Python入门教程[6]-高级特性

王 茂南
王 茂南
王 茂南
2827
文章
75
评论
2018年3月10日06:36:31
评论 10171字阅读33分54秒
摘要这一篇文章会讲python的一些高级特性，这些特性会对编程的简洁性有所提高。我个人是很喜欢使用列表解析的。

切片

切片用于获取一个序列（列表或元组）或者字符串的一部份，返回一个新的序列或者字符串，使用方法是中括号中指定一个列表的开始下标与结束下标，用冒号隔开，切片在之前讲解字符串的时候有介绍过，不只是字符串，列表或元组使用切片也非常常见。

  1. list = ['0','1','2','3','4','5']
  2. list[1:3]
  3. >> ['1','2']
  4. list[2:] #省略end截取到最后
  5. >> ['2','3','4','5']
  6. list[:2] #省略start默认为０
  7. >> ['0','1']

同时, 有的时候我们会遇到双冒号的用法, 具体可以看这个链接, Python中(双冒号)的用法

这个时候写完整其实就是[开始: 结束: 一步]，因为开始和结束可以省略, 所以最后的结果就是双冒号。a[::3]步长为3取值, 我们看下面一个简单的例子.

  1. ['0','1','2','3','4','5','6'][::2]
  2. >> ['0', '2', '4', '6']

 

列表解析

这个方法我个人觉得是很好的，给生成list提供了一种很便利的方法。我们可以直接看下面的例子。

list = ['0','1','2','3','4','5']
['0'+i for i in list] #这个是给每个字符串前面加上０
>> ['00', '01', '02', '03', '04', '05']

列表解析可以写的很复杂，可以有双重循环同时加上判断语句。

  1. # 打印出query中的词汇出现在title中的位置
  2. test_query = [1,2,3]
  3. test_title = [4,2,3,2]
  4. [i for y in test_query for i,x in enumerate(test_title) if x==y]
  5. """
  6. [1, 3, 2]
  7. """

除了上面的循环的嵌套之外, 我们还可以使用if else. 我们看一下下面这个简单的例子.

  1. test = [1,2,3,3,4,5]
  2. [i if i in [1,2] else 0 for i in test]

最终的显示结果如下所示:

Python入门教程[6]-高级特性

我们还可以在列表解析中使用双重的循环，这里需要注意循环的顺序：

  1. [[i, j] for i in range(4) for j in range(i)]

最终的效果如下所示：

Python入门教程[6]-高级特性

lambda匿名函数与Map的使用

匿名函数就是有的时候我们不想要给这个函数一个明确的函数名，就可以这么使用。我们看一下下面的例子，匿名函数和map与filter合在一起的使用方法。

  1. list = [1,2,3,4,5]
  2. f = filter(lambda x: x%2==0,list) #返回符合条件的元素,类似于mathematica中的select
  3. m = map(lambda x:x*x,list) #对列表list每个元素进行平方操作
  4. for i in f:
  5.     print(i)
  6. >> 2,4
  7. for i in m:
  8.     print(i)
  9. >> 1,4,9,16,25

 

Python中Reduce的使用

关于reduce的功能, 有点类似于迭代的感觉. 他的大致工作流程如下所示:

Working : 

  • At first step, first two elements of sequence are picked and the result is obtained.
  • Next step is to apply the same function to the previously attained result and the number just succeeding the second element and the result is again stored.
  • This process continues till no more elements are left in the container.
  • The final returned result is returned and printed on console.

我们举一个简单的小例子来说明他是如何工作的. 比如说我们要对[1,2,3,4]进行求和, 他的步骤就是:

  • 首先从[1,2,3,4]中拿出1和2, 进行求和1+2=3
  • 接着将上面得到的结果3与后面的3接着求和, 3+3=6
  • 最后将6与4求和, 得到4+6=10

下面我们看一个python的例子, 还是使用上面求和的例子来进行说明:

  1. import functools
  3. test = [1,2,3,4,5]
  4. functools.reduce(lambda x,y:x+y, test)
  5. >> 15

那么这个用法在实际使用的时候, 会有什么时候用到呢. 比如说在pandas中, 有一个操作是merge, 就是可以将两个dataframe按照相同的列进行合并. 但是如果我们有多个需要合并, 这个时候就可以使用reduce来进行操作了.

我们现在有如下的三种表:

  1. left = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
  2.                      'A': ['A0', 'A1', 'A2', 'A3'],
  3.                      'B': ['B0', 'B1', 'B2', 'B3']})
  5. middle = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
  6.                       'C': ['C0', 'C1', 'C2', 'C3'],
  7.                       'D': ['D0', 'D1', 'D2', 'D3']})
  9. right = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
  10.                       'E': ['E0', 'E1', 'E2', 'E3'],
  11.                       'F': ['F0', 'F1', 'F2', 'F3']})

显示结果如下所示:

Python入门教程[6]-高级特性

他们有一个共同的列是key, 所以我们可以按照key来进行合并. 但是pd.merge只能两个两个合并, 这个时候我们就可以使用merge来进行合并操作了.

