本节内容
- 匿名函数
- 装饰器
- 列表生成式、迭代器&生成器
- 内置函数
- Json & pickle 数据序列化
1. 匿名函数
匿名函数就是不需要显式的指定函数
|
1
2
3
4
5
6
7
8
|
#这段代码def calc(n): return n**nprint(calc(10))#换成匿名函数calc = lambda n:n**n #n为匿名函数的形参print(calc(10)) # calc（10）为匿名函数的调用方式 |
即匿名函数，不需要def的定义模式，直接用赋值符号+lambda就可以定义匿名函数。
匿名函数只能处理一些简单的运算，类似列表生成式和生成器。如果内部逻辑稍微复杂一点，就不能运行了，只能用正常函数定义了。
匿名函数主要是和其它函数搭配使用：
|
1
2
3
|
res = map(lambda x:x**2,[1,5,7,4,8])for i in res: print(i) |
输出
1
25
49
16
64
示例：
calc = lambda x ：x*3#虽然这是匿名函数，没有函数名，但感觉calc类似于函数名，x为形参，lambda≈def
calc(3) #如果calc约等于函数名，则调用时，也是用calc()
lambda x ：x*3 #这一部分叫做匿名函数。
2、装饰器
定义：装饰器本质就是函数。功能是装饰其他函数，就是为其他函数添加附加功能。又名：语法糖。
原则：
1、不能修改被装饰函数的源代码（使用场景：正在上线运行的程序，在不下线修改的前提下，增添新功能）
2、不能修改被装饰函数的调用方式（同上）
以上两点总结为一点：装饰器对被它装饰的函数是完全透明的，即该函数的使用者并不知道这个函数发生了改变。
示例：
import time
def timmer(func): #这个是装饰器
def warpper(*args,**kwargs): #*args和**kwargs是用来防止原函数被传递参数用的。
start_time=time.time()
func(args,kwargs)
stop_time=time.time()
print('the func run time is %s' %(stop_time-start_time))
return warpper
@timmer #装饰器的调用，@+装饰器名 @timmer和test1=timmer(test1)意义一样。
def test1(): #这是原函数
time.sleep(3)
print('in the test1')
@timmer # test2=timmer(test2)
def test2(name):
print('test2:',name)
test1()
test2('gavin') #其实此时的test2()=warpper(),所以如果原调用方式给原函数传递参数的话，需要在内嵌函数的里层函数中设置参数组*args，**kwargs。
最高级语法糖示例：
import time
user,passwd = 'gavin','abc123'
def auth(auth_type):
print("auth func:",auth_type)
def outer_wrapper(func): #装饰器的外层
def wrapper(*args, **kwargs): #装饰器的内层
print("wrapper func args:", *args, **kwargs)
if auth_type == "local":
username = input("Username:").strip()
password = input("Password:").strip()
if user == username and passwd == password:
print(" 33[32;1mUser has passed authentication 33[0m")
res = func(*args, **kwargs) #home【注意】：加了装饰器后，原函数调用相当于调用了装饰器内层，如果原函数需要返回值，需要在这把原函数返回值保存
print("---after authenticaion ")
return res #home【注意】：被保存的原函数执行结果，在内层函数的最后用return返回，这样就相当于返还给了原函数的调用地方。
else:
exit(" 33[31;1mInvalid username or password 33[0m")
elif auth_type == "ldap":
print("搞毛线ldap,不会。。。。")
return wrapper
return outer_wrapper
def index():
print("welcome to index page")
@auth(auth_type="local") # home = wrapper()
def home():
print("welcome to home page")
return "from home" #以home为例，这里home函数有返回值。
@auth(auth_type="ldap")
def bbs():
print("welcome to bbs page")
index()
print(home()) #wrapper() #【注意】：home函数的返回值，在这里被使用。所以需要在装饰器的内层的结尾处加入return函数。
bbs()
实现装饰器知识储备：
1、函数即“变量”
2、高阶函数
3、嵌套函数
高阶函数 + 嵌套函数 => 装饰器
1、函数即"变量"
x=1 #变量名为x，在内存中对应的数据为1
def test(): #这是函数的定义式
pass
所以函数即“变量”类似于
test = ‘函数体’ #就是‘函数体’是在内存空间的数据，函数名test是函数体的门牌号。
python的内存回收机制是解释器做的，有一个叫做‘引用计数’的概念。即统计某个内存中的值被引用的次数。
当引用计数值为0时，即某个内存中对应的数据没有对应的“门牌号”时，内存回收机制就会把对应内存数据清空。
x = 1
del x #这个del删除的不是内存地址中的1，而是删除了x这个门牌号。内存中的1是python自带的内存回收机制中的‘引用计数’刷新时，发现1这个内存数据没有引用，被内存回收机制清除的。
2、高阶函数
满足下面两个条件之一就可以称之为高阶函数：
1）把一个函数名当做实参传递给另外一个函数。（在不修改被装饰函数源代码的情况下，为其增加新的功能）
2）返回值中包含函数名（不改变被修饰函数的调用方式）
3、嵌套函数
定义：在一个函数体内再用def 去定义另外一个函数。如果在一个函数体内，没用def 声明新的函数，只是调用了其他的函数，不叫做函数的嵌套。
局部作用域和全局作用域的访问顺序
|
1
2
3
4
5
6
7
8
9
10
11
|
x=0def grandpa(): # x=1 def dad(): x=2 def son(): x=3 print x son() dad()grandpa()
|
3.列表生成式，迭代器&生成器
列表生成式
现在有个需求，看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],要求把列表里的每个值加1
>>> a = [i+1 for i in range(10)] >>> a [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
[i+1 for i in range(10)]，这就叫做列表生成式。还可以这么写
[func(i) for i in range(10)] #每次for循环后把临时变量i都传递给func（i）这个函数，这个函数执行后把结果返回到这个列表里作为其中的一个元素。
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【定义】。
生成器的特点：
1、只有在调用的时候才会生成相应的数据。
2、只记录当前位置
3、只有一个__next__()方法（在Py 3.x中是前面的写法）
生成器的生成方法1：
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：
|
1
2
3
4
5
6
|
>>> 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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
>>> 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。
列表和生成器的区别：
列表支持下标引用
