4.Python3标准库--算法

（一）functools：管理函数的工具

+ View Code

　　

1.修饰符

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

from functools import partial     ''' functools模块提供的主要工具就是partial类，可以用来包装一个有默认参数的callable对象。 得到的对象本身就是callable，可以把它看作是原来的参数。 '''     # 举个栗子 def foo(name, age, gender):     print(name, age, gender)     p = partial(foo, "mashiro", 16) p("female")  # mashiro 16 female ''' 可以看到p相当于是已经绑定了name和age的foo函数，name我们在传参的时候只需要传入一个gender就可以了 这个函数的源码实现比较复杂，但是如果以简单的装饰器的方式实现就很清晰了 '''     def my_partial(f, name, age):     def inner(gender):         return f(name, age, gender)     return inner     p = my_partial(foo, "satori", 16) p("female")  # satori 16 female ''' 可以看到，当我调用my_partial(foo, "satori", 16)的时候，返回了inner函数 此时的p相当于是inner，当我再调用p("female")的时候，等价于调用inner("female") 然后将两次传入的参数，按照顺序组合起来传递给foo函数，如果不限制参数的话就是： def my_partial(f, *args1, **kwargs1):     def inner(*args2, **kwargs2):         from collections import ChainMap         args = args1 + args2         kwargs = dict(ChainMap(kwargs1, kwargs2))         return f(*args, **kwargs)     return inner       所以一定要和原函数的参数顺序保持一致，如果我传入p = my_partial("mashiro", 16),此时"mashiro"会传给name，16传给age 我再调用p(name="xxx")的话，肯定会报错的 '''

　　

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

from functools import partial import functools     ''' 默认情况下，partial对象没有__name__属性的，如果没有这些属性，那么被修饰的函数会很难调试。 '''     def foo():     # fucking     pass     print(foo.__name__)  # foo p = partial(foo) try:     print(p.__name__) except AttributeError as e:     print(e)  # 'functools.partial' object has no attribute '__name__'     # 那么如何添加呢？首先增加到包装器的属性在WRAPPER_ASSIGNMENTS中定义，另外WRAPPER_UPDATES列出了要修改的值 print("assign:", functools.WRAPPER_ASSIGNMENTS)  # assign: ('__module__', '__name__', '__qualname__', '__doc__', '__annotations__') print("update:", functools.WRAPPER_UPDATES)  # update: ('__dict__',)   # 添加，表示从原函数将属性赋值或增加到partial对象 functools.update_wrapper(p, foo) print(p.__name__)  # foo

　　

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

from functools import partial     ''' 可以把partial看成是一个简单的装饰器，装饰器不仅可以装饰函数，还可以装饰类，只要是callable对象，说白了只要是能加上()的都可以 这就是Python的魅力，非常的动态。比如列表进行extend, 其实不仅仅可以extend一个列表,还可以是元组，甚至是字典，只要是iterable对象都可以。 '''     class A:     def __init__(self, name, age, gender):         self.name = name         self.age = age         self.gender = gender       def print_info(self):         print(f"name: {self.name}, age: {self.age}, gender: {self.gender}")     p = partial(A, "mashiro", 16) a = p("female")  # 这两步等价于 a = A("mashiro", 16, "female") a.print_info()  # name: mashiro, age: 16, gender: female

　　

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

from functools import partial, partialmethod     ''' partial返回一个可以直接使用的callable，partialmethod返回的callable则可以用做对象的非绑定方法 '''     # 举个例子 def standalone(self):     print(f"self = {self}")     class A:     method1 = partial(standalone)     method2 = partialmethod(standalone)     a = A() try:     a.method1() except TypeError as e:     # 由于standalone需要一个参数self，我们这里没有传，因此报错     print(e)  # standalone() missing 1 required positional argument: 'self'   # 但是我们调用method2呢？ a.method2()  # self = <__main__.A object at 0x0000000002964588> ''' 得到了一个A的实例对象。 所以，partial在哪里调用时没有区别的，必须手动显示地传递，该是几个就是几个。 但是在类中如果使用partialmethod定义的话，那么在使用实例(a)调用的话，会自动将实例传进去。 '''

　　

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

from functools import wraps     ''' 我们在知道在使用装饰器装饰完函数的时候，属性会变。比如： '''     def deco(func):     def inner(*args, **kwargs):         return func(*args, **kwargs)     return inner     @deco def foo():     pass     # 函数从下到下执行，加上@deco等价于，foo = deco(foo) = inner,也就是说此时的foo不再是foo了，已经是inner了 print(foo.__name__)  # inner # 那么如何在装饰的时候，还保证原来函数的信息呢     def deco(func):     @wraps(func)  # 只需要加上这一个装饰器即可，会自动对所修饰的函数应用update_wrapper     def inner(*args, **kwargs):         return func(*args, **kwargs)     return inner     @deco def bar():     pass     # 可以看到原来函数的信息并没有改变 print(bar.__name__)  # bar

　　

2.比较

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

import functools     ''' 在Python2中，类可以一个__cmp__()方法，它会根据这个对象小于、等于、或者大于所比较的元素而分别返回-1、0、1. Python2.1中引入了富比较(rich comparision)的方法。 如：__lt__(),__gt__(),__le__(),__eq__(),__ne__(),__gt__()和__ge__()，可以完成一个比较操作并返回一个bool值。 Python3已经废弃了__cmp__()方法。 另外，functools提供了一些工具，从而能更容易地编写符合新要求的类，即符合Python3中新的比较需求。 '''     @functools.total_ordering class A:     def __init__(self, val):         self.val = val       def __eq__(self, other):         return self.val == other.val       def __gt__(self, other):         return self.val > other.val     a1 = A(1) a2 = A(2) print(a1 < a2)   ''' 这个类必须提供__eq__()和另外一个富比较方法的实现，这个修饰符会自动增加其余的方法。 '''

　　

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

import functools   ''' 由于Python3废弃了老式的比较函数，sort()之类的函数中也不再支持cmp参数。 对于使用了比较函数的较老的程序，可以使用cmp_to_key()将比较函数转换为一个比对键的函数，这个键用于确定元素在最终序列中的位置 '''     def compare_obj(a, b):     if a < b:         return -1     elif a > b:         return 1     else:         return 0     l = [1, 5, 2, 11, 2, 44, 54, 5, 1]   print(sorted(l, key=functools.cmp_to_key(compare_obj)))  # [1, 1, 2, 2, 5, 5, 11, 44, 54]

　　

3.缓存

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

import functools   ''' lru_cache()修饰符将一个函数包装在一个"最近最少使用的"缓存中。函数的参数用来建立一个散列键，然后映射到这个结果。 后续调用如果有相同的参数，就会从这个缓存中获取值而不会再次调用这个函数。 这个修饰符还会为函数增加方法来检查缓存的状态(cache_info)和清空缓存(cache_clear) '''     @functools.lru_cache()  # 里面可以执行参数maxsize，默认是128 def foo(a, b):     print(f"foo({a} * {b})")     return a * b     print("第一次调用") for i in range(2):     for j in range(2):         foo(i, j) print(foo.cache_info())   print(" 第二次调用") for i in range(3):     for j in range(3):         foo(i, j) print(foo.cache_info())   print("清除缓存") foo.cache_clear() print(foo.cache_info())   print(" 第三次调用") for i in range(2):     for j in range(2):         foo(i, j) print(foo.cache_info()) ''' 第一次调用 foo(0 * 0) foo(0 * 1) foo(1 * 0) foo(1 * 1) CacheInfo(hits=0, misses=4, maxsize=128, currsize=4)   第二次调用 foo(0 * 2) foo(1 * 2) foo(2 * 0) foo(2 * 1) foo(2 * 2) CacheInfo(hits=4, misses=9, maxsize=128, currsize=9) 清除缓存 CacheInfo(hits=0, misses=0, maxsize=128, currsize=0)   第三次调用 foo(0 * 0) foo(0 * 1) foo(1 * 0) foo(1 * 1) CacheInfo(hits=0, misses=4, maxsize=128, currsize=4) ''' # 我们观察一下第二次调用，3 * 3应该是9次，为什么只有5次，因为第一次调用有4次执行过了，放到缓存里，因此不需要执行了

　　

4.reduce

1 2 3 4 5 6 7 8 9 10 11 12 13

import functools   ''' reduce这个函数无需介绍，在Python2中是内置的，但是在Python3中被移到functools下面 ''' l = range(100) print(functools.reduce(lambda x, y: x+y, l))  # 4950 print(functools.reduce(lambda x, y: x+y, l, 10))  # 4960 print(functools.reduce(lambda x, y: x+y, l, 100))  # 5050     l = [1, 2, 3, 4, 5] print(functools.reduce(lambda x, y: x*y, l))  # 120

　　

5.泛型函数

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

import functools   ''' 在类似Python的动态类型语言中，通常需要基于参数的类型完成稍有不同的操作，特别是在处理元素列表与单个元素的差别时。 直接检查参数的类型固然很简单，但是有些情况下，行为差异可能被隔离到单个的函数中。 对于这些情况，functools提供了singledispatch修饰符来注册一组泛型函数，可以根据函数第一个参数的类型自动切换 '''     @functools.singledispatch def myfunc(arg):     print(f"default myfunc {arg}")     @myfunc.register(int) def myfunc1(arg):     print(f"myfunc1 {arg}")     @myfunc.register(list) def myfunc2(arg):     print(f"myfunc2 {arg}")     myfunc("string")  # default myfunc string myfunc(123)  # myfunc1 123 myfunc(["1", "2"])  # myfunc2 ['1', '2'] ''' 可以看到使用signledispatch包装的是默认实现，在未指定其他类型特定函数的时候就用这个默认实现。 然后使用包装的函数这里是myfunc,通过register(数据类型)进行注册，根据所传参数的类型，从而执行对应的函数 '''

　　

（二）itertools：迭代器函数

1.合并和分解迭代器

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

import itertools     ''' chain函数可以接收多个可迭代对象(或者迭代器)作为参数，最后返回一个迭代器。 它会生成所有输入迭代器的内容，就好像这些内容来自一个迭代器一样。 类似于collections下的ChainMap，可以合并多个字典。chain可以合并多个可迭代对象 '''   c = itertools.chain([1, 2, 3], "abc", {"k1": "v1", "k2": "v2"}) print(c)  # <itertools.chain object at 0x00000000029745F8> for i in c:     print(i, end=" ")  # 1 2 3 a b c k1 k2   print() # 还可以使用chain.from_iterable,参数接收多个可迭代对象组成的一个可迭代对象 c = itertools.chain.from_iterable([[1, 2, 3], "abc", {"k1": "v1", "k2": "v2"}]) for i in c:     print(i, end=" ")  # 1 2 3 a b c k1 k2     # 函数zip则是把多个迭代器对象组合到一个元组中 name = ["古明地觉", "椎名真白", "雪之下雪乃"] where = ["东方地灵殿", "樱花张的宠物女孩", "春物"] z = zip(name, where) print(" ", z)  # <zip object at 0x0000000001DC03C8> print(list(z))  # [('古明地觉', '东方地灵殿'), ('椎名真白', '樱花张的宠物女孩'), ('雪之下雪乃', '春物')]   # zip英文意思是拉链，很形象，就是把对应元素给组合起来 # 但如果两者长度不一致怎么办？ name = ["古明地觉", "椎名真白", "雪之下雪乃", "xxx"] where = ["东方地灵殿", "樱花张的宠物女孩", "春物"] print(list(zip(name, where)))  # [('古明地觉', '东方地灵殿'), ('椎名真白', '樱花张的宠物女孩'), ('雪之下雪乃', '春物')] # 可以看到，不一致的时候，当一方结束之后就停止匹配。   # 如果想匹配长的，那么可以使用zip_longest,这个函数不像zip一样是内置的，它在itertools下面 print(list(itertools.zip_longest(name, where)))  # [('古明地觉', '东方地灵殿'), ('椎名真白', '樱花张的宠物女孩'), ('雪之下雪乃', '春物'), ('xxx', None)] # 可以看到没有的默认赋值为None了，当然我们也可以指定填充字符 print(list(itertools.zip_longest(name, where, fillvalue="你输入的是啥啊"))) # [('古明地觉', '东方地灵殿'), ('椎名真白', '樱花张的宠物女孩'), ('雪之下雪乃', '春物'), ('xxx', '你输入的是啥啊')]     # isslice返回一个迭代器，按照索引从迭代器返回所选择的元素 num = range(20) # 从index=5的地方选到index=10(不包含)的地方 s = itertools.islice(num, 5, 10) print(list(s))  # [5, 6, 7, 8, 9] #  从开头选到index=5的地方 s = itertools.islice(num, 5) print(list(s))  # [0, 1, 2, 3, 4] # 从index=5的地方选择到index=15的地方，步长为3 s = itertools.islice(num, 5, 15, 3) print(list(s))  # [5, 8, 11, 14] ''' 所以除了迭代器之外， 如果只传一个参数，比如5，表示从index=0选到index=5(不包含)的地方 如果传两个参数，比如5和10，表示从index=5选到index=10(不包含)的地方 如果传三个参数，比如5和10和2，表示从index=5选到index=10(不包含)的地方，步长为2 ''' # 那么支不支持负数索引呢？答案是不支持的，因为不知道迭代器有多长，除非全部读取，可是那样的话干嘛不直接转化为列表之后再用[:]这种形式呢？ # 之所以使用isslice这种形式，就是为了在不全部读取的情况下，也能选择出我们想要的部分，所以这种方式只支持从前往后，不能从后往前读。     # tee()函数根据一个原输入迭代器返回多个独立、和原迭代器一模一样的迭代器(默认为两个) r = [1, 2, 3, 4, 5] i1, i2 = itertools.tee(r) print(list(i1))  # [1, 2, 3, 4, 5] print(list(i2))  # [1, 2, 3, 4, 5]

　　

2.转换输入

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

import itertools     ''' 内置的map()函数返回一个迭代器，它对输入迭代器中的值调用一个函数并返回结果。 输入迭代中的元素全部被消费时，map()函数就会停止 ''' l = [1, 2, 3] map_l = map(lambda x: str(x)+"a", l) print(list(map_l))  # ['1a', '2a', '3a']   l1 = [(0, 5), (1, 6), (2, 7)] ''' 注意map里面的函数只能有一个参数，因此不可以写成以下格式 map_l1 = map(lambda x, y: x*y, l1) 但是可以这样 ''' map_l1 = map(lambda x: x[0]*x[1], l1) print(list(map_l1))  # [0, 6, 14]   # 但是itertools下的startmap()是支持的 l2 = [(1, 2, 3), (4, 5, 6), (7, 8, 9)] # 注意里面的函数的参数的参数个数是由我们后面传入对象决定的,这里每个元组显然有三个元素，所以需要三个参数 map_l1 = itertools.starmap(lambda x, y, z: f"{x} + {y} + {z} = {x+y+z}", l2) print(list(map_l1))  # ['1 + 2 + 3 = 6', '4 + 5 + 6 = 15', '7 + 8 + 9 = 24'] # map的话只能通过lambda x: x[0], x[1], x[2]这样的形式 # starmap只能对类似于[(), (), ()]这种值进行处理,比如[1, 2, 3]使用starmap是会报错的，但是[(1, ), (2, ), (3, )]不会报错