  1. functools.reduce(lambda x,y: pd.merge(x,y,on='key'),[left,middle,right])

最终的结果如下所示, 完成了3个表的合并:

Python入门教程[6]-高级特性

参考资料: reduce() in Python

 

生成器

生成器是一个迭代器，不同的是，生成器只能被迭代一次，因为每次迭代的元素不是像列表元素一样，已经在内存中，而是你每迭代一次，它生成一个元素。

g = (x**x for x in range(1,3))
for x in g:
    print(x)
>> 1,4
for x in g:
    print(x)
>> #没有输出,再次运行生成器是不会有输出的

使用生成器有什么好处呢？因为生成器不是把所有元素存在内存，而是动态生成的，所以当你要迭代的对象有非常多的元素时，使用生成器能为你节约很多内存，这是一个内存友好的特性。

 

yield

yield 的使用方法和return类似。不同的是return可以返回有效的Python对象，而yield返回的是一个生成器，函数碰到return就直接返回了，使用了yield的函数，到yield返回一个元素，当再次迭代生成器时，会从yield后面继续执行，直到遇到下一个yield或者函数结束退出。

下面我们看一斐波那契数列的例子:

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

f = fib(10)
for i in f:
    print(i)
>> 1,1,2,3,5,8,13,21,34,55

 

装饰器

装饰器可以为函数添加额外的功能而不影响函数的主体功能。在 Python 中，函数是第一等公民，也就是说，函数可以做为参数传递给另外一个函数，一个函数可以将另一函数作为返回值，这就是装饰器实现的基础。装饰器本质上是一个函数，它接受一个函数作为参数，返回值也是一个函数。这部分内容参考自，如何理解Python装饰器？

我们从一个简单的例子开始看起，现在我们有一个函数，里面只有打印的功能：

  1. def foo():
  2.     print('i am foo')

现在我们有一个新的需求，希望可以添加日志记录，于是我们可以在代码中添加日志代码

  1. import logging
  2. logging.basicConfig(level=logging.DEBUG)
  4. def foo():
  5.     print('i am foo')
  6.     logging.info('foo is running')

但是如果有多个函数都希望添加日志的功能，这个时候如果每个函数里面都写一行 logging 的代码，就会造成大量雷同的代码。所以为了减少代码的重复，我们可以重新定义一个函数，专门处理日志，日志处理完毕之后再执行真正的业务代码。于是我们的代码就可以写成下面的样子：

  1. def use_logging(func):
  2.     logging.info("{} is running".format(func.__name__))
  3.     return func()
  5. def foo():
  6.     print('i am foo')
  8. if __name__ == "__main__":
  9.     use_logging(foo)

我们将要执行的函数作为参数传给 use_logging 函数，先完成 use_logging 的功能，再执行本来函数的功能。

但是这样的作法会破坏原有代码的逻辑结构。之前执行业务逻辑的时，可以直接调用 foo 函数，但是现在使用的时候需要改成 use_logging(foo) 的方式。那么有什么更好的方式呢，答案就是使用装饰器。

预备知识-函数嵌套

在介绍装饰器之前，我们先看两个预备的知识。首先是函数的嵌套，及一个函数里面嵌套另外一个函数。如下面例子所示：

  1. def foo2():
  2.     def foo22():
  3.         print('foo22')
  4.     return foo22()
  6. foo2()
  7. """
  8. foo22
  9. """

在调用 foo2 的时候，因为会 return foo22，这个时候就会调用 foo22 这个函数。

 

预备知识-函数带括号和不带括号的区别

  • 不带括号时，调用的是这个函数本身 ，是整个函数体，是一个函数对象，不需等该函数执行完成；
  • 带括号（此时必须传入需要的参数），调用的是函数的return结果，需要等待函数执行完成的结果；

下面看一个例子，可以更加理解这两者的区别：

  1. def foo2():
  2.     def foo22():
  3.         print('foo22')
  4.     return foo22()
  6. foo = foo2 # 当函数不带括号的时候，直接赋值
  8. print(foo.__name__)
  9. """
  10. foo2
  11. """
  13. foo()
  14. """
  15. foo22
  16. """

 

简单的装饰器

我们可以使用下面的方式定义 use_logging。他会把 foo 函数包裹在里面。看起来就像 foo 被 use_logging 装饰了。@ 符号是装饰器的语法糖，在定义函数的时候使用，避免再一次的赋值操作，就像下面，foo=use_logging(foo)，就是再一次的赋值操作。

