大浪淘沙沉者为金。笔者编写Python代码已经5年多了，经历这么久，工具集没有变大，反而越来越小。工具不在多，好用就行。这三种方法笔者已经坚持使用了很长时间，和其他方法不同的是，使用它们的频率只增不减。你值得拥有！

秘密武器#1：快速编码，少用Kite谷歌

大多数代码编辑器都具有类似这样的自动填充功能，…使用某种语言（库）文档来表明函数名和参数：

这不难，但如果编辑器可以浏览几年的GitHub数据，并且不仅仅能自动填充函数名称，还能完成整行代码呢？这仅是第一个使用Kite的理由。

原因 1：代码行填充

Kite访问代码库和各个变量、常用的在线参数名称以及文档后，会输出优质的语境建议：

上图示例展示了Kite如何能预测编码者需要使用的变量，即使它们一般被命名为（如b），或更普遍的名字（如x或y)。

Kite创始人兼首席执行官Adam Smith说：“我们在Github 上已经用了50多年的时间来对所有代码进行语义索引，构建统计类型推理，以及深度使用此语义信息的丰富统计模型。”

原因 2：在本地私密运行

最重要的是，它在本地运行，因此可以快速获得提示，离线也能工作，并且代码不会发送到云端。

对于网络情况异常和在闭信源代码库工作的人来说，这一点非常重要。

原因 3：文档编程助手

如果你从来没听过"RTFM"这个词，那可能因为没有在第一代开发者身边工作过。

向高级开发人员讨教是很有必要的，甚至去StackOverflow查找答案之前阅读文档。Kite Copilot让文档变得十分简单，其与编辑器同时运行，实时显示文档中光标掠过的任何对象/函数等。

结果

笔者使用Kite多年，它改进得也越来越好。其拥有超过1,700万美元的投资，不会轻易倒闭，而且它的工具是完全免费的。你只需要给编辑器下载Kite插件，或下载copilot（编码助手），就能安装插件。

秘密武器#2：用Mypy检查代码

编码Python 是动态的，简单解释就是：编码者可以随时将任何变量变为任何数据类型（字符串、整数等）。

# These two variable types aredeclared the exact same way
# Python figures out the data type on it's own, dynamically# string
var_name = "string here"# integer
var_name = 1234

相对的是静态类型的语言，其中它的变量必须有一个特定的数据类型，并且始终遵循它。

# Many languages require the datatype to be declared too# string
str var_name = "string here"# integer
int var_name = 1234

动态编码的优点/缺点

动态编码的优点是，你可以偷懒，并且能减少乱码。但它缺点很多且不小：

· 通常在开发周期后期会出现错误

· 由于Python不断计算类型，编码效果会降低

· 传递代码更不稳定，因为其他人可能不知道其中的变量是哪些或可能成为哪些数据类型

· 函数会更不稳定，因为它们的输入和输出可以在没有警告的情况下更改数据类型

Python 中的静态键入

打开Mypy，这是一个免费的Python模块，让你能在Python 内部静态编码。发出pip install mypy指令后, 下面就是其使用示例：

# Declaring a function using normaldynamic typing, without mypy
def iter_primes():
# code here# Declaring the samefunction with mypy static typing
from typing import Iteratordef iter_primes() -> Iterator[int]:
# code here

利用mypy 示例，能指定函数返还整数的迭代器。这种简单变化通过强制实施一致输出，使函数更具有预测性。

与仅使用文档不同，其他开发人员只需查看输出的将是什么数据类型，如果不符合该定义，则代码出错。

结果

列出静态类型以帮你减轻将来痛苦的所有方法有难度，但mypy文档具有出色的解答常见问题的能力，优缺点都不少。

如果你在一个把稳定性放在第一位的代码生产库工作，一定要试试myby。

秘密武器#3：用Sonarlint快速查找错误，编写更简单的函数

现在每个编辑器都有某种类型的错误检查或内置的"linter"，可以用来查看代码，通常无需运行，并能预测可能存在的错误。这就是静态代码分析。

动态代码分析实际上尝试运行/编译代码的某些部分，以查看其是否正常工作，但它会自动在后台运行。它不是猜测，它事实上知道代码是否会出错，以及确切的错误是什么。

SonarLint是动态代码分析中最好的，有超多优点：

已注释或未命名的代码

对于代码库里满满的输出定义、已注释代码，以及未使用的函数，笔者十分愧疚。但正是如此，才会时刻警醒，留下深刻印象，方便查找。

不执行命令代码

与未命名的代码略有不同，不执行命令代码将会在编码者创建不可能评估时发出预警。这十分有必要，否则会导致进行几个小时的调试，这是笔者最喜欢的预警之一。

示例：

a = Noneif a == None or not a or a:
this_will_always_get_called()
else:
# sonarlint will warn you about thisline never being executed
this_will_never_get_called()

安全风险

代码库中的巨大数据库将不断实时更新安全风险，能警告使用者所面临的任何已知漏洞风险。

安全风险问题是小概率事件，基本不可能给我们留下印象。因此，每个人都应该行动起来持续追踪。SonarLint是一个伟大的开端。

认知复杂性

这个话题十分有趣，笔者可以针对它写一篇完整的文章。

简单解释就是，有人创建了一个数学公式，这个公式可以对代码的阅读/理解难易程度进行评分。

它非常有用，还易于理解。每次SonarLint要求编码者"降低认知复杂性"时，它都会对编码者的不规范操作简单解释，比如"无法定义，嵌套异常"。

结果

这比基础屏蔽和lint练习更有用，编码者也能编写更为人性化的代码。这就是Pythonic！!