　　

3.生成新值

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

import itertools     ''' count(start=0, step=1)函数返回一个迭代器，该迭代器能够无限地生成连续的整数。 接收两个参数：起始（默认为0）和步长（默认为1） 等价于： def count(firstval=0, step=1):     x = firstval     while 1:         yield x         x += step '''   ''' cycle(iterable)返回一个迭代器，会无限重复里面的内容，直到内存耗尽 ''' c2 = itertools.cycle("abc") print(list(itertools.islice(c2, 0, 10)))  # ['a', 'b', 'c', 'a', 'b', 'c', 'a', 'b', 'c', 'a']     ''' repeat(obj, times=None),无限重复obj，除非指定times。 ''' print(list(itertools.repeat("abc", 3)))  # ['abc', 'abc', 'abc']

　　

4.过滤

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

import itertools   l = [1, 2, 3, 4, 5] drop_l = itertools.dropwhile(lambda x: x < 3, l) print(list(drop_l))  # [3, 4, 5] take_l = itertools.takewhile(lambda x: x < 3, l) print(list(take_l))  # [1, 2] filter_l = filter(lambda x: x < 3, l) print(list(filter_l))  # [1, 2] filterfalse_l = itertools.filterfalse(lambda x: x < 3, l) print(list(filterfalse_l))  # [3, 4, 5] ''' filter和takewhile一样，过滤出条件为True的值 filterfalse和dropwhile一样，过滤出条件为False的值  '''     # compress则提供了另一种过滤可迭代对象内容的方法。 # 举个栗子 condition = [True, False, True, True, False] data = [1, 2, 3, 4, 5] print(list(itertools.compress(data, condition)))  # [1, 3, 4] # 或者 condition = [1, 0, "x", "x", {}] print(list(itertools.compress(data, condition)))  # [1, 3, 4]

　　

5.合并输入

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

import itertools     ''' accumulate函数处理输入迭代器，得到一个类似于斐波那契的结果 ''' print(list(itertools.accumulate(range(5))))  # [0, 1, 3, 6, 10] print(list(itertools.accumulate("abcde")))  # ["a", "ab", "abc", "abcd", "abcde"] # 所以这里的相加还要看具体的含义   try:     print(list(itertools.accumulate([[1, 2], (3, 4)]))) except TypeError as e:     print(e)  # can only concatenate list (not "tuple") to list     # 这里就显示无法将列表和元组相加     # 当然也可以自定义 data = [1, 2, 3, 4, 5] method = lambda x, y: x*y print(list(itertools.accumulate(data, method)))  # [1, 2, 6, 24, 120] # 可以看到这里的结果就改变了     ''' product则是会将多个可迭代对象组合成一个笛卡尔积 ''' print(list(itertools.product([1, 2, 3], [2, 3])))  # [(1, 2), (1, 3), (2, 2), (2, 3), (3, 2), (3, 3)]     ''' permutations函数从输入迭代器生成元素，这些元素以给定长度的排列形成组合。默认会生成所以排列的全集 ''' data = [1, 2, 3, 4] print(list(itertools.permutations(data))) ''' [(1, 2, 3, 4), (1, 2, 4, 3), (1, 3, 2, 4), (1, 3, 4, 2), (1, 4, 2, 3), (1, 4, 3, 2), (2, 1, 3, 4), (2, 1, 4, 3), (2, 3, 1, 4), (2, 3, 4, 1), (2, 4, 1, 3), (2, 4, 3, 1), (3, 1, 2, 4), (3, 1, 4, 2), (3, 2, 1, 4), (3, 2, 4, 1), (3, 4, 1, 2), (3, 4, 2, 1), (4, 1, 2, 3), (4, 1, 3, 2), (4, 2, 1, 3), (4, 2, 3, 1), (4, 3, 1, 2), (4, 3, 2, 1)] '''   print(list(itertools.permutations(data, 2))) # [(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4), (3, 1), (3, 2), (3, 4), (4, 1), (4, 2), (4, 3)]     # permutations只要顺序不同就看做一种结果，combinations则保证只要元素相同就是同一种结果 data = "abcd" print(list(itertools.combinations(data, 3)))  # [('a', 'b', 'c'), ('a', 'b', 'd'), ('a', 'c', 'd'), ('b', 'c', 'd')] # 尽管combinations不会重复单个的输入元素，但是有时候可能也需要考虑包含重复元素的组合。 # 对于这种情况，可以使用combination_with_replacement print(list(itertools.combinations_with_replacement(data, 3))) ''' [('a', 'a', 'a'), ('a', 'a', 'b'), ('a', 'a', 'c'), ('a', 'a', 'd'), ('a', 'b', 'b'), ('a', 'b', 'c'), ('a', 'b', 'd'), ('a', 'c', 'c'), ('a', 'c', 'd'), ('a', 'd', 'd'), ('b', 'b', 'b'), ('b', 'b', 'c'), ('b', 'b', 'd'), ('b', 'c', 'c'), ('b', 'c', 'd'), ('b', 'd', 'd'), ('c', 'c', 'c'), ('c', 'c', 'd'), ('c', 'd', 'd'), ('d', 'd', 'd')] '''