  1. def use_logging(func):
  3.     def wrapper(*args, **kwargs):
  4.         logging.info("{} is running".format(func.__name__))
  5.         return func(*args, **kwargs)
  7.     return wrapper
  9. def foo():
  10.     print('i am foo')
  12. if __name__ == "__main__":
  13.     foo = use_logging(foo)
  14.     foo()

所以，我们把上面的代码，使用 @ 来重新写一下。这个时候就可以省去 foo=use_logging(foo) 这一句了。可以直接调用 foo 函数得到我们想要的结果。上面的 use_logging 。如果有其他函数也需要类似的功能，可以直接使用装饰器来修饰函数，不需要重复进行封装。

  1. def use_logging(func):
  3.     def wrapper(*args, **kwargs):
  4.         logging.info("{} is running".format(func.__name__))
  5.         return func(*args, **kwargs)
  7.     return wrapper
  9. @use_logging
  10. def foo():
  11.     print('i am foo')
  13. if __name__ == "__main__":
  14.     foo()

在上面的例子中，*arg，**kwargs是 python 中函数的可变参数。

  • *args 表示任何多个无名参数，返回一个元组；
  • **kwargs表示关键字参数，返回一个字典。

这两个组合表示了函数的所有参数。如果同时使用时 *args 参数列要在 **kwargs 前。总之就是记住，这两个组合表示了函数的所有参数。下面可以看一下*arg，**kwargs的例子：

  1. def foo(*args, **kwargs):
  2.     print('args = ', args)
  3.     print('kwargs = ', kwargs)
  4.     print('---------------------------------------')
  6. if __name__ == '__main__':
  7.     foo(1, 2, 3, 4)
  8.     foo(a = 1, b = 2, c = 3)
  9.     foo(1, 2, 3, 4, a = 1, b = 2, c = 3)
  10.     foo('a', 1, None, a = 1, b = '2', c = 3)

他的输出结果如下所示：

Python入门教程[6]-高级特性

 

带参数的装饰器

装饰器还可以有更大的灵活性，例如可以使用带参数的装饰器。装饰器的语法允许我们在调用的时候，提供其他的参数，例如 @decorator(a)。下面看一个使用带参数的装饰器，控制 logging 的等级，是info 还是 warning。

  1. def use_logging(level):
  2.     def decorator(func):
  3.         def wrapper(*args, **kwargs):
  4.             if level == 'info':
  5.                 logging.info("{} is running".format(func.__name__))
  6.             elif level == 'warn':
  7.                 logging.warning("{} is running".format(func.__name__))
  8.             return func(*args, **kwargs)
  9.         return wrapper
  10.     return decorator # 返回的是一个装饰器
  12. @use_logging(level='info')
  13. def foo1():
  14.     print('i am foo1')
  16. @use_logging(level='warn')
  17. def foo2():
  18.     print('i am foo2')
  20. foo1()
  21. """
  22. INFO:root:foo1 is running
  23. i am foo1
  24. """
  26. foo2()
  27. """
  28. WARNING:root:foo2 is running
  29. i am foo2
  30. """

上面的 use_logging 是允许带参数的装饰器。他实际上是对原有装饰器的一个函数封装（可以和上面简单的装饰器做比较），并返回一个装饰器。当我们调用 use_logging(level='warning') 的时候，实际上 Python 会把这个参数传递到装饰器环境中，返回的装饰器就会根据参数不同实现不同的功能。

 

类装饰器

相比于函数装饰器，类装饰器具有更大的灵活度，高内聚等的优点。使用类装饰器，可以依靠类内的call方法（参考资料，Python 的 call 方法说明，关于这个需要记住，call方法可以把类实例当做函数调用），当使用 @ 形式将装饰器附加到函数上的时候，就会调用此方法。

  1. class Foo(object):
  2.     def __init__(self, func):
  3.         self._func = func
  5.     def __call__(self):
  6.         print('类内装饰器')
  7.         self._func()
  9. @Foo
  10. def foo():
  11.     print('I am foo')
  13. foo()

下面看一下带参数的类装饰器，可以对照着输出看一下运行的过程：

  1. # 带参数的类装饰器
  2. class Bar(object):
  3.     def __init__(self, level):
  4.         self.level = level
  5.         print('实例化 Bar 类.')
  7.     def __call__(self, func):
  8.         print('调用 __call__ 方法')
  9.         def wrapper():
  10.             print("Starting", func.__name__)
  11.             print("p1=", self.level)
  12.             func()
  13.             print("Ending", func.__name__)
  14.         return wrapper
  16. @Bar(level='level 1')
  17. def foo():
  18.     print('This is foo')
  20. foo()
  21. """
  22. 实例化 Bar 类.
  23. 调用 __call__ 方法
  24. Starting foo
  25. p1= level 1
  26. This is foo
  27. Ending foo
  28. """

