Python学习心路历程-day4

时间  2019-11-09
标签 python 学习 心路 历程 day4 day 栏目 Python 繁體版
原文   原文链接

学习内容：python

1.装饰器算法

2.迭代器设计模式

3.生成器数据结构

1.装饰器                                                                                           app

原则：
一、不能修改被装饰函数的源代码。
二、不能修改被装饰函数的调用方式。
三、不能改变被装饰函数的执行结果。
装饰器对被装饰函数是透明的。函数

如何理解装饰器
一、函数即“变量”
二、高阶函数
a:把一个函数名做为实参传递给另一个函数(在不修改被装饰函数的状况下为其添加功能)
b:返回值中包含函数名(不修改函数的调用方式)
三、嵌套函数
在一个函数体内声明另外一个函数称为函数的嵌套学习

参考连接：http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/0014318435599930270c0381a3b44db991cd6d858064ac0000测试

装饰器（decorator）是一种高级的Python语法。装饰器能够对一个函数，方法或者类加工。spa

因为函数也是一个对象，并且函数对象能够被赋值给变量，因此，经过变量也能调用该函数。设计

>>> def now():
	print('2018-03-24')


>>> f = now()
2018-03-24
>>> f = now
>>> f()
2018-03-24
>>>

函数对象有一个__name__属性，能够拿到函数的名字：

>>> now.__name__
'now'
>>> f.__name__
'now'

如今，假设咱们要加强now()函数的功能。好比，在函数调用先后自动打印日志，可是又不但愿修改now()函数的定义，这种在代码运行期间动态增长功能的方式，就称之为：装饰器（decorator）。

本质上，decorator就是一个返回函数的高阶函数。因此，咱们要定义一个能打印日志的decorator，能够定义以下：

def log(func):
    def wrapper(*args, **kwargs):
        print("call %s():" % func.__name__)
        return func(*args, **kwargs)
    return wrapper

观察上面的log，由于它是一个decorator，因此接受一个函数做为参数，并返回一个函数。咱们要借助Python的@语法，吧decorator置于函数的定义处：

>>> @log   # 把这句放在这儿就至关于执行了 now = log(now)
def now():
	print("2018-03-24")

调用now()函数，不只会运行now()函数自己，还会运行now()函数前打印一行日志：

>>> now()
call now():
2018-03-24

把@log放在now()函数的定义处，就至关于执行了语句：

now = log( now )

因为log()是一个decorator，返回一个函数，因此，原来的now()函数仍然存在，只是如今同名的now变量指向了新的函数，因而调用now()将执行新函数，即在log()函数中返回的wrapper()函数。

若是decorator自己须要传入参数，那就须要编写一个返回decorator的高阶函数，写出来会更复杂。好比，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用法以下：

@log('execute')
def now():
    print('2018-03-24')

执行结果以下：

>>> now()
execute now():
2018-03-24

和两层嵌套的decorator相比，3层嵌套的效果是这样的：

>>> now = log('execute')(now)

咱们来剖析上面的语句，首先执行log('execute')，返回的是的decorator函数，在调用返回的函数，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。由于咱们讲了函数也是对象。它有__name__等属性，但你去看通过decorator装饰以后的函数，它们的__name__已经从原来的'now'变成了'wrapper'：

>>> now.__name__
'wrapper'

由于返回的那个wrapper()函数名字就是'wrapper'，因此，须要把原始函数的__name__等属性复制到wrapper()函数中，不然，有些依赖函数签名的代码执行就会出错。

不须要编写wrapper.__name__ = func.__name__这样的代码，Python内置functools.wraps就是干这个事的，因此，一个完整的decorator的写法以下：

import functools

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

@log("execute")
def now():
    print("2018-03-24")

now()

或者针对带参数的decorator：

import functools

def log(text):
    def decorator(func):
        @functools.wraps(func)
        def wrapper(*args, **kwargs):
            print("%s %s():" % (text, func.__name__))
            return func(*args, **kwargs)
        return wrapper
    return decorator

@log("execute")
def now():
    print("2018-03-34")

now()

import functools是导入functools模块。模块的概念稍候讲解。如今，只需记住在定义wrapper()的前面加上@functools.wraps(func)便可。

练习

请设计一个decorator，它可做用于任何函数上，并打印该函数的执行时间：

#!/user/bin/env python
# -*- coding: UTF-8 -*-
# Author: cs
import time, functools
def metric(fn):
    print('%s executed in %s ms' % (fn.__name__, 10.24))
    return fn
# 测试
@metric
def fast(x, y):
    time.sleep(0.0012)
    return x + y;

@metric
def slow(x, y, z):
    time.sleep(0.1234)
    return x * y * z;

f = fast(11, 22)
s = slow(11, 22, 33)
if f != 33:
    print('测试失败!')
elif s != 7986:
    print('测试失败!')
小结

在面向对象（OOP）的设计模式中，decorator被称为装饰模式。OOP的装饰模式须要经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能够用函数实现，也能够用类实现。

2.迭代器                                                                                          

迭代是Python最强大的功能之一，是访问集合元素的一种方式。

迭代器是一个能够记住遍历的位置的对象。

迭代器对象从集合等第一个元素开始访问，直到全部的元素被访问结束，迭代器只能往前不会后退。

迭代器有两个基本的方法：iter（）和next（）

字符串，列表或元组对象均可以用于建立迭代器。

迭代器的一大优势是不要求事先准备好整个迭代过程当中全部的元素。迭代器仅仅在迭代到某个元素时才计算该元素，而在这以前或以后，元素能够不存在或者被销毁。这个特色使得它特别适合用于遍历一些巨大的或是无限的集合，好比几个G的文件

特色：

  1. 访问者不须要关心迭代器内部的结构，仅需经过next()方法不断去取下一个内容
  2. 不能随机访问集合中的某个值 ，只能从头至尾依次访问
  3. 访问到一半时不能往回退
  4. 便于循环比较大的数据集合，节省内存
>>> list = [1,2,3,4]
>>> it = iter(list)　　# 建立迭代器对象
>>> print(next(it))　　# 输出迭代器的下一个元素
1
>>> print(next(it))
2

迭代器对象可使用常规for语句进行遍历：

list=[1,2,3,4]
it = iter(list)    # 建立迭代器对象
for x in it:
    print (x）

执行以上程序，输出结果以下：

1
2
3
4

也可使用 next() 函数：

复制代码
import sys         # 引入 sys 模块

list=[1,2,3,4]
it = iter(list)    # 建立迭代器对象

while True:
    try:
        print (next(it))
    except StopIteration:
        sys.exit()

执行以上程序，输出结果以下：

1
2
3
4

凡是可以用for循环遍历的数据结构和对象通通能够称为可迭代的，即Iterable。咱们如今接触到Iterable数据结构有list、tuple、dict、string、set，还有生成器generator。

可是，他们之间有什么区别呢？generator不但可使用for循环，还能够被next()函数不断调用并返回下一个值，直到返回StopIteration错误。

可以被next()函数不断调用并返回下一个值的对象称为迭代器Iterator。generator是Iterable，同时也是一个Iterator；而list、tuple、str、dict不是Iterator。

固然，能够经过isinstance()判断一个对象是否为Iterator。

>>> from collections import Iterator
>>> isinstance((x*x for x in range(10)), Iterator)
True
>>> isinstance([],Iterator)
False
>>> isinstance({},Iterator)
False
>>> isinstance("ABC",Iterator)
False

若是想让list、tuple、str、dict等Iterable对象转变成Iterator，用iter()函数可以让Iterable对象变为Iterator

>>> isinstance(iter("ABC"),Iterator)
True
>>> i = iter("ABC")
>>> next(i)
'A'
>>> next(i)
'B'
>>> next(i)
'C'

列表生成式

在讲到生成器以前咱们先来说一下列表生成式

列表生成式，顾名思义，就是用来生成列表的。之前咱们生成列表的时候，通常都是先定义一个list = [] ，再用for循环将元素一个一个append到list中。

简单列表的生成，可使用list(range(1,100))，那么若是须要生成[1*1,2*2,3*3....]呢？

>>> [x*x for x in range(10)]
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

同时，还能够添加一些更多的要素，判断使用符合要求的x参与计算。

>>> [x*x for x in range(10) if x%2==0]
[0, 4, 16, 36, 64]

