Python 3 学习笔记2
2016-11-29 09:52
239 查看
教程链接:http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000
高级特性
切片
取一个list或tuple的部分元素是非常常见的操作。比如,一个list如下:>>> L = ['Michael', 'Sarah', 'Tracy', 'Bob', 'Jack']
取前3个元素,应该怎么做?
笨办法:
>>> [L[0], L[1], L[2]] ['Michael', 'Sarah', 'Tracy']
之所以是笨办法是因为扩展一下,取前N个元素就没辙了。
取前N个元素,也就是索引为0-(N-1)的元素,可以用循环:
>>> r = [] >>> n = 3 >>> for i in range(n): ... r.append(L[i]) ... >>> r ['Michael', 'Sarah', 'Tracy']
对这种经常取指定索引范围的操作,用循环十分繁琐,因此,Python提供了切片(Slice)操作符,能大大简化这种操作。
对应上面的问题,取前3个元素,用一行代码就可以完成切片:
>>> L[0:3] ['Michael', 'Sarah', 'Tracy']
L[0:3]表示,从索引
0开始取,直到索引
3为止,但不包括索引
3。即索引
0,
1,
2,正好是3个元素。
如果第一个索引是
0,还可以省略:
>>> L[:3] ['Michael', 'Sarah', 'Tracy']
也可以从索引1开始,取出2个元素出来:
>>> L[1:3] ['Sarah', 'Tracy']
类似的,既然Python支持
L[-1]取倒数第一个元素,那么它同样支持倒数切片,试试:
>>> L[-2:] ['Bob', 'Jack'] >>> L[-2:-1] ['Bob']
记住倒数第一个元素的索引是
-1。
切片操作十分有用。我们先创建一个0-99的数列:
>>> L = list(range(100)) >>> L [0, 1, 2, 3, ..., 99]
可以通过切片轻松取出某一段数列。比如前10个数:
>>> L[:10] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
后10个数:
>>> L[-10:] [90, 91, 92, 93, 94, 95, 96, 97, 98, 99]
前11-20个数:
>>> L[10:20] [10, 11, 12, 13, 14, 15, 16, 17, 18, 19]
前10个数,每两个取一个:
>>> L[:10:2] [0, 2, 4, 6, 8]
所有数,每5个取一个:
>>> L[::5] [0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95]
甚至什么都不写,只写
[:]就可以原样复制一个list:
>>> L[:] [0, 1, 2, 3, ..., 99]
tuple也是一种list,唯一区别是tuple不可变。因此,tuple也可以用切片操作,只是操作的结果仍是tuple:
>>> (0, 1, 2, 3, 4, 5)[:3] (0, 1, 2)
字符串
'xxx'也可以看成是一种list,每个元素就是一个字符。因此,字符串也可以用切片操作,只是操作结果仍是字符串:
>>> 'ABCDEFG'[:3] 'ABC' >>> 'ABCDEFG'[::2] 'ACEG'
在很多编程语言中,针对字符串提供了很多各种截取函数(例如,substring),其实目的就是对字符串切片。Python没有针对字符串的截取函数,只需要切片一个操作就可以完成,非常简单。
小结
有了切片操作,很多地方循环就不再需要了。Python的切片非常灵活,一行代码就可以实现很多行循环才能完成的操作。L=list(range(10)) # L中的元素是0-9 1、L[n1:n2:n3] n1代表开始元素下标 n2代表结束元素下标 n3代表切片间隔以及切片方向 L中每个元素都有正负两种下标,例如L[0]和L[-10]指的同一个元素都是0 2、L[::1]与L[::-1] 在L[::1]中n1是0(-10),n2是9(-1) 在L[::-1]中n1是9(-1),n2是0(-10) 3、L[-1:1]是多少? 答案是[],因为L[-1:1]的完全表示方式是L[-1:1:1],翻译出来就是 :从下标为-1的元素开始,以正方向切片到下标为1的元素。但是python从下标为-1的元素以正方向切片到列表结束也没有发现下标为1的元素,那么L[-1:1]的计算结果就是[]. 4、L[-1:1:-1]是多少? 答案是[9, 8, 7, 6, 5, 4, 3, 2],python将这个表达式解释为: 从下标为-1的元素开始,以反方向切片到下标为1的元素。那么ok,python可以找到这一段子序列,结果就是[9, 8, 7, 6, 5, 4, 3, 2]
例子:
L = [1,2,3,4,5,6,7,8,9] print(L[::1])#------>[1, 2, 3, 4, 5, 6, 7, 8, 9] print(L[:8:1])#----->[1, 2, 3, 4, 5, 6, 7, 8] print(L[:9:1])#----->[1, 2, 3, 4, 5, 6, 7, 8, 9] print(L[:15:1])#---->[1, 2, 3, 4, 5, 6, 7, 8, 9] ,即使超出游标也不影响 print(L[-2::1])#---->[8, 9] print(L[-2::-1])#--->[8, 7, 6, 5, 4, 3, 2, 1] print(L[-2:0:-1])#-->[8, 7, 6, 5, 4, 3, 2] print(L[-2:0:-2])#-->[8, 6, 4, 2] print(L[-2:4:-2])#-->[8, 6] print(L[-2:4:-1])#-->[8, 7, 6] print(L[-2:4])#----->[]
说明:
1.sequence[a:b]输出下标a到b-1的序列
(例子:L = [1,2,3,4,5,6,7,8,9]
L[0:9]#-->[1, 2, 3, 4, 5, 6, 7, 8, 9]
L[1:9]#-->[2, 3, 4, 5, 6, 7, 8, 9]
如果是倒序,例如:[-2:0:-1],是从倒数第2(没有-0位)个开始
L[-2:0:-1]#-->[8, 7, 6, 5, 4, 3, 2] )
2.sequence[:b]输出从开使下标0到b-1的序列
3.sequence[::-1]翻转操作.