生成器不支持任何的下标引用和切片，无论下标是否被生成器曾经生成过。
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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
>>> g = (x * x for x in range(10))>>> for n in g:... print(n)...0149162536496481 |
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。
生成器的生成方法2：
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：
|
1
2
3
4
5
6
7
|
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：
|
1
|
a, b = b, a + b |
相当于：
|
1
2
3
|
t = (b, a + b) # t是一个tuplea = 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：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
>>> fib(10)11235813213455done |
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:
#print(b)
yield b
a,b = b,a+b
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。
data = fib(10)
print(data)
print(data.__next__())
print(data.__next__())
print("干点别的事")
print(data.__next__())
print(data.__next__())
print(data.__next__())
print(data.__next__())
print(data.__next__())
#输出
<generator object fib at 0x101be02b0>
1
1
干点别的事
2
3
5
8
13
在上面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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
>>> g = fib(6)>>> while True:... try:... x = next(g)... print('g:', x)... except StopIteration as e:... print('Generator return value:', e.value)... break...g: 1g: 1g: 2g: 3g: 5g: 8Generator return value: done |
上面例子中的函数作用：
yield作用是保存了程序的中断状态，并且返回了生成器当前状态的值。
__next__()或next()的作用是只调用yield但不传值。
send()的作用是调用yield同时给yield传值。（这个函数在下面的例子中被使用）
还可通过yield实现在单线程的情况下实现并发运算的效果
import time
def consumer(name):
print("%s 准备吃包子啦!" %name)
while True:
baozi = yield
print("包子[%s]来了,被[%s]吃了!" %(baozi,name))
def producer(name):
c = consumer('A')
c2 = consumer('B')
c.__next__()
c2.__next__()
print("老子开始准备做包子啦!")
for i in range(10):
time.sleep(1)
print("做了2个包子!")
c.send(i)
c2.send(i)
producer("gavin")
上述这种程序是异步I/O的雏形，原理是在单个线程内，多个函数或功能之间快速的互相切换，给人的感觉就是多个功能或过程并发运行。
这种方式我们称之为协程，它是存在于单线程内。
【注意】：
c = consumer('A')
c2 = consumer('B')
如果consumer是函数，这两句话就是调用函数。函数会直接运行到底并返回结果。但如果consumer是生成器，这两句话只是定义生成器，函数不会运行任何一段代码。此时需要send（）或者是next（）函数进行调用。
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：
|
1
2
3
4
5
6
7
8
9
10
11
|
>>> 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。
【注意迭代器和可迭代对象的定义区别】：
可以直接作用于for循环的对象统称为可迭代对象：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。
对一个对象a使用dir方法（即dir（a）），就可以看a的所有可以使用的方法。
可以使用isinstance()判断一个对象是否是Iterator对象：
|
1
2
3
4
5
6
7
8
9
|
>>> 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 ：
|
1
2
3
4
|
>>> 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。
在Python 3.x 中range（10）也是一个迭代器。
同时文件句柄或者说是文件本身也是一个迭代器
Python的for循环本质上就是通过不断调用next()函数实现的，例如：
|
1
2
|
for x in range（6）: pass |
实际上完全等价于：
# 首先获得Iterator对象:
it = iter([0，1, 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
4. 内置函数
内置函数详解 https://docs.python.org/3/library/functions.html?highlight=built#ascii
#compile
f = open("函数递归.py")
data =compile(f.read(),'','exec')
exec(data)
#print
msg = "又回到最初的起点"
f = open("tofile","w")
print(msg,"记忆中你青涩的脸",sep="|",end="",file=f)
# #slice
# a = range(20)
# pattern = slice(3,8,2)
# for i in a[pattern]: #等于a[3:8:2]
# print(i)
#
#
#memoryview
#usage:
#>>> memoryview(b'abcd')
#<memory at 0x104069648>
#在进行切片并赋值数据时，不需要重新copy原列表数据，可以直接映射原数据内存，
import time
for n in (100000, 200000, 300000, 400000):
data = b'x'*n
start = time.time()
b = data
while b:
b = b[1:]
print('bytes', n, time.time()-start)
for n in (100000, 200000, 300000, 400000):
data = b'x'*n
start = time.time()
b = memoryview(data)
while b:
b = b[1:]
print('memoryview', n, time.time()-start)
5.Json & pickle 数据序列化
参考 http://www.cnblogs.com/alex3714/articles/5161349.html
用于序列化的两个模块
- json，用于字符串 和 python数据类型间进行转换
- pickle，用于python特有的类型 和 python的数据类型间进行转换
Json模块提供了四个功能：dumps、dump、loads、load
pickle模块提供了四个功能：dumps、dump、loads、load