使用多重循环还能够生成全排列

>>> [x+y for x in 'ABC' for y in 'LMN']
['AL', 'AM', 'AN', 'BL', 'BM', 'BN', 'CL', 'CM', 'CN']
>>>
>>> [x+y+z for x in 'ABC' for y in 'LMN' for z in 'OPQ' if z=='Q']
['ALQ', 'AMQ', 'ANQ', 'BLQ', 'BMQ', 'BNQ', 'CLQ', 'CMQ', 'CNQ']

3.生成器                                                                                          

经过列表生成器，咱们能够创造一个列表。可是，受到内存容量的限制，列表的容量确定是有限的，如若咱们只须要使用列表中的一部分，就不须要一会儿生成很大的列表，直接按需生成就行了，列表生成器就提供了这样的功能。

生成器至关因而一个生成列表元素的算法，有了这个算法，就不用一会儿生成不少元素了，只须要在须要的时候生成就能够了，节省了不少空间。在Python中，这种一边循环一遍计算的机制，称为：generator。

建立一个generator只须要把列表生成器的[]改为()就能够了。

>>> [x*x for x in range(10)]
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> (x*x for x in range(10))
<generator object <genexpr> at 0x00000259A50BD308>

获取generator里面的元素，可使用next()函数生成generator的下一个元素。

>>> g=(x*x for x in range(10))
>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
.
.
.
>>> next(g)
81
>>> next(g)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

一直调用next()函数就能够遍历generator的全部元素，直到抛出StopIteration错误。

可是最经常使用的固然仍是for循环，毕竟generator也是Iterator的对象。

>>> g=(x*x for x in range(5))
>>> for element in g:
...     print(element)
...
0
1
4
9
16

通常咱们建立一个generator后，基本上不会调用next()，而是经过for循环来迭代它，而且不须要关心StopIteration的错误。

有时候，推算元素的算法很复杂，并不能经过列表生成器实现，而须要经过函数打印出来，譬如菲波那切数列。

def fib(Max):
    n = 0
    a,b = 0,1
    while n < Max:
        print(b)
        a,b = b,a+b
        n = n + 1

fib(5)

结果：
1
1
2
3
5

在Python中，使用了yield的函数被称为生成器（generator）。

跟普通函数不一样的是，生成器是一个返回迭代器的函数，只能用于迭代操做，更简单点理解生成器就是一个迭代器。

在调用生成器运行的过程当中，每次遇到yield时函数会暂停并保存当前全部灯运行信息，返回yield的值。并在下一次执行next()方法时从当前位置继续运行。

#!/usr/bin/env python

def fib(Max):
    n = 0
    a,b = 0,1
    while n < Max:
        yield b
        a,b = b,a+b
        n = n + 1

g = fib(5)
print(next(g))
print(next(g))
for i in g:
    print(i)

结果：
1
1
2
3
5

在函数的执行过程当中，遇到return才会返回，可是变成了generator的函数，遇到了yield就会中断，而且返回yield的参数。

那么，遇到了yield就会中断并返回，咱们能不能经过yield传一些参数进去呢？

#!/usr/bin/env python

def fib(Max):
    n = 0
    a,b = 0,1
    while n < Max:
        e = yield b
        print(e)
        a,b = b,a+b
        n = n + 1

g = fib(5)
print(next(g))
print(next(g))
print(g.send("the third element"))
print(g.send("forth"))

结果：
1
None
1
the third element
2
forth
3

在上面的generator定义中，使用了e = yield b语句，这样遇到yield返回b的同时，还可以经过g.send(arg)传入一个参数赋值给e，这样，就能够经过generator进行参数传递了。

>>> def fib(Max):
...     n = 0
...     a,b = 0,1
...     while n < Max:
...         e = yield b
...         print(e)
...         a,b = b,a+b
...         n = n + 1
...
>>> g = fib(5)
>>> g.send("the first element")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: can't send non-None value to a just-started generator
>>> g.send(None)
1

注意，看上面的代码，为何会报错？说明启动一个generator的时候，只能传入None做为参数，而generator就至关于next(g)！

相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程