4.sequence[::2]隔一个取一个
注:sequence的下标: 从0 1 2 3......(n-3) (n-2) (n-1)
对应:(-n) -(n-1) -(n-2) ......... -3 -2 -1
迭代
如果给定一个list或tuple,我们可以通过for循环来遍历这个list或tuple,这种遍历我们称为迭代(Iteration)。
在Python中,迭代是通过
for ... in来完成的,而很多语言比如C或者Java,迭代list是通过下标完成的,比如Java代码:
for (i=0; i<list.length; i++) { n = list[i]; }
可以看出,Python的
for循环抽象程度要高于Java的
for循环,因为Python的
for循环不仅可以用在list或tuple上,还可以作用在其他可迭代对象上。
list这种数据类型虽然有下标,但很多其他数据类型是没有下标的,但是,只要是可迭代对象,无论有无下标,都可以迭代,比如dict就可以迭代:
>>> d = {'a': 1, 'b': 2, 'c': 3} >>> for key in d: ... print(key) ... a c b
因为dict的存储不是按照list的方式顺序排列,所以,迭代出的结果顺序很可能不一样。
默认情况下,dict迭代的是key。如果要迭代value,可以用
for value in d.values(),如果要同时迭代key和value,可以用
for k, v in d.items()。
由于字符串也是可迭代对象,因此,也可以作用于
for循环:
>>> for ch in 'ABC': ... print(ch) ... A B C
所以,当我们使用
for循环时,只要作用于一个可迭代对象,
for循环就可以正常运行,而我们不太关心该对象究竟是list还是其他数据类型。
那么,如何判断一个对象是可迭代对象呢?方法是通过collections模块的Iterable类型判断:
>>> from collections import Iterable >>> isinstance('abc', Iterable) # str是否可迭代 True >>> isinstance([1,2,3], Iterable) # list是否可迭代 True >>> isinstance(123, Iterable) # 整数是否可迭代 False
最后一个小问题,如果要对list实现类似Java那样的下标循环怎么办?Python内置的
enumerate函数可以把一个list变成索引-元素对,这样就可以在
for循环中同时迭代索引和元素本身:
>>> for i, value in enumerate(['A', 'B', 'C']): ... print(i, value) ... 0 A 1 B 2 C
上面的
for循环里,同时引用了两个变量,在Python里是很常见的,比如下面的代码:
>>> for x, y in [(1, 1), (2, 4), (3, 9)]: ... print(x, y) ... 1 1 2 4 3 9
小结
任何可迭代对象都可以作用于for循环,包括我们自定义的数据类型,只要符合迭代条件,就可以使用
for循环。
列表生成式
列表生成式即List Comprehensions,是Python内置的非常简单却强大的可以用来创建list的生成式。举个例子,要生成list
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]可以用
list(range(1, 11)):
>>> list(range(1, 11)) [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
但如果要生成
[1x1, 2x2, 3x3, ..., 10x10]怎么做?方法一是循环:
>>> L = [] >>> for x in range(1, 11): ... L.append(x * x) ... >>> L [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
但是循环太繁琐,而列表生成式则可以用一行语句代替循环生成上面的list:
>>> [x * x for x in range(1, 11)] [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
写列表生成式时,把要生成的元素
x * x放到前面,后面跟
for循环,就可以把list创建出来,十分有用,多写几次,很快就可以熟悉这种语法。
for循环后面还可以加上if判断,这样我们就可以筛选出仅偶数的平方:
>>> [x * x for x in range(1, 11) if x % 2 == 0] [4, 16, 36, 64, 100]
还可以使用两层循环,可以生成全排列:
>>> [m + n for m in 'ABC' for n in 'XYZ'] ['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']
三层和三层以上的循环就很少用到了。
运用列表生成式,可以写出非常简洁的代码。例如,列出当前目录下的所有文件和目录名,可以通过一行代码实现:
>>> import os # 导入os模块,模块的概念后面讲到 >>> [d for d in os.listdir('.')] # os.listdir可以列出文件和目录 ['.emacs.d', '.ssh', '.Trash', 'Adlm', 'Applications', 'Desktop', 'Documents', 'Downloads', 'Library', 'Movies', 'Music', 'Pictures', 'Public', 'VirtualBox VMs', 'Workspace', 'XCode']
for循环其实可以同时使用两个甚至多个变量,比如
dict的
items()可以同时迭代key和value:
>>> d = {'x': 'A', 'y': 'B', 'z': 'C' } >>> for k, v in d.items(): ... print(k, '=', v) ... y = B x = A z = C
因此,列表生成式也可以使用两个变量来生成list:
>>> d = {'x': 'A', 'y': 'B', 'z': 'C' } >>> [k + '=' + v for k, v in d.items()] ['y=B', 'x=A', 'z=C']
最后把一个list中所有的字符串变成小写:
>>> L = ['Hello', 'World', 'IBM', 'Apple'] >>> [s.lower() for s in L] ['hello', 'world', 'ibm', 'apple']
练习
如果list中既包含字符串,又包含整数,由于非字符串类型没有lower()方法,所以列表生成式会报错:
>>> L = ['Hello', 'World', 18, 'Apple', None] >>> [s.lower() for s in L] Traceback (most recent call last): File "<stdin>", line 1, in <module> File "<stdin>", line 1, in <listcomp> AttributeError: 'int' object has no attribute 'lower'
使用内建的
isinstance函数可以判断一个变量是不是字符串:
>>> x = 'abc' >>> y = 123 >>> isinstance(x, str) True >>> isinstance(y, str) False
纯输出小写字符串答案:
L1 = ['Hello', 'World', 18, 'Apple', None] L2 = [x.lower() for x in L1 if isinstance(x,str)] print(L2)
混合输出小写字符串(非字符串也输出)答案:
L1 = ['Hello', 'World', 18, 'Apple', None] L2 = [x.lower() if isinstance(x,str) else x for x in L1] print(L2)
上面使用了三目运算符:
true_part if condition else false_part
http://wangye.org/blog/archives/690/
生成器
通过列表生成式,我们可以直接创建一个列表。但是,受到内存限制,列表容量肯定是有限的。而且,创建一个包含100万个元素的列表,不仅占用很大的存储空间,如果我们仅仅需要访问前面几个元素,那后面绝大多数元素占用的空间都白白浪费了。所以,如果列表元素可以按照某种算法推算出来,那我们是否可以在循环的过程中不断推算出后续的元素呢?这样就不必创建完整的list,从而节省大量的空间。在Python中,这种一边循环一边计算的机制,称为生成器:generator。
要创建一个generator,有很多种方法。第一种方法很简单,只要把一个列表生成式的
[]改成
(),就创建了一个generator:
>>> L = [x * x for x in range(10)] >>> L [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] >>> g = (x * x for x in range(10)) >>> g <generator object <genexpr> at 0x1022ef630>
创建
L和
g的区别仅在于最外层的
[]和
(),
L是一个list,而
g是一个generator。
我们可以直接打印出list的每一个元素,但我们怎么打印出generator的每一个元素呢?
如果要一个一个打印出来,可以通过
next()函数获得generator的下一个返回值:
>>> next(g) 0 >>> next(g) 1 >>> next(g) 4 >>> next(g) 9 >>> next(g) 16 >>> next(g) 25 >>> next(g) 36 >>> next(g) 49 >>> next(g) 64 >>> next(g) 81 >>> next(g) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration
我们讲过,generator保存的是算法,每次调用
next(g),就计算出
g的下一个元素的值,直到计算到最后一个元素,没有更多的元素时,抛出
StopIteration的错误。
当然,上面这种不断调用
next(g)实在是太变态了,正确的方法是使用
for循环,因为generator也是可迭代对象:
>>> g = (x * x for x in range(10)) >>> for n in g: ... print(n) ... 0 1 4 9 16 25 36 49 64 81
所以,我们创建了一个generator后,基本上永远不会调用
next(),而是通过
for循环来迭代它,并且不需要关心
StopIteration的错误。
generator非常强大。如果推算的算法比较复杂,用类似列表生成式的
for循环无法实现的时候,还可以用函数来实现。
比如,著名的斐波拉契数列(Fibonacci),除第一个和第二个数外,任意一个数都可由前两个数相加得到:
1, 1, 2, 3, 5, 8, 13, 21, 34, ...
斐波拉契数列用列表生成式写不出来,但是,用函数把它打印出来却很容易:
def fib(max): n, a, b = 0, 0, 1 while n < max: print(b) a, b = b, a + b n = n + 1 return 'done'
注意,赋值语句:
a, b = b, a + b
相当于:
t = (b, a + b) # t是一个tuple a = t[0] b = t[1]
但不必显式写出临时变量t就可以赋值。
上面的函数可以输出斐波那契数列的前N个数:
>>> fib(6) 1 1 2 3 5 8 'done'
仔细观察,可以看出,
fib函数实际上是定义了斐波拉契数列的推算规则,可以从第一个元素开始,推算出后续任意的元素,这种逻辑其实非常类似generator。
也就是说,上面的函数和generator仅一步之遥。要把
fib函数变成generator,只需要把
print(b)改为
yield b就可以了:
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + bn = n + 1
return 'done'
这就是定义generator的另一种方法。如果一个函数定义中包含
yield关键字,那么这个函数就不再是一个普通函数,而是一个generator:
>>> f = fib(6) >>> f <generator object fib at 0x104feaaa0>
这里,最难理解的就是generator和函数的执行流程不一样。函数是顺序执行,遇到
return语句或者最后一行函数语句就返回。而变成generator的函数,在每次调用
next()的时候执行,遇到
yield语句返回,再次执行时从上次返回的
yield语句处继续执行。
举个简单的例子,定义一个generator,依次返回数字1,3,5:
def odd(): print('step 1') yield 1 print('step 2') yield(3) print('step 3') yield(5)
调用该generator时,首先要生成一个generator对象,然后用
next()函数不断获得下一个返回值:
>>> o = odd() >>> next(o) step 1 1 >>> next(o) step 2 3 >>> next(o) step 3 5 >>> next(o) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration
可以看到,
odd不是普通函数,而是generator,在执行过程中,遇到
yield就中断,下次又继续执行。执行3次
yield后,已经没有
yield可以执行了,所以,第4次调用
next(o)就报错。
回到
fib的例子,我们在循环过程中不断调用
yield,就会不断中断。当然要给循环设置一个条件来退出循环,不然就会产生一个无限数列出来。
同样的,把函数改成generator后,我们基本上从来不会用
next()来获取下一个返回值,而是直接使用
for循环来迭代:
>>> for n in fib(6): ... print(n) ... 1 1 2 3 5 8
但是用
for循环调用generator时,发现拿不到generator的
return语句的返回值。如果想要拿到返回值,必须捕获
StopIteration错误,返回值包含在
StopIteration的
value中:
>>> g = fib(6) >>> while True: ... try: ... x = next(g) ... print('g:', x) ... except StopIteration as e: ... print('Generator return value:', e.value) ... break ... g: 1 g: 1 g: 2 g: 3 g: 5 g: 8 Generator return value: done
关于如何捕获错误,后面的错误处理还会详细讲解。
练习
杨辉三角定义如下:1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 1 5 10 10 5 1
把每一行看做一个list,试写一个generator,不断输出下一行的list:
答案:
def triangles(): L = [1] while True: yield L L.append(0) L = [L[i - 1] + L[i] for i in range(len(L))] n = 0 for t in triangles(): print(t) n = n + 1 if n == 10: break
解析:
杨辉三角/帕斯卡三角形
1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 . . . . . .
虽然看着挺漂亮,但对解题没有卵帮助。 于是我从右边猛推了它一把
<---大力猛推。 伴随着一声'啊呦',杨辉三角形一屁股坐进了我精心设计好的墙角里。
row 0 1 1 1 1 2 1 2 1 3 1 3 3 1 4 1 4 6 4 1 ------------------ col 0 1 2 3 4
听说,下雨天,笛卡尔坐标系(码农版)和帕斯卡三角形更配哦~ 【某芙广告部请联络我,洽谈代言事宜!】
这不是巧了么?我可以用T(row,col)来代表杨辉三角形中的每一个元素对不对? 然后大家可以发现如下几个事实:1.col==0 的这一列上的元素总是 1 , 例如T(0,0),T(1,0),T(4,0)
2.col==row 的这一列上的元素总是 1, 例如 T(0,0),T(1,1),T(4,4)3.(敲黑板,重点) T(row,col)上的元素等于 T(row-1,col-1)+T(row-1,col), 例如 T(4,3) == T(3,2)+T(3,3) 即 4 == 3 + 1 例如 T(4,2) == T(3,1)+T(3,2) 即 6 == 3 + 3 虽然讲得很有道理的样子,然而机智的小伙伴们还是一眼就看出了破绽。 介绍
事实3时候,为什么不拿T(0,0),T(1,0),T(1,1)这样的元素举例? 按我的分析 T(0,0) == T(-1,-1)+T(-1,0) ,这不翻车了么。妈蛋的,确实翻车了!
def triangles(): L = [1] #所以在这个解法里,作者很机智,直接给第0行初始化一个[1] while True: yield L # 生成第0行,问题解决。 。。。
我们再来看看第1行的情况,
T(1,0) == T(0,-1)+T(0,0),T(0,0)是1,T(0,-1)不存在。
T(1,1) == T(0,0)+T(0,1),T(0,0)是1,T(0,1)不存在 根据
事实1,事实2我们知道
T(1,0)和
T(1,1)都是
1,将已知量带入我们的式子. 1 = x+1 得x=0 1 = 1+x 得x=0 发现了没有,要想让这个算法进行下去,第0行元素命格不行【八字欠零,五行(xing2)缺零】,一共缺了前后两个零。
#在假想的情况下,第0行如果能像图中这样补上两个0,那么生成第1行的时候就轻松愉快了。 #上边我们分析过了生成第1行需要的T(0,-1)和T(0,1),现在已经到货. r 0 [0 1 0] 1 1 1 2 1 2 1 3 1 3 3 1 4 1 4 6 4 1 ------------------ c -1 0 1 2 3 4
那就这样定了,给第0行补0.
def triangles(): L = [1] while True: yield L L.append(0) #作者真的给上一行补了0,可是为什么只补了一个0? L = [L[i - 1] + L[i] for i in range(len(L))] #生成第1行
这里真的是巧合了!!!学习切片的时候,廖大说过列表倒数第一个元素的索引是-1。 所以,我们在上图里看到的T(0,-1),在python列表里是绕到后边去了。 自然界里的列表[0,1,0],各元素索引依次为 -1,0,1 python里的列表[1,0],各元素索引依次为0,1/-1,就像一个环,两端粘在了一起。
看代码 def triangles(): L = [1] while True: yield L L.append(0) #补完0后L的状态 [1,0] L = [L[i - 1] + L[i] for i in range(len(L))] #生成第1行 已知 L:[1,0] ,len(L):2 ,range(0,2)不包含2 列表生成式[L[i - 1] + L[i] for i in range(len(L))]会生成什么鬼? 当i=0时 L[i-1]+L[i] == 0+1 == 1 当i=1时 L[i-1]+L[i] == 1+0 == 1 所以这个列表生成式最终生成了 [1,1],然后将它赋给L。然后yield L.
然后生成第2行:
def triangles(): L = [1] while True: yield L #生成第2行时的开局状态,L:[1,1] L.append(0) #补0,[1,1,0] L = [L[i - 1] + L[i] for i in range(len(L))] #生成第2行
然后生成第3行。 然后生成第n行。。。
迭代器
我们已经知道,可以直接作用于for循环的数据类型有以下几种:
一类是集合数据类型,如
list、
tuple、
dict、
set、
str等;
一类是
generator,包括生成器和带
yield的generator function。
这些可以直接作用于
for循环的对象统称为可迭代对象:
Iterable。
可以使用
isinstance()判断一个对象是否是
Iterable对象:
>>> from collections import Iterable >>> isinstance([], Iterable) True >>> isinstance({}, Iterable) True >>> isinstance('abc', Iterable) True >>> isinstance((x for x in range(10)), Iterable) True >>> isinstance(100, Iterable) False
而生成器不但可以作用于
for循环,还可以被
next()函数不断调用并返回下一个值,直到最后抛出
StopIteration错误表示无法继续返回下一个值了。
可以被
next()函数调用并不断返回下一个值的对象称为迭代器:
Iterator。
可以使用
isinstance()判断一个对象是否是
Iterator对象:
>>> from collections import Iterator >>> isinstance((x for x in range(10)), Iterator) True >>> isinstance([], Iterator) False >>> isinstance({}, Iterator) False >>> isinstance('abc', Iterator) False
生成器都是
Iterator对象,但
list、
dict、
str虽然是
Iterable,却不是
Iterator。
把
list、
dict、
str等
Iterable变成
Iterator可以使用
iter()函数:
>>> isinstance(iter([]), Iterator) True >>> isinstance(iter('abc'), Iterator) True
你可能会问,为什么
list、
dict、
str等数据类型不是
Iterator?
这是因为Python的
Iterator对象表示的是一个数据流,Iterator对象可以被
next()函数调用并不断返回下一个数据,直到没有数据时抛出
StopIteration错误。可以把这个数据流看做是一个有序序列,但我们却不能提前知道序列的长度,只能不断通过
next()函数实现按需计算下一个数据,所以
Iterator的计算是惰性的,只有在需要返回下一个数据时它才会计算。
Iterator甚至可以表示一个无限大的数据流,例如全体自然数。而使用list是永远不可能存储全体自然数的。
小结
凡是可作用于for循环的对象都是
Iterable类型;
凡是可作用于
next()函数的对象都是
Iterator类型,它们表示一个惰性计算的序列;
集合数据类型如
list、
dict、
str等是
Iterable但不是
Iterator,不过可以通过
iter()函数获得一个
Iterator对象。
Python的
for循环本质上就是通过不断调用
next()函数实现的,例如:
for x in [1, 2, 3, 4, 5]: pass
实际上完全等价于:
# 首先获得Iterator对象: it = iter([1, 2, 3, 4, 5]) # 循环: while True: try: # 获得下一个值: x = next(it) except StopIteration: # 遇到StopIteration就退出循环 break
高阶函数
高阶函数英文叫Higher-order function。什么是高阶函数?我们以实际代码为例子,一步一步深入概念。变量可以指向函数
以Python内置的求绝对值的函数abs()为例,调用该函数用以下代码:
>>> abs(-10) 10
但是,如果只写
abs呢?
>>> abs <built-in function abs>
可见,
abs(-10)是函数调用,而
abs是函数本身。
要获得函数调用结果,我们可以把结果赋值给变量:
>>> x = abs(-10) >>> x 10
但是,如果把函数本身赋值给变量呢?
>>> f = abs >>> f <built-in function abs>
结论:函数本身也可以赋值给变量,即:变量可以指向函数。
如果一个变量指向了一个函数,那么,可否通过该变量来调用这个函数?用代码验证一下:
>>> f = abs >>> f(-10) 10
成功!说明变量
f现在已经指向了
abs函数本身。直接调用
abs()函数和调用变量
f()完全相同。
函数名也是变量
那么函数名是什么呢?函数名其实就是指向函数的变量!对于abs()这个函数,完全可以把函数名
abs看成变量,它指向一个可以计算绝对值的函数!
如果把
abs指向其他对象,会有什么情况发生?
>>> abs = 10 >>> abs(-10) Traceback (most recent call last): File "<stdin>", line 1, in <module> TypeError: 'int' object is not callable
把
abs指向
10后,就无法通过
abs(-10)调用该函数了!因为
abs这个变量已经不指向求绝对值函数而是指向一个整数
10!
当然实际代码绝对不能这么写,这里是为了说明函数名也是变量。要恢复
abs函数,请重启Python交互环境。
注:由于
abs函数实际上是定义在
import builtins模块中的,所以要让修改
abs变量的指向在其它模块也生效,要用
import builtins; builtins.abs = 10。
传入函数
既然变量可以指向函数,函数的参数能接收变量,那么一个函数就可以接收另一个函数作为参数,这种函数就称之为高阶函数。一个最简单的高阶函数:
def add(x, y, f): return f(x) + f(y)
当我们调用
add(-5, 6, abs)时,参数
x,
y和
f分别接收
-5,
6和
abs,根据函数定义,我们可以推导计算过程为:
x = -5 y = 6 f = abs f(x) + f(y) ==> abs(-5) + abs(6) ==> 11 return 11
用代码验证一下:
>>> add(-5, 6, abs) 11
编写高阶函数,就是让函数的参数能够接收别的函数。
小结
把函数作为参数传入,这样的函数称为高阶函数,函数式编程就是指这种高度抽象的编程范式。map/reduce
Python内建了map()和
reduce()函数。
如果你读过Google的那篇大名鼎鼎的论文“MapReduce: Simplified Data Processing on Large Clusters”,你就能大概明白map/reduce的概念。
我们先看map。
map()函数接收两个参数,一个是函数,一个是
Iterable,
map将传入的函数依次作用到序列的每个元素,并把结果作为新的
Iterator返回。
举例说明,比如我们有一个函数f(x)=x2,要把这个函数作用在一个list
[1, 2, 3, 4, 5, 6, 7, 8, 9]上,就可以用
map()实现如下:
现在,我们用Python代码实现:
>>> def f(x): ... return x * x ... >>> r = map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> list(r) [1, 4, 9, 16, 25, 36, 49, 64, 81]
map()传入的第一个参数是
f,即函数对象本身。由于结果
r是一个
Iterator,
Iterator是惰性序列,因此通过
list()函数让它把整个序列都计算出来并返回一个list。
你可能会想,不需要
map()函数,写一个循环,也可以计算出结果:
L = [] for n in [1, 2, 3, 4, 5, 6, 7, 8, 9]: L.append(f(n)) print(L)
的确可以,但是,从上面的循环代码,能一眼看明白“把f(x)作用在list的每一个元素并把结果生成一个新的list”吗?
所以,
map()作为高阶函数,事实上它把运算规则抽象了,因此,我们不但可以计算简单的f(x)=x2,还可以计算任意复杂的函数,比如,把这个list所有数字转为字符串:
>>> list(map(str, [1, 2, 3, 4, 5, 6, 7, 8, 9])) ['1', '2', '3', '4', '5', '6', '7', '8', '9']
只需要一行代码。
再看
reduce的用法。
reduce把一个函数作用在一个序列
[x1, x2, x3, ...]上,这个函数必须接收两个参数,
reduce把结果继续和序列的下一个元素做累积计算,其效果就是:
reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)
比方说对一个序列求和,就可以用
reduce实现:
>>> from functools import reduce >>> def add(x, y): ... return x + y ... >>> reduce(add, [1, 3, 5, 7, 9]) 25
当然求和运算可以直接用Python内建函数
sum(),没必要动用
reduce。
但是如果要把序列
[1, 3, 5, 7, 9]变换成整数
13579,
reduce就可以派上用场:
>>> from functools import reduce >>> def fn(x, y): ... return x * 10 + y ... >>> reduce(fn, [1, 3, 5, 7, 9]) 13579
这个例子本身没多大用处,但是,如果考虑到字符串
str也是一个序列,对上面的例子稍加改动,配合
map(),我们就可以写出把
str转换为
int的函数:
>>> from functools import reduce >>> def fn(x, y): ... return x * 10 + y ... >>> def char2num(s): ... return {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}[s] ... >>> reduce(fn, map(char2num, '13579')) 13579
整理成一个
str2int的函数就是:
from functools import reduce def str2int(s): def fn(x, y): return x * 10 + y def char2num(s): return {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}[s] return reduce(fn, map(char2num, s))
还可以用lambda函数进一步简化成:
from functools import reduce def char2num(s): return {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}[s] def str2int(s): return reduce(lambda x, y: x * 10 + y, map(char2num, s))
也就是说,假设Python没有提供
int()函数,你完全可以自己写一个把字符串转化为整数的函数,而且只需要几行代码!
lambda函数的用法在后面介绍。
练习
利用map()函数,把用户输入的不规范的英文名字,变为首字母大写,其他小写的规范名字。输入:
['adam', 'LISA', 'barT'],输出:
['Adam', 'Lisa', 'Bart']:
def normalize(name): new="" for n,x in enumerate(name): if n==0: new += x.upper() else: new += x.lower() return new L1 = ['adam', 'LISA', 'barT'] L2 = list(map(normalize, L1)) print(L2)
Python提供的
sum()函数可以接受一个list并求和,请编写一个
prod()函数,可以接受一个list并利用
reduce()求积:
from functools import reduce def prod(L): def fn(x,y): return x*y return reduce(fn,L) print('3 * 5 * 7 * 9 =', prod([3, 5, 7, 9]))
利用
map和
reduce编写一个
str2float函数,把字符串
'123.456'转换成浮点数
123.456:
如果不利用
map和
reduce,答案:
def str2num(s): return{'1':1,'2':2,'3':3,'4':4,'5':5,'6':6,'7':7,'8':8,'9':9}[s] def fn(x,n): num=1 for i in range(n): num = x*num return num def str2float(s): for n,x in enumerate(s): if x=='.': front = s[:n] end = s[n+1:] new = front + end return int(new)/fn(10,len(end))
都利用上
map和
reduce的答案:
from functools import reduce def char2num(s): return {'1':1,'2':2,'3':3,'4':4,'5':5,'6':6,'7':7,'8':8,'9':9,'0':0}[s] def fn(x,n): num=1 for i in range(n): num = x*num return num def fn2(x,y): return x*10+y def str2float(s): for n,x in enumerate(s): if x=='.': front=s[:n] end=s[n+1:] new=front+end return reduce(fn2,map(char2num,new))/fn(10,len(end)) print('str2float(\'123.456\') =', str2float('123.456'))
如果以上加上lambda使用:
from functools import reduce def char2num(s): return {'1':1,'2':2,'3':3,'4':4,'5':5,'6':6,'7':7,'8':8,'9':9,'0':0}[s] def fn(x,n): num=1 for i in range(n): num = x*num return num def str2float(s): for n,x in enumerate(s): if x=='.': front=s[:n] end=s[n+1:] new=front+end return reduce(lambda x,y:x*10+y,map(char2num,new))/fn(10,len(end)) print('str2float(\'123.456\') =', str2float('123.456'))
lambda的使用方法:
http://www.cnblogs.com/evening/archive/2012/03/29/2423554.html
filter
Python内建的filter()函数用于过滤序列。
和
map()类似,
filter()也接收一个函数和一个序列。和
map()不同的是,
filter()把传入的函数依次作用于每个元素,然后根据返回值是
True还是
False决定保留还是丢弃该元素。
例如,在一个list中,删掉偶数,只保留奇数,可以这么写:
def is_odd(n): return n % 2 == 1 list(filter(is_odd, [1, 2, 4, 5, 6, 9, 10, 15])) # 结果: [1, 5, 9, 15]
把一个序列中的空字符串删掉,可以这么写:
def not_empty(s): return s and s.strip() list(filter(not_empty, ['A', '', 'B', None, 'C', ' '])) # 结果: ['A', 'B', 'C']
可见用
filter()这个高阶函数,关键在于正确实现一个“筛选”函数。
注意到
filter()函数返回的是一个
Iterator,也就是一个惰性序列,所以要强迫
filter()完成计算结果,需要用
list()函数获得所有结果并返回list。
用filter求素数
计算素数的一个方法是埃氏筛法,它的算法理解起来非常简单:首先,列出从
2开始的所有自然数,构造一个序列:
2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...
取序列的第一个数
2,它一定是素数,然后用
2把序列的
2的倍数筛掉:
3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...
取新序列的第一个数
3,它一定是素数,然后用
3把序列的
3的倍数筛掉:
5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...
取新序列的第一个数
5,然后用
5把序列的
5的倍数筛掉:
7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...
不断筛下去,就可以得到所有的素数。
用Python来实现这个算法,可以先构造一个从
3开始的奇数序列:
def _odd_iter(): n = 1 while True: n = n + 2 yield n
注意这是一个生成器,并且是一个无限序列。
然后定义一个筛选函数:
def _not_divisible(n): return lambda x: x % n > 0
最后,定义一个生成器,不断返回下一个素数:
def primes(): yield 2 it = _odd_iter() # 初始序列 while True: n = next(it) # 返回序列的第一个数 yield n it = filter(_not_divisible(n), it) # 构造新序列
这个生成器先返回第一个素数
2,然后,利用
filter()不断产生筛选后的新的序列。
由于
primes()也是一个无限序列,所以调用时需要设置一个退出循环的条件:
# 打印1000以内的素数: for n in primes(): if n < 1000: print(n) else: break
注意到
Iterator是惰性计算的序列,所以我们可以用Python表示“全体自然数”,“全体素数”这样的序列,而代码非常简洁。
练习
回数是指从左向右读和从右向左读都是一样的数,例如12321,
909。请利用
filter()滤掉非回数:
答案:
def is_palindrome(n): s = str(n) return s==s[::-1]: output = filter(is_palindrome, range(1, 1000)) print(list(output))
小结
filter()的作用是从一个序列中筛出符合条件的元素。由于
filter()使用了惰性计算,所以只有在取
filter()结果的时候,才会真正筛选并每次返回下一个筛出的元素。
sorted
排序算法
排序也是在程序中经常用到的算法。无论使用冒泡排序还是快速排序,排序的核心是比较两个元素的大小。如果是数字,我们可以直接比较,但如果是字符串或者两个dict呢?直接比较数学上的大小是没有意义的,因此,比较的过程必须通过函数抽象出来。Python内置的
sorted()函数就可以对list进行排序:
>>> sorted([36, 5, -12, 9, -21]) [-21, -12, 5, 9, 36]
此外,
sorted()函数也是一个高阶函数,它还可以接收一个
key函数来实现自定义的排序,例如按绝对值大小排序:
>>> sorted([36, 5, -12, 9, -21], key=abs) [5, 9, -12, -21, 36]
key指定的函数将作用于list的每一个元素上,并根据key函数返回的结果进行排序。对比原始的list和经过
key=abs处理过的list:
list = [36, 5, -12, 9, -21] keys = [36, 5, 12, 9, 21]
然后
sorted()函数按照keys进行排序,并按照对应关系返回list相应的元素:
keys排序结果 => [5, 9, 12, 21, 36] | | | | | 最终结果 => [5, 9, -12, -21, 36]
我们再看一个字符串排序的例子:
>>> sorted(['bob', 'about', 'Zoo', 'Credit']) ['Credit', 'Zoo', 'about', 'bob']
默认情况下,对字符串排序,是按照ASCII的大小比较的,由于
'Z' < 'a',结果,大写字母
Z会排在小写字母
a的前面。
现在,我们提出排序应该忽略大小写,按照字母序排序。要实现这个算法,不必对现有代码大加改动,只要我们能用一个key函数把字符串映射为忽略大小写排序即可。忽略大小写来比较两个字符串,实际上就是先把字符串都变成大写(或者都变成小写),再比较。
这样,我们给
sorted传入key函数,即可实现忽略大小写的排序:
>>> sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower) ['about', 'bob', 'Credit', 'Zoo']
要进行反向排序,不必改动key函数,可以传入第三个参数
reverse=True:
>>> sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower, reverse=True) ['Zoo', 'Credit', 'bob', 'about']
从上述例子可以看出,高阶函数的抽象能力是非常强大的,而且,核心代码可以保持得非常简洁。
小结
sorted()也是一个高阶函数。用
sorted()排序的关键在于实现一个映射函数。
练习
假设我们用一组tuple表示学生名字和成绩:L = [('Bob', 75), ('Adam', 92), ('Bart', 66), ('Lisa', 88)]
1.请用
sorted()对上述列表分别按名字排序:
2.再按成绩从高到低排序:
L = [('Bob', 75), ('Adam', 92), ('Bart', 66), ('Lisa', 88)]def by_name(t):
return t[0]
def by_score(t):
return t[1]
L1 = sorted(L,key=by_name)
L2 = sorted(L,key=by_score,reverse=True)
print(L1)
print(L2)
返回函数
函数作为返回值
高阶函数除了可以接受函数作为参数外,还可以把函数作为结果值返回。我们来实现一个可变参数的求和。通常情况下,求和的函数是这样定义的:
def calc_sum(*args): ax = 0 for n in args: ax = ax + n return ax
但是,如果不需要立刻求和,而是在后面的代码中,根据需要再计算怎么办?可以不返回求和的结果,而是返回求和的函数:
def lazy_sum(*args): def sum(): ax = 0 for n in args: ax = ax + n return ax return sum
当我们调用
lazy_sum()时,返回的并不是求和结果,而是求和函数:
>>> f = lazy_sum(1, 3, 5, 7, 9) >>> f <function lazy_sum.<locals>.sum at 0x101c6ed90>
调用函数
f时,才真正计算求和的结果:
>>> f() 25
在这个例子中,我们在函数
lazy_sum中又定义了函数
sum,并且,内部函数
sum可以引用外部函数
lazy_sum的参数和局部变量,当
lazy_sum返回函数
sum时,相关参数和变量都保存在返回的函数中,这种称为“闭包(Closure)”的程序结构拥有极大的威力。
请再注意一点,当我们调用
lazy_sum()时,每次调用都会返回一个新的函数,即使传入相同的参数:
>>> f1 = lazy_sum(1, 3, 5, 7, 9) >>> f2 = lazy_sum(1, 3, 5, 7, 9) >>> f1==f2 False
f1()和
f2()的调用结果互不影响。
闭包
注意到返回的函数在其定义内部引用了局部变量args,所以,当一个函数返回了一个函数后,其内部的局部变量还被新函数引用,所以,闭包用起来简单,实现起来可不容易。
另一个需要注意的问题是,返回的函数并没有立刻执行,而是直到调用了
f()才执行。我们来看一个例子:
def count(): fs = [] for i in range(1, 4): def f(): return i*i fs.append(f) return fs f1, f2, f3 = count() #见注释
在上面的例子中,每次循环,都创建了一个新的函数,然后,把创建的3个函数都返回了。
你可能认为调用
f1(),
f2()和
f3()结果应该是
1,
4,
9,但实际结果是:
>>> f1() 9 >>> f2() 9 >>> f3() 9
全部都是
9!原因就在于返回的函数引用了变量
i,但它并非立刻执行。等到3个函数都返回时,它们所引用的变量
i已经变成了
3,因此最终结果为
9。
返回闭包时牢记的一点就是:返回函数不要引用任何循环变量,或者后续会发生变化的变量。
如果一定要引用循环变量怎么办?方法是再创建一个函数,用该函数的参数绑定循环变量当前的值,无论该循环变量后续如何更改,已绑定到函数参数的值不变:
def count(): def f(j): def g(): return j*j return g fs = [] for i in range(1, 4): fs.append(f(i)) # f(i)立刻被执行,因此i的当前值被传入f() return fs
再看看结果:
>>> f1, f2, f3 = count() >>> f1() 1 >>> f2() 4 >>> f3() 9
缺点是代码较长,可利用lambda函数缩短代码。
小结
一个函数可以返回一个计算结果,也可以返回一个函数。返回一个函数时,牢记该函数并未执行,返回函数中不要引用任何可能会变化的变量。
注释:
f1,f2,f3 = count()
python 支持这种赋值方式
a,b,c=[1,2,3]
a,b,c=(1,2,3)
a,b,c=1,2,3
主要是python的赋值方式.前面的章节绝对没有讲解过.对小白的我产生了很大的困惑.
count函数运行完以后, fs = [f, f, f]
f1, f2, f3 = count() 相当于 [f1, f2, f3] = [f, f, f] 相当于 f1 = f f2 = f f3 = f f函数返回的是i的平方,i是3,所以返回9, 9, 9
匿名函数
当我们在传入函数时,有些时候,不需要显式地定义函数,直接传入匿名函数更方便。在Python中,对匿名函数提供了有限支持。还是以
map()函数为例,计算f(x)=x2时,除了定义一个
f(x)的函数外,还可以直接传入匿名函数:
>>> list(map(lambda x: x * x, [1, 2, 3, 4, 5, 6, 7, 8, 9])) [1, 4, 9, 16, 25, 36, 49, 64, 81]
通过对比可以看出,匿名函数
lambda x: x * x实际上就是:
def f(x): return x * x
关键字
lambda表示匿名函数,冒号前面的
x表示函数参数。
匿名函数有个限制,就是只能有一个表达式,不用写
return,返回值就是该表达式的结果。
用匿名函数有个好处,因为函数没有名字,不必担心函数名冲突。此外,匿名函数也是一个函数对象,也可以把匿名函数赋值给一个变量,再利用变量来调用该函数:
>>> f = lambda x: x * x >>> f <function <lambda> at 0x101c6ef28> >>> f(5) 25
同样,也可以把匿名函数作为返回值返回,比如:
def build(x, y): return lambda: x * x + y * y
详解:
#!/usr/bin/python # -*- coding: utf-8 -*- # 匿名函数lambda使用,上节中学习了 “返回函数” 这节学习了 “匿名函数” # (1)、如果你定义一个有参数的函数,返回函数是一个无参函数, # 那么将定义的有参函数赋值给一个变量(赋值后变量指针指向函数,这时变量就是函数的别名)时, # 需要转递参数,调用函数变量就等于执行函数体 # (2)、如果你定义一个无参数的函数,返回函数是一个有参函数, # 那么将定义的无参函数赋值给一个变量(赋值后变量指针指向函数,这时变量就是函数的别名)时, # 不需要转递参数,调用函数变量时传递参数就等于执行函数体 # 返回函数 def build_return_func1(x, y): def g(): return x**2 + y**2 return g # 返回lambda匿名函数 def build_return_lambda1(x, y): # 无参数lambda匿名函数 return lambda: x ** 2 + y ** 2 # 有函数调用 f1 = build_return_func1(1, 2) f2 = build_return_lambda1(2, 4) print(f1()) print(f2())
5 20
# 返回函数 def build_return_func2(): def g(x, y): return x**2 + y**2 return g # 返回lambda匿名函数 def build_return_lambda2(): # 有参数lambda匿名函数 return lambda x, y: x ** 2 + y ** 2 # 无函数调用 f3 = build_return_func2() f4 = build_return_lambda2() print(f3(1, 2)) print(f4(2, 4))
5 20
小结
Python对匿名函数的支持有限,只有一些简单的情况下可以使用匿名函数。装饰器
由于函数也是一个对象,而且函数对象可以被赋值给变量,所以,通过变量也能调用该函数。>>> def now(): ... print('2015-3-25') ... >>> f = now >>> f() 2015-3-25
函数对象有一个
__name__属性,可以拿到函数的名字:
>>> now.__name__ 'now' >>> f.__name__ 'now'
现在,假设我们要增强
now()函数的功能,比如,在函数调用前后自动打印日志,但又不希望修改
now()函数的定义,这种在代码运行期间动态增加功能的方式,称之为“装饰器”(Decorator)。
本质上,decorator就是一个返回函数的高阶函数。所以,我们要定义一个能打印日志的decorator,可以定义如下:
def log(func): def wrapper(*args, **kw): print('call %s():' % func.__name__) return func(*args, **kw) return wrapper
观察上面的
log,因为它是一个decorator,所以接受一个函数作为参数,并返回一个函数。我们要借助Python的@语法,把decorator置于函数的定义处:
@log def now(): print('2015-3-25')
调用
now()函数,不仅会运行
now()函数本身,还会在运行
now()函数前打印一行日志:
>>> now() call now(): 2015-3-25
把
@log放到
now()函数的定义处,相当于执行了语句:
now = log(now)
由于
log()是一个decorator,返回一个函数,所以,原来的
now()函数仍然存在,只是现在同名的
now变量指向了新的函数,于是调用
now()将执行新函数,即在
log()函数中返回的
wrapper()函数。
wrapper()函数的参数定义是
(*args, **kw),因此,
wrapper()函数可以接受任意参数的调用。在
wrapper()函数内,首先打印日志,再紧接着调用原始函数。
如果decorator本身需要传入参数,那就需要编写一个返回decorator的高阶函数,写出来会更复杂。比如,要自定义log的文本:
def log(text): def decorator(func): def wrapper(*args, **kw): print('%s %s():' % (text, func.__name__)) return func(*args, **kw) return wrapper return decorator
这个3层嵌套的decorator用法如下:
@log('execute') def now(): print('2015-3-25')
执行结果如下:
>>> now() execute now(): 2015-3-25
和两层嵌套的decorator相比,3层嵌套的效果是这样的:
>>> now = log('execute')(now)
我们来剖析上面的语句,首先执行
log('execute'),返回的是
decorator函数,再调用返回的函数,参数是
now函数,返回值最终是
wrapper函数。
以上两种decorator的定义都没有问题,但还差最后一步。因为我们讲了函数也是对象,它有
__name__等属性,但你去看经过decorator装饰之后的函数,它们的
__name__已经从原来的
'now'变成了
'wrapper':
>>> now.__name__ 'wrapper'
因为返回的那个
wrapper()函数名字就是
'wrapper',所以,需要把原始函数的
__name__等属性复制到
wrapper()函数中,否则,有些依赖函数签名的代码执行就会出错。
不需要编写
wrapper.__name__ = func.__name__这样的代码,Python内置的
functools.wraps就是干这个事的,所以,一个完整的decorator的写法如下:
import functools def log(func): @functools.wraps(func) def wrapper(*args, **kw): print('call %s():' % func.__name__) return func(*args, **kw) return wrapper
或者针对带参数的decorator:
import functools def log(text): def decorator(func): @functools.wraps(func) def wrapper(*args, **kw): print('%s %s():' % (text, func.__name__)) return func(*args, **kw) return wrapper return decorator
import functools是导入
functools模块。模块的概念稍候讲解。现在,只需记住在定义
wrapper()的前面加上
@functools.wraps(func)即可。
小结
在面向对象(OOP)的设计模式中,decorator被称为装饰模式。OOP的装饰模式需要通过继承和组合来实现,而Python除了能支持OOP的decorator外,直接从语法层次支持decorator。Python的decorator可以用函数实现,也可以用类实现。decorator可以增强函数的功能,定义起来虽然有点复杂,但使用起来非常灵活和方便。
1.请编写一个decorator,能在函数调用的前后打印出
'begin call'和
'end call'的日志。
2.再思考一下能否写出一个
@log的decorator,使它既支持:
@log def f(): pass
又支持:
@log('execute') def f(): pass
两题混写成一个答案:
def log(text=None): def decorator(func): def wrapper(*args, **kw): print('begin call') result = func(*args,**kw) print('%s %s();' % (text,func.__name__)) print('begin call') return result return wrapper return decorator @log('execute') def now(x=5): return print(x ** 2) now(7)
偏函数
Python的functools模块提供了很多有用的功能,其中一个就是偏函数(Partial function)。要注意,这里的偏函数和数学意义上的偏函数不一样。
在介绍函数参数的时候,我们讲到,通过设定参数的默认值,可以降低函数调用的难度。而偏函数也可以做到这一点。举例如下:
int()函数可以把字符串转换为整数,当仅传入字符串时,
int()函数默认按十进制转换:
>>> int('12345') 12345
但
int()函数还提供额外的
base参数,默认值为
10。如果传入
base参数,就可以做N进制的转换:
>>> int('12345', base=8) 5349 >>> int('12345', 16) 74565
假设要转换大量的二进制字符串,每次都传入
int(x, base=2)非常麻烦,于是,我们想到,可以定义一个
int2()的函数,默认把
base=2传进去:
def int2(x, base=2): return int(x, base)
这样,我们转换二进制就非常方便了:
>>> int2('1000000') 64 >>> int2('1010101') 85
functools.partial就是帮助我们创建一个偏函数的,不需要我们自己定义
int2(),可以直接使用下面的代码创建一个新的函数
int2:
>>> import functools
>>> int2 = functools.partial(int, base=2)>>> int2('1000000') 64 >>> int2('1010101') 85
所以,简单总结
functools.partial的作用就是,把一个函数的某些参数给固定住(也就是设置默认值),返回一个新的函数,调用这个新函数会更简单。
注意到上面的新的
int2函数,仅仅是把
base参数重新设定默认值为
2,但也可以在函数调用时传入其他值:
>>> int2('1000000', base=10) 1000000
最后,创建偏函数时,实际上可以接收函数对象、
*args和
**kw这3个参数,当传入:
int2 = functools.partial(int, base=2)
实际上固定了int()函数的关键字参数
base,也就是:
int2('10010')
相当于:
kw = { 'base': 2 } int('10010', **kw)
当传入:
max2 = functools.partial(max, 10)
实际上会把
10作为
*args的一部分自动加到左边,也就是:
max2(5, 6, 7)
相当于:
args = (10, 5, 6, 7) max(*args)
结果为
10。
小结
当函数的参数个数太多,需要简化时,使用functools.partial可以创建一个新的函数,这个新函数可以固定住原函数的部分参数,从而在调用时更简单。
使用模块
Python本身就内置了很多非常有用的模块,只要安装完毕,这些模块就可以立刻使用。我们以内建的
sys模块为例,编写一个
hello的模块:
#!/usr/bin/env python3 # -*- coding: utf-8 -*- ' a test module ' __author__ = 'Michael Liao' import sys def test(): args = sys.argv if len(args)==1: print('Hello, world!') elif len(args)==2: print('Hello, %s!' % args[1]) else: print('Too many arguments!') if __name__=='__main__': test()
第1行和第2行是标准注释,第1行注释可以让这个
hello.py文件直接在Unix/Linux/Mac上运行,第2行注释表示.py文件本身使用标准UTF-8编码;
第4行是一个字符串,表示模块的文档注释,任何模块代码的第一个字符串都被视为模块的文档注释;
第6行使用
__author__变量把作者写进去,这样当你公开源代码后别人就可以瞻仰你的大名;
以上就是Python模块的标准文件模板,当然也可以全部删掉不写,但是,按标准办事肯定没错。
后面开始就是真正的代码部分。
你可能注意到了,使用
sys模块的第一步,就是导入该模块:
import sys
导入
sys模块后,我们就有了变量
sys指向该模块,利用
sys这个变量,就可以访问
sys模块的所有功能。
sys模块有一个
argv变量,用list存储了命令行的所有参数。
argv至少有一个元素,因为第一个参数永远是该.py文件的名称,例如:
运行
python3 hello.py获得的
sys.argv就是
['hello.py'];
运行
python3 hello.py Michael获得的
sys.argv就是
['hello.py', 'Michael]。
最后,注意到这两行代码:
if __name__=='__main__': test()
当我们在命令行运行
hello模块文件时,Python解释器把一个特殊变量
__name__置为
__main__,而如果在其他地方导入该
hello模块时,
if判断将失败,因此,这种
if测试可以让一个模块通过命令行运行时执行一些额外的代码,最常见的就是运行测试。
我们可以用命令行运行
hello.py看看效果:
$ python3 hello.py Hello, world! $ python hello.py Michael Hello, Michael!
如果启动Python交互环境,再导入
hello模块:
$ python3 Python 3.4.3 (v3.4.3:9b73f1c3e601, Feb 23 2015, 02:52:03) [GCC 4.2.1 (Apple Inc. build 5666) (dot 3)] on darwin Type "help", "copyright", "credits" or "license" for more information. >>> import hello >>>
导入时,没有打印
Hello, word!,因为没有执行
test()函数。
调用
hello.test()时,才能打印出
Hello, word!:
>>> hello.test() Hello, world!
作用域
在一个模块中,我们可能会定义很多函数和变量,但有的函数和变量我们希望给别人使用,有的函数和变量我们希望仅仅在模块内部使用。在Python中,是通过_前缀来实现的。
正常的函数和变量名是公开的(public),可以被直接引用,比如:
abc,
x123,
PI等;
类似
__xxx__这样的变量是特殊变量,可以被直接引用,但是有特殊用途,比如上面的
__author__,
__name__就是特殊变量,
hello模块定义的文档注释也可以用特殊变量
__doc__访问,我们自己的变量一般不要用这种变量名;
类似
_xxx和
__xxx这样的函数或变量就是非公开的(private),不应该被直接引用,比如
_abc,
__abc等;
之所以我们说,private函数和变量“不应该”被直接引用,而不是“不能”被直接引用,是因为Python并没有一种方法可以完全限制访问private函数或变量,但是,从编程习惯上不应该引用private函数或变量。
private函数或变量不应该被别人引用,那它们有什么用呢?请看例子:
def _private_1(name): return 'Hello, %s' % name def _private_2(name): return 'Hi, %s' % name def greeting(name): if len(name) > 3: return _private_1(name) else: return _private_2(name)
我们在模块里公开
greeting()函数,而把内部逻辑用private函数隐藏起来了,这样,调用
greeting()函数不用关心内部的private函数细节,这也是一种非常有用的代码封装和抽象的方法,即:
外部不需要引用的函数全部定义成private,只有外部需要引用的函数才定义为public。
__name__ = '__main__' 的作用解释:
http://www.jb51.net/article/51892.htm安装第三方模块
在Python中,安装第三方模块,是通过包管理工具pip完成的。如果你正在使用Mac或Linux,安装pip本身这个步骤就可以跳过了。
如果你正在使用Windows,请参考安装Python一节的内容,确保安装时勾选了
pip和
Add python.exe to Path。
在命令提示符窗口下尝试运行
pip,如果Windows提示未找到命令,可以重新运行安装程序添加
pip。
注意:Mac或Linux上有可能并存Python 3.x和Python 2.x,因此对应的pip命令是
pip3。
现在,让我们来安装一个第三方库——Python Imaging Library,这是Python下非常强大的处理图像的工具库。不过,PIL目前只支持到Python 2.7,并且有年头没有更新了,因此,基于PIL的Pillow项目开发非常活跃,并且支持最新的Python 3。
一般来说,第三方库都会在Python官方的pypi.python.org网站注册,要安装一个第三方库,必须先知道该库的名称,可以在官网或者pypi上搜索,比如Pillow的名称叫Pillow,因此,安装Pillow的命令就是:
pip install Pillow
耐心等待下载并安装后,就可以使用Pillow了。
有了Pillow,处理图片易如反掌。随便找个图片生成缩略图:
>>> from PIL import Image >>> im = Image.open('test.png') >>> print(im.format, im.size, im.mode) PNG (400, 300) RGB >>> im.thumbnail((200, 100)) >>> im.save('thumb.jpg', 'JPEG')
其他常用的第三方库还有MySQL的驱动:
mysql-connector-python,用于科学计算的NumPy库:
numpy,用于生成文本的模板工具
Jinja2,等等。
模块搜索路径
当我们试图加载一个模块时,Python会在指定的路径下搜索对应的.py文件,如果找不到,就会报错:>>> import mymodule Traceback (most recent call last): File "<stdin>", line 1, in <module> ImportError: No module named mymodule
默认情况下,Python解释器会搜索当前目录、所有已安装的内置模块和第三方模块,搜索路径存放在
sys模块的
path变量中:
>>> import sys>>> sys.path
['', '/Library/Frameworks/Python.framework/Versions/3.4/lib/python34.zip', '/Library/Frameworks/Python.framework/Versions/3.4/lib/python3.4', '/Library/Frameworks/Python.framework/Versions/3.4/lib/python3.4/plat-darwin', '/Library/Frameworks/Python.framework/Versions/3.4/lib/python3.4/lib-dynload', '/Library/Frameworks/Python.framework/Versions/3.4/lib/python3.4/site-packages']
如果我们要添加自己的搜索目录,有两种方法:
一是直接修改
sys.path,添加要搜索的目录:
>>> import sys>>> sys.path.append('/Users/michael/my_py_scripts')
这种方法是在运行时修改,运行结束后失效。
第二种方法是设置环境变量
PYTHONPATH,该环境变量的内容会被自动添加到模块搜索路径中。设置方式与设置Path环境变量类似。注意只需要添加你自己的搜索路径,Python自己本身的搜索路径不受影响。
相关文章推荐
- Python学习笔记:Python Language Features
- Boost.Python学习笔记
- Python 学习笔记 - 4.if 表达式
- python文件读写实例学习笔记
- Python 学习笔记(1)
- python(异常处理机制,学习笔记摘要)
- python学习笔记(1)
- python学习笔记,整形,字符串
- Python学习笔记1
- Python学习笔记
- if __name__ (python学习笔记一,注意前面是双下划线)
- python学习笔记(二)
- python学习笔记(2)
- python学习笔记1
- Python学习笔记(一)
- [原创]Ruby学习笔记(4)-闰年、季节和月份天数的Ruby版和Python版
- Python学习笔记 Module
- Python 正则式学习笔记
- Python 学习笔记 - 2.自省