　　

（三）operator：内置操作符的函数接口

1 2 3 4 5 6 7 8

import operator     ''' 使用迭代器编程时，有时需要为简单的表达式创建小函数。 operator模块提供了一些函数，可以对应标准API中内置的算术、比较和其他操作。 注意：operator中提供的操作，都可以通过lambda函数实现，就我个人而言更喜欢lambda函数 '''

　　

1.逻辑操作

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

import operator     ''' 有些函数可以用来确定一个值得相应布尔值，将其取反以创建相反的布尔值，以及比较对象以查看它们是否相等 ''' a = -1  # 为真 b = 5  # 为真   # not为关键字，所以是not_,判断值是否为假。由于a=-1为真，不为假，所以是False print(operator.not_(a))  # False # truth，判断值是否为真 print(operator.truth(b))  # True # is_, 等价于a is b print(operator.is_(a, b))  # False # is_not,等价于a is not b print(operator.is_not(a, b))  # True

　　

2.比较操作符

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

import operator     ''' 支持所有的富比较操作符 ''' a = -1 b = 5 for func in ("lt", "le", "gt", "ge", "eq", "ne"):  # <, <=, >, >=, ==, !=     print(f"{func}(a, b): {getattr(operator, func)(a, b)}") ''' lt(a, b): True le(a, b): True gt(a, b): False ge(a, b): False eq(a, b): False ne(a, b): True '''

　　

3.算术操作符

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

import operator     ''' 支持处理数字值的算术操作符 ''' a = -1 b = 5.0 c = 2 d = 6   print("abs(a): ", operator.abs(a)) print("neg(a): ", operator.neg(a)) print("neg(b): ", operator.neg(b)) print("pos(a): ", operator.pos(a)) print("pos(b): ", operator.pos(b)) print("add(a, b): ", operator.add(a, b)) print("floordiv(a, b): ", operator.floordiv(a, b)) print("floordiv(a, c): ", operator.floordiv(a, c)) print("mod(a, b): ", operator.mod(a, b)) print("mul(a, b): ", operator.mul(a, b)) print("pow(c, d): ", operator.pow(c, d)) print("sub(b, a): ", operator.sub(b, a)) print("truediv(a, b): ", operator.truediv(a, b)) print("truediv(d, c): ", operator.truediv(d, c)) print("and_(c, d): ", operator.and_(c, d)) print("invert(c): ", operator.invert(c)) print("lshift(c, d): ", operator.lshift(c, d)) print("or_(c, d): ", operator.or_(c, d)) print("rshift(d, c): ", operator.rshift(d, c)) print("xor(c, d): ", operator.xor(c, d))   ''' a = -1 b = 5.0 c = 2 d = 6   abs(a):  1 neg(a):  1  neg(b):  -5.0 pos(a):  -1 pos(b):  5.0 add(a, b):  4.0 floordiv(a, b):  -1.0 floordiv(a, c):  -1 mod(a, b):  4.0 mul(a, b):  -5.0 pow(c, d):  64 sub(b, a):  6.0 truediv(a, b):  -0.2 truediv(d, c):  3.0 and_(c, d):  2 invert(c):  -3 lshift(c, d):  128 or_(c, d):  6 rshift(d, c):  1 xor(c, d):  4 '''

　　

4.序列操作符

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

import operator     ''' 处理序列的操作符可以分为四组：建立序列，搜索元素，访问内容，以及从序列删除元素 ''' a = [1, 2, 3] b = ['a', 'b', 'c'] print("a =", a) print("b =", b) print("concat(a, b): ", operator.concat(a, b)) print("contains(a, 1): ", operator.contains(a, 1)) print("contains(b, 'd'): ", operator.contains(b, 'd')) print("countOf(a, 1): ", operator.countOf(a, 1)) print("countOf(b, 'd'): ", operator.countOf(b, 'd')) print("indexOf(a, 5): ", operator.indexOf(a, 1)) print("getitem(b, 1): ", operator.getitem(b, 1)) print("getitem(b slice(1, 3): ", operator.getitem(b, slice(1, 3))) print("setitem(b, 1, 'd'): ", end=' ') operator.setitem(b, 1, 'd') print(b) print("setitem(a, slice(1, 3), [4, 5]): ", end=' ') operator.setitem(a, slice(1, 3), [4, 5]) print(a)   print("delitem(b, 1)", end=' ') operator.delitem(b, 1) print(b) print("delitem(a, slice(1, 3): ", end=' ') operator.delitem(b, slice(1, 3)) print(a) # 其中的一些操作（setitem()和delitem()）会原地修改序列，返回的是None ''' a = [1, 2, 3] b = ['a', 'b', 'c'] concat(a, b):  [1, 2, 3, 'a', 'b', 'c'] contains(a, 1):  True contains(b, 'd'):  False countOf(a, 1):  1 countOf(b, 'd'):  0 indexOf(a, 5):  0 getitem(b, 1):  b getitem(b slice(1, 3):  ['b', 'c'] setitem(b, 1, 'd'):  ['a', 'd', 'c'] setitem(a, slice(1, 3), [4, 5]):  [1, 4, 5] delitem(b, 1) ['a', 'c'] delitem(a, slice(1, 3):  [1, 4, 5] '''   # 个人觉得这些都没有什么乱用，可以直接实现的，没必要使用这个库

　　

5.原地操作符

略

6.排序

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

import operator     ''' 这一节书上没有，是我自己加的。个人觉得这个库只有在这一方面会有用。 ''' l = [     [1, 3],     [7, 4],     [6, 2],     [3, 5] ] # 现在我要将这个列表进行排序，怎么排呢？里面里面列表的第一个元素的顺序从小到大排 # 也就是说，排完序之后应该是这样的, [[1, 3], [3, 5], [6, 2], [7, 4]] l.sort(key=operator.itemgetter(0)) # 按照key来排序，itemgetter(0)，表示获取各自索引为0的元素，进行比较 print(l)  # [[1, 3], [3, 5], [6, 2], [7, 4]]     # 但是我们可以使用lambda函数来实现，而且还可以实现更加复杂的效果 l1 = [     [1, 3],     [7, 4],     [6, 2],     [3, 5] ] l1.sort(key=lambda x: x[0]) print(l1)  # [[1, 3], [3, 5], [6, 2], [7, 4]]     l2 = [-3, -5, 3, -9, 8, 2] # 对l2我想这样排序，首先按照正负数排序，负数排左边，正数排右边。 # 然后按照绝对值得大小排， 绝对值大的排左边，小的排右边 # 也就是说排完之后应该是这样的，[-9, -5, -3, 8, 3, 2] l2.sort(key=lambda x: (x > 0, ~abs(x))) print(l2)  # [-9, -5, -3, 8, 3, 2] # 因此可以看到这个x代表的就是序列里面的元素 # 如果是字典的话，那么x就是字典里面的key   d = {"a": 4, "c": 3, "b": 2} # 可是字典没有sort，我们如何验证呢？ import heapq # 按照value选择两个最大的 # 参数：选择几个，从哪里选择，按照什么规则去选择 print(heapq.nlargest(2, d, key=lambda x: d[x]))  # ['a', 'c']     ''' 个人总结一下哈，我个人觉得这个库是真的没有什么用，完全可以使用其他的方法代替，而且更容易理解。 当然也可能是我能力不够，这个库的更高级的用法我没有看到(雾) '''

　　

（四）contextlib：上下文管理器工具

1 2 3 4 5 6

import contextlib     ''' contextlib模块包含的工具用于处理上下文管理器和with语句 '''

1.上下文管理器API

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

import contextlib     ''' 上下文管理器(context manager)负责管理一个代码块中的资源，会在进入代码块时创建资源，然后再退出代码后清理这个资源。 比如：文件就支持上下文管理器API，可以确保文件读写后关闭文件。 with open("xxx") as f:     f.read() '''     # 那么这是如何实现的呢？我们可以手动模拟一下 class Open:       def __init__(self, filename, mode='r', encoding=None):         self.filename = filename         self.mode = mode         self.encoding = encoding       def __enter__(self):         print("__enter__,有了这个就可以使用with Open() as xx语句，这里的xx就是我return的内容")         return self       def read(self):         print(f"文件进行读操作,读取文件：{self.filename}, 模式：{self.mode}, 编码：{self.encoding}")       def __exit__(self, exc_type, exc_val, exc_tb):         print("__exit__,我是用来清理资源的，当操作执行完毕之后就会执行我，比如：关闭文件")     with Open("1.xxx") as f:     f.read() ''' __enter__,有了这个就可以使用with Open() as xx语句，这里的xx就是我return的内容 文件进行读操作,读取文件：1.xxx, 模式：r, 编码：None __exit__,我是用来清理资源的，当操作执行完毕之后就会执行我，比如：关闭文件 '''

　　

