Python高级特性

参考原文

开篇：高级特性是用来简化我们常用操作的特性，合理利用高级特性可以使代码更简洁、明了。

切片

　　取list或tuple中的指定索引范围的操作，用循环十分繁琐，因此Python提供了切片（Slice）操作符，能大大简化这种操作。示例：

>>> L = ['a', 'b', 'c', 'd']
>>> L[0:3]
['a', 'b', 'c']

　　L[0:3]表示从索引0开始取，直到索引3为止，但不包括索引3，即索引0,1,2正好3个元素。如果第一个索引是0，还可以省略：

>>> L[:3]
['a', 'b', 'c']

　　还可以倒着取，记住倒数第一个数的索引是-1：

>>> L[-1:]
['d']
>>> L[-2:-1]
['c']

>>> L = list(range(100))
>>> L[:10:2]
[0, 2, 4, 6, 8]
>>> L[:]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99]
>>>

　　tuple也是一种list，区别是不可变，因此tuple也可以切片，结果依然是tuple：

>>> (0, 1, 2, 3, 4)[:3]
(0, 1, 2)

　　字符串也可以看成一种list，每个元素就是一个字符，在很多编程语言中针对字符串提供了很多的截取函数（如substring），其实目的就是对字符串切片。在Python中没有针对字符串的截取函数，只需切片：

>>> 'ABCDEFGH'[::3]
'ADG

迭代

　　对于一个list或tuple，我们可以通过for循环来遍历这个list或tuple，这种遍历我们称为迭代（Iteration）。在Python中，迭代是通过for ... in来完成的，而很多语言如C语言，迭代list是通过下标完成的：

for (i=0;i<list.length;i++){
    n = list[i];
}

　　可以看出，Python的for循环抽象程度要高于C的for循环，因为Python的for循环不仅可以用在list或tuple上，还可以作用在其他可迭代的对象上，如迭代dict：

>>> d = {'a': 1, 'b': 2, 'c': 3}
>>> for key in d:
    print(key)

    
a
b
c

注：默认情况下，dict迭代的是key，如果要迭代value，可以用for value in d.values(),如果要同时迭代key和value，可以用for k,v in d.items()。

　　由于字符串也是可迭代对象，因此，也可以用作for循环：

>>> for ch in 'ABC':
    print(ch)

    
A
B
C

　　所以怎么判断一个对象是可迭代对象呢？方法是通过collections模块的Iterable类型判断：

from collections import Iterable
print(isinstance('abc',Iterable)) # str是否可迭代 True
print(isinstance([1,2,3],Iterable)) # lis是否可迭代 True
print(isinstance(123,Iterable))  #整数是否可以迭代 False

　　如果要对list实现类似Java那样的下标怎么办？Python内置的enumerate函数可以把list变成索引-元素对：

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

    
0 a
1 b
2 c

　　在for循环里还可以引用多个变量，这在Python里是很常见的：

>>> for x, y, z in[(1,2,3),(3,4,5)]:
    print(x, y, z)

    
1 2 3
3 4 5

Tips: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

列表生成式

　　列表生成式（List Comprehensions）是Python内置的非常简单却强大的可以用来创建list的生成式。

问题：怎么生成[1x1, 2x2, 3x3, ..., 10x10]?

你可以使用循环：

>>> L = []
>>> for x in range(1, 11):
    L.append(x * x)

    
>>> L
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

但是使用循环难免显得太繁琐，而列表生成式可以用一行语句代替循环生成上面的list：

>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

还可以在for循环后面加上if判断用于筛选：

>>> [x * x for x in range(1,11) if x % 2 == 0]
[4, 16, 36, 64, 100]

由于for循环可以使用多个变量，所以列表生成式也可以用多个变量来生成list：

>>> d = {'x': 'A', 'y': 'B', 'z': 'C'}
>>> [k + '=' + v for k, v in d.items()]
['x=A', 'y=B', 'z=C']

Tips:运用列表生成式，可以快速生成list，也可以通过一个list推导出另一个list，而代码却十分简洁。

生成器

　　上面介绍了列表生成式，通过它我们可以直接创建一个列表，但是如果我们创建了一个包含100万个元素的列表，我们却仅仅需要访问前面几个元素，这不就使得后面元素占用的内存空间白白浪费了吗？

　　所以，如果列表元素可以按照某种算法推算出来，在循环的过程中不断推算出后续的元素，这样就不必在一开始就创建完整的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。那么怎么创建一个generator呢？

　　1.可以把列表生成式的[]改成(),就创建出了一个generator：

>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x0000018EBFF0F308>

我们知道可以直接打印出list的每一个元素，但我们怎么打印出generator中的每一元素呢？通过它的定义，我们知道应该在循环的过程中，不断获取下一个元素。通过next() 函数可以获得generator的下一个返回值：

>>> next(g)
0
>>> next(g)
1

若要获取generator中的所有元素，可以使用for 循环，因为generator也是可迭代对象：

>>> g = (x * x for x in range(10))
>>> for n in g:
    print(n)

    
0
1
4
9
16
25
36
49
64
81

　　2.在介绍第2中方法前，我们先来谈一谈斐波那契数列（除第一，二两数外，任意一个数等于前两个数相加），我们应该能写出函数：

>>> def fib(max):
    n, a, b, = 0, 0, 1
    while n < max:
        print(b)
        a, b = b, a + b
        n = n + 1
    return 'done'

上面的函数可以输出斐波那契数列数列的前N个数：

>>> fib(6)
1
1
2
3
5
8
'done'

　　我们认真观察可以发现fib函数实际上是定义了斐波那契数列的推算规则（从第一个元素开始，推算出后面的元素），这种逻辑不正是generator的思想吗？我们只需要做一个小小的改动，就可以把上面的fib函数变成generator，只需把print(b)改成yield b 就可以了：

>>> def fib(max):
    n, a, b, = 0, 0, 1
    while n < max:
        yield b
        a, b = b, a + b
        n = 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的函数，而是一个generator：

>>> f = fib(6)
>>> f
<generator object fib at 0x0000018EBFF0F308>
>>> for n in fib(6):
    print(n)

    
1
1
2
3
5
8

但这样就拿不到generator的return 语句的返回值。如果想要拿到返回值，就必须捕获StopIteration错误，返回值包含在StopIteration 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

    
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
Generator return value: done

Tips:generator和函数的执行流程不一样。函数时顺序执行，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，再执行时从yield语句处继续执行。

迭代器

　　我们已经知道能作用于for循环的对象都是可迭代对象：Iterable。数据类型可以分为集合数据类型：如list、tuple、dict、set、str等；另一类是generator：包括生成器和带yield的generator的函数。

　　迭代器（Iterator）：可以被next（）函数调用并不断返回下一个值的对象。可以使用isinstance（）判断一个对象是否是Iterator对象：

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

可以发现生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。可以用iter（）函数使这项Iterable 变成Iterator：

>>> isinstance(iter([]),Iterator)
True

　　思考：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，我们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。所以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。

Tips: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，表示一个惰性计算的序列；集合数据类型如list、dict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循环本质上就是不断通过调用next（）函数实现的。