Python基础笔记3

高级特性

代码不是越多越好，而是越少越好。代码不是越复杂越好，而是越简单越好。代码越少，开发效率越高。

1.切片

切片（Slice）操作符，取一个list或tuple的部分元素非常常见。

列表

L = ['Michael', 'Sarah', 'Tracy', 'Bob', 'Jack']
L[0:3]
L[1:3]
L[-1]
L[-2:]

L=list(range(100) #0-99
L[:10] #前10
L[-10:] #后10
L[10:20]
L[:10:2] #前10，每两个取一个
L[::5] #所有数中每5个取一个

tuple

(0,1,2,3,4,5)[:3]  #得到的也是一个tuple(0,1,2)

字符串

'ABCDEFG'[:3]  #ABC
'ABCDEFG'[::2] #ACEG

不像R和Perl等专门提供字符串截取函数，Python中用一个切片操作就可完成，灵活使用能减少不少循环。

2.迭代iteration

通过for循环来遍历

d={'a':1, 'b':2, 'c':3}
for key in d: #字典默认迭代key
    print(key) #无序

#迭代值
for value in d.values():  #括号不可少
    print(value)
#迭代键和值
for k,v in d.items():

判断一个对象是否可迭代

from collections import Iterable
isinstance('abc',Iterable) #字符串可迭代
isinstance([1,2,3],Iterable) #list可迭代
isinstance(123,Iterable) #整数不可迭代

实现下标（元素索引）迭代循环

for i, value in enumerate(['a','b','c']):
    print(i, value)

同时对多个变量循环

for x,y,z in [(1,2,3),(2,3,1),(2,1,3)]:
    print(x,y,z)

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。

3.列表生成式

list(range(1,11))  #1..10

[x*x for x in range(1,11)]

[x*x for x in range(1,11) if x % 2 ==0]

[m+n for m in 'abc' for n in 'xyz']

应用

#列出当前目录所有文件和目录名
import os
[d for d in os.listdir('.')]

#两个变量生成list
d={'x':1, 'y':2, 'z':3}
[k + '=' +v  for k,v in d.items()]

#所有list字符串小写
L=["aBC","Word"]
[s.lower() for s in L if isinstance(s,str)==True] #列表中只能都为str

4.生成器generator

一边循环一边计算。

创建生成器：

g=(x*x for x in range(10))  #()而非[]
g
next(g)
next(g)
...... #一个个打印出来，直到最后一个元素

for n in g: #可迭代
    print(n)

用一个函数来实现generator。普通函数调用直接返回结果，生成器函数调用返回的是一个生成器对象。

#斐波那契数列
def fib(max):
    n,a,b = 0,0,1
    while n < max:
        yield b  #yield关键字
        a,b = b,a+b
        n = n+1
    return 'done'

for n in fib(6):
    print(n)  #不会返回return的值

#return的值包含在StopIteration错误的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

练习：写一个generator，不断输出杨辉三角的下一行

# _*_ coding: utf-8 _*_
def triangles():
    L=[1]
    yield L
    while True:
        #两端都是1，中间是上两个相邻数之和
        L=[1]+[L[x]+L[x+1] for x in range(len(L)-1)]+[1]
        yield L

5.迭代器

可迭代对象(Iterable):可直接作用于for循环的对象，一类是集合数据类型（list/tuple/dict/set/str),一类是generator（生成器和带yield的生成器函数）

#判断对象是否为Iterable对象,以下都为True
from collections import Iterable
isinstance([],Iterable)
isinstance({},Iterable)
isinstance('abc',Iterable)
isinstance((x for x in range(10)),Iterable)

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。

from collections import Iterator
isinstance([],Iterator) #False
isinstance({},Iterator) #False
isinstance('abc',Iterator) #False
isinstance((x for x in range(10)),Iterator) #True

生成器都是迭代器对象，list/dict/str虽然是可迭代对象，但不是迭代器。但它们可用iter()函数变成迭代器。

isinstance(iter([]),Iterator) #True
isinstance(iter('abc'),Iterator) #True

迭代器对象是一个数据流，它是惰性的，只能通过next函数按需计算下一步。

函数式编程

函数式编程是一种抽象程度很高的编程范式，纯函数式编程甚至没有变量（python不是）。其特点是允许把函数本身作为参数传入另一个函数，还允许返回一个函数。

1.高阶函数

变量可以指向函数

x=abs(-10) #赋值
x

f=abs  #赋函数
f
f(-10)

传入函数参数

def add(x,y,f):
    return f(x)+f(y)

add(-5,6,abs)

map/reduce

map(function,Iterable)

def f(x):
    return x*x

r=map(f,[1,2,3,4])
list(r)

#简写
list([map(str,[1,2,3,4]))

reduce(f,[x1,x2,x3]) = f(f(x1,x2),x3)

from functools import reduce
    def add(x,y):
        return x+y

reduce(add,[1,3,5,7,9])

map和reduce结合使用：

#字符串转化为整数函数
from functools import reduce
digits={'0':0,'1':1,'2':2,'3':3}
def str2int(s):
    def fn(x,y):
        return x*10+y
    def char2num(s):
        return digits[s]
    return reduce(fn, map(char2num,s))

str2int('123')

以上函数还可进一步用lambda函数简化：

from functools import reduce
digits={'0':0,'1':1,'2':2,'3':3}
def char2num(s):
    return digits[s]
def str2int(s):
    return reduce(lambda x,y: x*10+y, map(char2num,s))

filter

过滤序列,从一个序列中筛出符合条件的元素

def is_odd(n):
    return n % 2 == 1

list(filter(is_odd,[1,2,3,4,5])) #1,3,5

用filter筛选全体质数（素数）：

#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

#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，不断返回下个素数
def primes():
    yield 2
    it = _odd_iter() #初始序列
    while True:
        n=next(it) #返回第一个数
        yield n
        it = filter(_not_divisible(n),it) #构造新序列

#打印1000内的素数
for n in primes():
    if n < 1000:
        print(n)
    else:
        break

筛选回数：

def is_palindrome(n):
    return str(n)==str(n)[::-1]

output = filter(is_palindrome, range(1, 1000))
print('1~1000:', list(output))

sorted

排序算法

sorted([3,5,-23,4,-8])
sorted([3,5,-23,4,-8], key=abs) #按绝对值排序

sorted(['bob', 'about', 'Zoo', 'Credit']) #默认ASCII码['Credit', 'Zoo', 'about', 'bob']
sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower) #['about', 'bob', 'Credit', 'Zoo']

sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower, reverse=True) #反向 ['Zoo', 'Credit', 'bob', 'about']

用sorted()排序的关键在于实现一个映射函数。

2.返回函数

把函数作为结果值返回

def lazy_sum(*args):
    def sum():
        ax=0
        for n in args:
            ax=ax+n
        return ax
    return sum

f=lazy_sum(1,2,5,7)
f #返回的是函数
f() #返回结果

#每次调用都会返回一个新的函数，即使参数相同也不一样
f1=lazy_sum(1,2,5,7)
f2=lazy_sum(1,2,5,7)
f1==f2  #False，f1()和f2()的调用结果互不影响。

闭包

上例中，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，这种程序结构称为“闭包（Closure）”。

返回闭包时牢记一点：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。

def count():
    fs = []
    for i in range(1, 4):
        def f():
             return i*i
        fs.append(f)
    return fs

f1, f2, f3 = count()
#f1()f2()f3()都是9，因为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。

如果一定要引用循环变量,就再创建一个函数，用该函数的参数绑定循环变量当前的值：

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

3.匿名函数

关键字lambda表示匿名函数

list(map(lambda x: x * x, [1, 2, 3, 4, 5, 6, 7, 8, 9]))

#赋值变量
f = lambda x: x * x
f
f(5)

#作为返回值
def build(x, y):
    return lambda: x * x + y * y

4.装饰器

函数也是对象，可赋值给变量，并调用。

def now():
    print('2019-1-1')
f=now
f()

函数对象的__name__属性可得到函数的名字：

now.__name__  #now
f.__name__  #now

想增加函数的功能，又不想修改函数的定义，这种在代码运行期间动态增加功能的方式称为“装饰器（Decorator）”。

本质上装饰器就是一个返回函数的高阶函数。

#定义一个能打印日志的装饰器：函数作为参数并返回函数
def log(func):
    def wrapper(*args, **kw):
        print('call %s():' % func.__name__)
        return func(*args, **kw)
    return wrapper

@log  #把装饰器置于函数的定义处，相当于now = log(now)
def now():
    print('2019-1-1')

now() #调用函数，会打印日志

如果要自定义log文本，需要编写一个返回装饰器的高阶函数：

def log(text):
    def decorator(func):
        def wrapper(*args, **kw):
            print('%s %s():' % (text, func.__name__))
            return func(*args, **kw)
        return wrapper
    return decorator

#三层嵌套的装饰器调用：
@log('execute')  #相当于now = log('execute')(now)
def now():
    print('2015-3-25')

完整的装饰器写法:

import functools

def log(func):
    @functools.wraps(func)
    def wrapper(*args, **kw):
        print('call %s():' % func.__name__)
        return func(*args, **kw)
    return wrapper

#带参数的装饰器：
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

面向对象的装饰模式需要通过继承和组合来实现，Python的decorator可以用函数实现，也可以用类实现。

5.偏函数

functools模块提供的偏函数：当函数的参数个数太多化时，可创建一个新的函数，将某些参数给固定住（即设置默认值），从而在调用时更简单。

#自定义函数
def int2(x,base=2): #默认转化二进制
    return int(x,base)

#使用偏函数
import functools
int2 = functools.partial(int, base=2) #实际上固定了int()函数的关键字参数base
int2('10010')
int2('10010', base=10)

max2 = functools.partial(max, 10) #10会作为*args的一部分自动加到左边
max2(5, 6, 7) #相当于max2(10,5, 6, 7)