 

装饰器的顺序

当有多个装饰器的时候：

  1. @a
  2. @b
  3. @c
  4. def f ():

这个时候装饰器的顺序如下所示：

  1. f = a(b(c(f)))

我们可以看一个例子：

  1. import logging
  2. logging.basicConfig(level=logging.DEBUG)
  5. def use_logging_01(func):
  6.     def wrapper(*args, **kwargs):
  7.         logging.info('This is 01')
  8.         return func(*args, **kwargs)
  9.     return wrapper
  11. def use_logging_02(func):
  12.     def wrapper(*args, **kwargs):
  13.         logging.info('This is 02')
  14.         return func(*args, **kwargs)
  15.     return wrapper
  17. def use_logging_03(func):
  18.     def wrapper(*args, **kwargs):
  19.         logging.info('This is 03')
  20.         return func(*args, **kwargs)
  21.     return wrapper
  23. @use_logging_01
  24. @use_logging_02
  25. @use_logging_03
  26. def foo():
  27.     print('foo')
  29. foo()

他的输出结果为，可以理解为先运行最外面的一层，逐渐向里面，最后运行里面的核心功能函数（这个好比穿衣服，装饰器就是穿在外面的衣服，会先运行外面的内容）：

Python入门教程[6]-高级特性

 

functools.wraps

使用装饰器可以极大的减少重复的代码，但是他有一个缺点就是原函数的元信息会不见。比如函数的 name，doc 或消失，先看下面的例子：

  1. def use_logging(func):
  2.     def wrapper(*args, **kwargs):
  3.         print('use logging')
  4.         return func(*args, **kwargs)
  5.     return wrapper
  7. @use_logging
  8. def foo():
  9.     """do something
  10.     """
  11.     print('This is foo')
  13. print(foo.__name__)
  14. """
  15. wrapper
  16. """
  18. print(foo.__doc__)
  19. """
  20. None
  21. """

可以看到 foo 函数被 wrapper 替代了。为了能保持原函数的元信息，我们使用 functools.wraps。它本身也是一个装饰器，可以将元信息拷贝到装饰器函数中，这样使得装饰器函数与原函数有一样的元信息。

  1. from functools import wraps
  3. def use_logging(func):
  4.     @wraps(func)
  5.     def wrapper(*args, **kwargs):
  6.         print('use logging')
  7.         return func(*args, **kwargs)
  8.     return wrapper
  10. @use_logging
  11. def foo():
  12.     """do something
  13.     """
  14.     print('This is foo')
  16. print(foo.__name__, foo.__doc__)
  17. """
  18. foo do something
  19. """

 

装饰器使用场景-计算函数运行时间

有的时候我们希望统计每一个函数的运行时间长度，这个可以使用装饰器来完成。

  1. import time
  2. from functools import wraps
  4. def time_calc(func):
  5.     @wraps(func)
  6.     def wrapper(*args, **kwargs):
  7.         start_time = time.time()
  8.         func_output = func(*args, **kwargs) # 在这里运行函数
  9.         exec_time = time.time() - start_time # 计算执行时间
  10.         print("func run time {}".format(exec_time))
  11.         return func_output
  12.     return wrapper
  14. @time_calc
  15. def time_test():
  16.     time.sleep(2)
  17.     return 'pass'
  19. print(time_test())
  20. """
  21. func run time 2.000715494155884
  22. pass
  23. """

这样相当于我们在运行函数的时候，会在外面包一层记录时间的过程。

 

装饰器使用场景-给函数打日志

同样，我们可以自动在函数运行的时候进行日志的记录。

  1. import logging
  2. logging.basicConfig(level=logging.DEBUG)
  3. from functools import wraps
  5. def use_logging(level):
  6.     def decorator(func):
  7.         @wraps(func)
  8.         def wrapper(*args, **kwargs):
  9.             if level == 'info':
  10.                 logging.info('{} is running'.format(func.__name__))
  11.             elif level == 'warning':
  12.                 logging.warning('{} is running'.format(func.__name__))
  13.             return func(*args, **kwargs)
  14.         return wrapper
  15.     return decorator
  17. @use_logging('info')
  18. def time_test():
  19.     return 'pass'

 

 

更多入门教程链接

关于更多入门教程, 可以通过下面的链接查看.

  • 微信公众号
  • 关注微信公众号
  • weinxin
  • QQ群
  • 我们的QQ群号
  • weinxin
王 茂南
  • 本文由 发表于 2018年3月10日06:36:31
  • 转载请务必保留本文链接：https://mathpretty.com/8957.html
匿名

发表评论

匿名网友 填写信息

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: