Python代码示例优化

我在

scipy.stats

中查看了Kolmogorov-Smirnov测试的实现，并看到了以下代码：

D = np.max([Dplus,Dmin])
if mode == 'asymp':
    return D, distributions.kstwobign.sf(D*np.sqrt(N))
if mode == 'approx':
    pval_two = distributions.kstwobign.sf(D*np.sqrt(N))
    if N > 2666 or pval_two > 0.80 - N*0.3/1000.0 :
        return D, distributions.kstwobign.sf(D*np.sqrt(N))
    else:
        return D, distributions.ksone.sf(D,N)*2

我认为最好按以下方式进行：

D = np.max([Dplus,Dmin])
pval_two = distributions.kstwobign.sf(D*np.sqrt(N))
if mode == 'asymp':
    return D, pval_two
if mode == 'approx':
    if N > 2666 or pval_two > 0.80 - N*0.3/1000.0 :
        return D, pval_two
    else:
        return D, distributions.ksone.sf(D,N)*2

我的实现确实节省了对昂贵的分发生存函数的调用，而且我觉得它也更清晰了一点

但我不是Python专家，

scipy

是一个经过深思熟虑的库（至少在我看来是这样）。那么你能解释一下为什么图书馆第一次这么做吗

我的实现确实省去了对昂贵的分发生存函数的调用，而且我觉得它也更清晰一些

不，没有

distributions.kstwobign.sf（D*np.sqrt（N））

只调用一次。看看这三个可能的分支。它在任何给定的分支中只执行一次

if mode == 'asymp':
    return D, distributions.kstwobign.sf(D*np.sqrt(N))

或

if mode == 'approx':
    pval_two = distributions.kstwobign.sf(D*np.sqrt(N))
    if N > 2666 or pval_two > 0.80 - N*0.3/1000.0 :
        return D, distributions.kstwobign.sf(D*np.sqrt(N))

if mode == 'approx':
    pval_two = distributions.kstwobign.sf(D*np.sqrt(N))
    # not the previous if case
    else:
        return D, distributions.ksone.sf(D,N)*2

或

if mode == 'approx':
    pval_two = distributions.kstwobign.sf(D*np.sqrt(N))
    if N > 2666 or pval_two > 0.80 - N*0.3/1000.0 :
        return D, distributions.kstwobign.sf(D*np.sqrt(N))

if mode == 'approx':
    pval_two = distributions.kstwobign.sf(D*np.sqrt(N))
    # not the previous if case
    else:
        return D, distributions.ksone.sf(D,N)*2

---

这个问题可能更适合于第二个分支，如果满足第二个if条件，相同的调用将执行两次？