


固然,如下十九條垃圾代碼書寫準則並無面面俱到,若是讀者們發現有一些難以忍受的爛代碼習慣,也能夠留言發表你的見解。函數


第一條:打字越少越好學習


若是咱們鍵入的東西越少,那麼就有越多的時間去思考代碼邏輯等問題。以下所示,「Good」表示遵循該規則的示例,Bad 表示沒遵循該規則的示例。



第二條:變量/函數混合命名風格


咱們須要混合命名方法與變量,這樣才能體現命名的多樣性。



第三條:不要寫註釋


反正代碼都看得懂,爲何要寫註釋?或者說,反正沒人看個人代碼,爲何要寫註釋?



第四條:使用母語寫註釋


若是你違反了第三條規則,那麼至少寫註釋須要用你的母語或者其它語言。若是你的母語是英語,那麼你也算違反了這條規則。既然編程語言絕大多數都是用英文,那麼爲何不用其它語言註釋一下?



第五條:儘量混合不一樣的格式


一樣,爲了代碼的多樣性,咱們須要儘量混合不一樣的格式,例如單引號或雙引號。若是它們的語義相同,那就應該混用。



第六條:儘量把代碼寫成一行


若是一系列參數與方法都是一塊兒實現的,那麼代碼也要寫在一塊兒。



第七條:發現錯誤要保持靜默


當你發現某些錯誤時,其餘人不須要了解它,所以不須要打印出日誌或 Traceback。



第八條:普遍使用全局變量


使用全局變量,是面向「全球化」不可或缺的部分。



第九條:構建備用變量


以防萬一,咱們須要建立一些備用變量,在須要時隨時調用它們。



第十條:Type 使用需謹慎


通常不要指定變量類型或者常常作類型檢查,無類型纔是最好的類型。



第十一條:準備「Plan B」


你須要準備一些運行不到的代碼(unreachable code),它們能夠做爲你的「Plan B」。



第十二條:嵌套的三角法則


若是代碼有一些嵌套結構,或者說縮進空行的結構,三角法則是最漂亮的。



第十三條:混合縮進


咱們須要避免採用縮進,由於縮進會使複雜代碼在編輯器中佔用更多的空間。若是必定要採用縮進,那麼就使用混合縮進策略。固然,這種策略在 Python 中是行不通的,由於它靠縮進來肯定代碼結構。



第十四條:不要鎖住依賴項


每一次要安裝新庫時,更新已有的依賴項。爲何要維持以前的版本呢,咱們須要時刻保持最新的第三方代碼庫。



第十五條:長函數比短函數好


不要將程序總體邏輯分割爲一些代碼塊,要是 IDE 忽然不行了,它找不到必要的文件或函數怎麼辦。所以把代碼寫在一個主體函數中,而且再也不維護額外的函數導入或代碼文件,那麼這樣的方法是最穩定的。


單個文件一萬行代碼是沒問題的,單個函數一千行代碼也是沒問題的。


第十六條:代碼不須要作特定測試


這些測試一般是重複且無心義的工做。


第十七條:儘可能避免重複代碼


按你的想法寫代碼,尤爲是在小團隊中,畢竟這是「自由」準則。


第十八條:構建新項目不須要 README 文檔


在項目前期,咱們能夠暫時保持這種狀態。


第十九條:保存沒必要要的代碼


在寫代碼的過程當中,常常會產生不少測試代碼。這些代碼也是很是重要的資料,所以不能刪除掉,最多隻能註釋掉。


掃描下方二維碼

加入優質社羣一塊兒交流吧!


如若二維碼過時

請添加小編微信,回覆關鍵詞:[進羣/加羣],


-今日互動-


哪條準則最深得你心呢?歡迎文章下方留言互動




若是對你有幫助的話

                       
❤️來個「轉發朋友圈「在看」,是最大的支持❤️

本文分享自微信公衆號 - DataScience(DataScienceTeam)。
若有侵權,請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」,歡迎正在閱讀的你也加入,一塊兒分享。

相關文章
相關標籤/搜索