一、Python函数剖析
1、函数的调用顺序
#!/usr/bin/env python
# -*- coding:utf-8 -*-
#-Author-Lian
#函数错误的调用方式
def func(): #定义函数func()
print("in the func")
foo() #调用函数foo()
func() #执行函数func()
def foo(): #定义函数foo()
print("in the foo")
###########打印输出########### #报错:函数foo没有定义
#NameError: name 'foo' is not defined
#函数正确的调用方式
def func(): #定义函数func()
print("in the func")
foo() #调用函数foo()
def foo(): #定义函数foo()
print("in the foo")
func() #执行函数func()
###########打印输出###########
#in the func
#in the foo
总结：被调用函数要在执行之前被定义
2、高阶函数
满足下列条件之一就可成函数为高阶函数
-
某一函数当做参数传入另一个函数中
-
函数的返回值包含一个或多个函数
刚才调用顺序中的函数稍作修改就是一个高阶函数
#高阶函数
def func(): #定义函数func()
print("in the func")
return foo() #调用函数foo()
def foo(): #定义函数foo()
print("in the foo")
return 100
res = func() #执行函数func()
print(res) #打印函数返回值
###########打印输出###########
#in the func
#in the foo
#100
从上面的程序得知函数func的返回值为函数foo的返回值，如果foo不定义返回值的话，func的返回值默认为None；
下面我来看看更复杂的高阶函数：
#更复杂的高阶函数
import time #调用模块time
def bar():
time.sleep(1)
print("in the bar")
def foo(func):
start_time=time.time()
func()
end_time=time.time()
print("func runing time is %s"%(end_time-start_time))
foo(bar)
###########打印输出###########
#in the bar
#func runing time is 1.0000572204589844
其实上面这段代码已经实现了装饰器一些功能，即在不修改bar()代码的情况下，给bar()添加了功能；但是改变了bar()调用方式
下面我们对上面的code进行下修改，不改变bar()调用方式的情况下进行功能添加
#更复杂的高阶函数,不改变调用方式
import time #调用模块time
def bar():
time.sleep(1)
print("in the bar")
def foo(func):
start_time=time.time()
print("in the foo")
return func #返回bar函数的内存地址
end_time=time.time()
print("func runing time is %s"%(end_time-start_time))
bar = foo(bar) #bar重新赋值
bar()
###########打印输出###########
#in the foo
#in the bar
我们没有对bar()源码进行过修改，也没有改变bar()的调用方式，当执行bar()函数时，多加了一些功能，装饰器的一些雏形已经呈现；但是我们又发现之前添加的计算bar()执行时间的功能没有打印出来，return执行后函数就结束了。
3、内嵌函数和作用域
定义：在一个函数体内创建另外一个函数，这种函数就叫内嵌函数(基于python支持静态嵌套域)
#内嵌函数示例
def foo():
print("in the foo")
def bar():
print("in the bar")
bar()
foo()
###########打印输出###########
#in the foo
#in the bar
嵌套函数有什么用呢？我们暂时先记住这个内容
局部作用域和全局作用域的访问顺序
#嵌套函数变量与全部变量
x = 0
def grandpa():
x=1
def dad():
x=2
def son():
x=3
print(x)
son()
dad()
grandpa()
print(x)
###########打印输出###########
# 3
# 0
注：内嵌函数中定义的函数在全局中是无法直接执行的
4、装饰器
定义：本质是函数（装饰其他函数），为其他函数添加附加功能的。
遵循原则:①不能修改被装饰函数的源代码
②不能修改被装饰函数的调用方式
组成：装饰器由高阶函数+内嵌函数组成
之前说了那么多其实都是了给装饰器做铺垫，回到刚才高阶函数中最后一个示例，能不能给函数加上运算时间计算？
#!/usr/bin/env python
# -*- coding:utf-8 -*-
#-Author-Lian
#装饰器
import time
def timer(func):
def deco():
start_time=time.time()
func() #执行形参func()
end_time=time.time()
print("func runing time is %s"%(end_time-start_time))
return deco #返回函数deco的内存地址
def test1():
print("in the test1")
time.sleep(1)
test1 = timer(test1) #重新赋值test1 此时test1=deco的内存地址
test1() #执行test1
###########打印输出###########
#in the test1
#func runing time is 1.0000572204589844
现在我们已经实现了装饰器的功能，但是如果test1有形参的话，上面的代码就会报错了，下面我们对代码做下修改
#!/usr/bin/env python
# -*- coding:utf-8 -*-
#-Author-Lian
#装饰器
import time
def timer(func):
def deco(*args,**kwargs):
start_time=time.time()
func(*args,**kwargs) #执行形参func()
end_time=time.time()
print("func runing time is %s"%(end_time-start_time))
return deco #返回函数deco的内存地址
@timer #test1 = timer(test1) test1=deco
def test1(name):
print("in the test1 name %s"%name)
time.sleep(1)
test1("lzl") #执行test1
###########打印输出###########
#in the test1
#func runing time is 1.0000572204589844
上面的代码是不是觉得很完美了，呵呵，假如test1()有return返回值怎么办？你会发现最后执行test1返回值丢失了，所以要对上面的代码再完善一下了。
#!/usr/bin/env python
# -*- coding:utf-8 -*-
#-Author-Lian
#装饰器
import time
def timer(func):
def deco(*args,**kwargs):
start_time=time.time()
res = func(*args,**kwargs) #执行形参func()
end_time=time.time()
print("func runing time is %s"%(end_time-start_time))
return res
return deco #返回函数deco的内存地址
@timer #test1 = timer(test1) test1=deco
def test1(name):
print("in the test1 name %s"%name)
time.sleep(1)
return "return form test1"
print(test1("lzl")) #执行test1
###########打印输出###########
#in the test1
#func runing time is 1.0000572204589844
#return form test1
好了现在我们探讨一个问题，函数可以被多个装饰器装饰吗？！
#!/usr/bin/env python
# -*- coding:utf-8 -*-
#-Author-Lian
#函数用多个装饰器
def w1(func):
def inner(*args, **kwargs):
print("in the w1")
return func(*args, **kwargs)
return inner
def w2(func):
def inner(*args, **kwargs):
print("in the w2")
return func(*args, **kwargs)
return inner
@w1
@w2
def f1(*args, **kwargs):
print("in the f1")
f1()
###########打印输出###########
#in the w1
#in the w2
#in the f1
终极版装饰器来了......
#!/usr/bin/env python
# -*- coding:utf-8 -*-
#-Author-Lian
#终极版装饰器
def Before(*args, **kwargs):
print("before")
def After(*args, **kwargs):
print("after")
def Filter(before_func, after_func):
def outer(main_func):
def wrapper(*args, **kwargs):
before_result = before_func(*args, **kwargs)
if (before_result != None):
return before_result
main_result = main_func(*args, **kwargs)
if (main_result != None):
return main_result
after_result = after_func(*args, **kwargs)
if (after_result != None):
return after_result
return wrapper
return outer
@Filter(Before, After) #Filter(Before,After)=outer Index=outer(Index)=wrapper
def Index(*args, **kwargs):
print("index")
Index() #Index() = wrapper()
###########打印输出###########
#before
#index
#after
5、生成器
学习生成器之前，我们先来看看什么是列表生成式
#列表生成式 b = [ i*2 for i in range(10)] print(b) ###########打印输出########### #[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
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，还需要花费很长时间，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，这种调用时才会生成相应数据的机制，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()，就创建了一个生成器
#生成器 l = [ i*2 for i in range(10)] print(l) g = (i*2 for i in range(10)) print(g) ###########打印输出########### #[0, 2, 4, 6, 8, 10, 12, 14, 16, 18] #<generator object <genexpr> at 0x0064AAE0>
print(g) 打印出来的信息显示g是一个生成器，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
#生成器next打印 print(next(g)) #......... 不断next 打印10次 #.......... print(next(g)) ###########打印输出########### #0 #........ #18 #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。
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，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for调用
g = (i*2 for i in range(10)) #不用担心出现StopIteration错误
for i in g:
print(i)
###########打印输出###########
# 0
# 2
# 4
# 6
# 8
# 10
# 12
# 14
# 16
# 18
generator非常强大。如果推算的算法比较复杂，用列表生成式转换的生成器无法去实现时，我们还可以用函数来实现。比如，著名的斐波拉契数列（Fibonacci）
#函数表示斐波拉契数列
def fib(max):
n, a, b = 0, 0, 1
while n < max:
print(b)
a, b = b, a + b
n += 1
return 'done'
fib(5)
###########打印输出###########
# 1
# 1
# 2
# 3
# 5
仔细观察，可以看出，fib函数实际上是定义了斐波那契数列的推算规则，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，那我们能不能把上面的函数变成一个生成器呢？
#斐波拉契数列转换为generator
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'
print(type(fib(5))) #打印fib(5)的类型
for i in fib(5): #for循环去调用
print(i)
###########打印输出###########
# <class 'generator'>
# 1
# 1
# 2
# 3
# 5
要把fib函数变成generator，只需要把print(b)改为yield b就可以了，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
但是用for循环调用generator时，会发现拿不到generator的return语句的返回值，也就是return的值没有打印出来，现在我们来看看怎么去打印generator的返回值
#!/usr/bin/env python
# -*- coding:utf-8 -*-
#-Author-Lian
#获取generator的返回值
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'
g = fib(5)
while True:
try:
x = next(g)
print( x)
except StopIteration as e:
print(e.value)
break
###########打印输出###########
# 1
# 1
# 2
# 3
# 5
# done
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，关于如何捕获错误，后面的错误处理还会详细讲解。
还可通过yield实现在单线程的情况下实现并发运算的效果
#!/usr/bin/env python
# -*- coding:utf-8 -*-
#-Author-Lian
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__() #c.__next__()等同于next(c)
c2.__next__()
print("老子开始准备做包子啦!")
for i in range(10):
time.sleep(1)
print("%s做了2个包子!"%(name))
c.send(i)
c2.send(i)
producer("lzl")
6、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2种：
-
集合数据类型，如
list、tuple、dict、set、str等； -
生成器，包括generator和带
yield的generator function；
定义：这些可以直接作用于for循环的对象统称为可迭代对象：Iterable
我们可以使用isinstance()去判断一个对象是否是Iterable对象
#可迭代对象
from collections import Iterable
print(isinstance([], Iterable))
# True
print(isinstance("abc", Iterable))
# True
print(isinstance((x for x in range(10)), Iterable))
# True
print(isinstance(100, Iterable))
# False
我们知道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
重点来了....*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
#迭代器对象
from collections import Iterator
print(isinstance([], Iterator))
# True
print(isinstance("abc", Iterator))
# False
print(isinstance((x for x in range(10)), Iterator))
# True
print(isinstance(100, Iterator))
# False
由上面可知，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
#可迭代对象转迭代器对象
print(isinstance(iter([]), Iterator))
# True
print(isinstance(iter("abc"), Iterator))
# True
你可能会问，为什么list、dict、str等数据类型是Iterable但不是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