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

import contextlib     # 相较于try:finally语法，结合上下文管理器和with语句是一种更加紧凑的写法，因为__exit__这个方法总是会被调用的，即使产生了异常   class Open:       def __init__(self, filename, mode='r', encoding=None):         self.filename = filename         self.mode = mode         self.encoding = encoding       def __enter__(self):         return 123       def __exit__(self, exc_type, exc_val, exc_tb):         # 注意到这里有三个参数，使用pycharm的时候，会很智能地自动帮我们加上去         print(exc_type)         print(exc_val)         print(exc_tb)         return True     with Open("1.xx") as f:     print(f) ''' 123 None None None '''   with Open("1.xx") as f:     print(f)     1 / 0     print(123)     print(456)     print(789) print("你猜我会被执行吗？") ''' 123 <class 'ZeroDivisionError'> division by zero <traceback object at 0x0000000009EDD848> 你猜我会被执行吗？ '''   ''' 可以看到当我们程序没有出错的时候，打印的值全为None。一旦with语句里面出现了异常，那么会立即执行__exit__函数。 里面的参数就是：异常的类型，异常的值，异常的信息栈。 因此：当with语句结束之后会调用__exit__函数，如果with语句里面出现了错误则会立即调用__exit__函数。 但是__exit__函数返回了个True是什么意思呢？ 当with语句里面出现了异常，理论上是会报错的，但是由于要执行__exit__函数，所以相当于暂时把异常塞进了嘴里。 如果__exit__函数最后返回了一个布尔类型为True的值，那么会把塞进嘴里的异常吞下去，程序不报错正常执行。如果返回布尔类型为False的值，会在执行完__exit__函数之后再把异常吐出来，引发程序崩溃。 这里我们返回了True，因此程序正常执行，最后一句话被打印了出来。 但是1/0这句代码后面的几个print却没有打印，为什么呢？ 因为上下文管理执行是有顺序的， with Open("1.xxx") as f:     code1     code2 先执行Open函数的__init__函数，再执行__enter__函数，把其返回值给交给f，然后执行with语句里面的代码，最后执行__exit__函数。 只要__exit__函数执行结束，那么这个with语句就算结束了。 而with语句里面如果有异常会立即进入__exit__函数，因此异常语句后面的代码是无论如何都不会被执行的。 '''

　　

2.上下文管理器作为函数修饰符

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

import contextlib   ''' 类ContextDecorator增加了对常规上下文管理器类的支持，因此不仅可以作为上下文管理器，也可以作为函数修饰符 '''     class Context(contextlib.ContextDecorator):     def __init__(self, how_used):         self.how_used = how_used         print(f"__init__({self.how_used})")       def __enter__(self):         print(f"__enter__({self.how_used})")         return self       def __exit__(self, exc_type, exc_val, exc_tb):         print(f"__exit__({self.how_used})")     # 一旦继承了ContextDecorator这个类，那么便可以作为装饰器去装饰。 # 说白了Context("as decorator")返回了Context的一个实例对象，理论上是不可调用的，但是父类实现了call方法。 # 因此如果我们自己实现了一个定义了__call__方法的类，让Context去继承，也是可以达到类似的效果 @Context("as decorator") def func(message):     print(message)     '''     __init__(as decorator)     '''     # 当我执行执行func的时候，此时的func已经不再是原来的那个func了 # func = self(func),从而调用Context的__call__方法，可是Context没有这个方法，那么它的父类肯定有。 # 我们看看contextlib.ContextDecorator的源码,去掉了注释 ''' class ContextDecorator(object):       def _recreate_cm(self):         return self       def __call__(self, func):         @wraps(func)         def inner(*args, **kwds):             with self._recreate_cm():                 return func(*args, **kwds)         return inner   可以看到首先@Context("as decorator")会执行Context的__init__方法，打印__init__(as decorator)，得到实例对象self 此时等价于@self, -->func = self(func)，执行__call__方法，-->func = inner 当执行inner的时候，会先调用__enter__方法，然后执行inner，最后执行__exit__方法 '''   func("doing work i the wrapped function")     # 这个无需解释 with Context("as contetx manager"):     print("doing work in the context")     '''     __init__(as contetx manager)     __enter__(as contetx manager)     doing work in the context     __exit__(as contetx manager)     '''

　　

3.从生成器到上下文管理器

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

import contextlib   ''' 采用传统方式创建上下文管理器并不难，只需要包含一个__enter__方法和一个__exit__方法的类即可。 不过某些时候，如果只有很少的上下文需要管理，那么完整地写出所以代码便会成为额外的负担。 在这些情况下，可以使用contextmanager修饰符将一个生成器函数转换为上下文管理器。 代码结构： @contextlib.contextmanager def foo():     print(123)     yield 456     print(789)       with foo() as f:     print(f)       123 456 789   只要给函数加上这个装饰器，那么便可以使用with   as  语句。 当中的yield相当于将代码块分隔为两个战场，yield上面的代码相当于__exter__会先执行，然后将yield的值交给f，然后执行yield下面的代码块 '''     @contextlib.contextmanager def bar(name, age):     print(f"name is {name}, age is {age}")     yield list     print("我是一匹狼，却变成了狗")     with bar("mashiro", 16) as b:     print(b("abcde")) ''' name is mashiro, age is 16 ['a', 'b', 'c', 'd', 'e'] 我是一匹狼，却变成了狗 ''' # 先执行yield上面的内容，然后yield list，那么b = list，最后执行yield下面的内容     # contextmanager返回的上下文管理器排成子ContextDecorator,所以也可以被用作函数修饰符 @bar("satori", 16) def foo():     print("猜猜我会在什么地方输出")     foo() ''' name is satori, age is 16 猜猜我会在什么地方输出 我是一匹狼，却变成了狗 ''' # bar中含有yield，肯定是一个生成器，所以直接@bar("satori", 16)是不会输出的。当我执行foo的时候，还会先执行bar里面yield上面的内容， # 然后执行foo代码的内容，最后执行yield下面的内容

　　

4.关闭打开的句柄

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

import contextlib   ''' file类直接支持上下文管理器API，但另外一些表示打开句柄的对象却并不支持。 为了确保关闭句柄，要是用closing为它创建一个上下文管理器 '''     class Door:     def __init__(self):         print("__init__()")         self.status = "open"       def close(self):         print("close()")         self.status = "closed"     with contextlib.closing(Door()) as door:     print(f"{door.status}") # 先不急看结果，先来分析一下。首先contextlib.closing本身就是一个上下文管理器 ''' class closing(AbstractContextManager):     def __init__(self, thing):         self.thing = thing     def __enter__(self):         return self.thing     def __exit__(self, *exc_info):         self.thing.close() ''' # 可以看到当我with contextlib.closing(Door()) as door的时候，直接将Door的实例对象传入了closing这个类中 # 然后enter返回了self.thing也就是我们传进去的Door的实例对象，__enter__返回self.thing交给door # 然后执行我们的逻辑，最后__exit__函数再调用self.thing.close函数，所以我们定义的类中一定要实现close函数   # 执行结果 ''' __init__() open close() ''' # 先执行__init__函数，再执行我们自己的逻辑，打印"open"，最后执行close函数，将状态改为"closed"。 # 怎么证明这一点呢？ print(door.status)  # closed     # 如果出现了异常怎么办呢？不用怕，依旧会执行close语句. # 由于contextlib.closing的__exit__函数并没有返回布尔类型为True的值，所以最后还是会抛出异常，我们手动捕获一下 try:     with contextlib.closing(Door()) as boy_next_door:         print(123)         1/0         print(456)   except Exception:     pass   print(boy_next_door.status) ''' __init__() 123 close() closed ''' # 最后还是打印了"closed"，所以还是执行了close()方法

　　

5.忽略异常

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

import contextlib   ''' 很多情况下，忽略库产生的异常很有用，因为这个错误可能会显示期望的状态已经被实现，否则该错误就可以被忽略。 要忽略异常，最常用的办法就是利用一个try except语句。 但是在我们此刻的主题中，try except也可以被替换成contextlib.suppress()，以更显示地抑制with块中产生的异常 ''' def foo():     print(123)     1 / 0     print(456)     with contextlib.suppress(ZeroDivisionError):     foo()     print(789) ''' 123 ''' # 最终只输出了123，可以看到不仅1/0中下面的456没有被打印，连foo()下面的789也没有被打印     # 可以传入多个异常 with contextlib.suppress(ZeroDivisionError, BaseException, Exception):     foo() ''' 123 ''' # 出现异常之后，会将异常全部丢弃

　　

6.重定向到输出流

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

import contextlib import io import sys   ''' 设计不当的代码可能会直接写sys.stdout或sys.stderr，而没有提供参数来配置不同的输出目标。 可以用redirect_stdout和redirect_stderr上下文管理器从这些函数中捕获输出，因为无法修改这个函数的源代码来接收新的输出参数 '''     def func(a):     sys.stdout.write(f"stdout :{a}")     sys.stderr.write(f"stderr :{a}")     capture = io.StringIO() ''' 我们执行func本来是要往sys.stdout和sys.stderr里面写的 但这是在with语句contextlib.redirect_stdout(capture), contextlib.redirect_stderr(capture)下面， 因此可以理解往sys.stdout和sys.stderr里面写的内容就被捕获到了，然后会将捕获到的内容输入到capture里面，因为我们指定了capture ''' with contextlib.redirect_stdout(capture), contextlib.redirect_stderr(capture):     func("蛤蛤蛤蛤")     print(capture.getvalue())  # stdout :蛤蛤蛤蛤stderr :蛤蛤蛤蛤     ''' redirect_stdout和redirect_stderr会修改全局状态，替换sys模块中的对象，可以想象gevent里面的patch_all会将Python里面socket，ssl等都换掉。 因此要使用这两个函数，必须要注意。这些函数并不保证线程安全，所以在多线程应用中调用这些函数可能会有不确定的结果。 如果有其他希望标准输出流关联到终端设备，那么redirect_stdout和redirect_stderr将会干扰和影响那些操作。 '''

　　

7.动态上下文管理器栈

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

import contextlib     ''' 大多数上下文管理器都一次处理一个对象，如单个文件或数据库句柄。 在这些情况下，对象是提前已知的，并且使用上下文管理器的代码可以建立这一对象上。 另外一些情况下，程序可能需要在一个上下文中创建未知数目的对象，控制流退出这个上下文时所有这些对象都要清理，ExitStack就是用来处理这些更动态的情况。   ExitStack实例会维护清理回调的一个栈数据结构，这些回调显示地填充在上下文中，在控制流退出上下文时会以逆序调用所有注册的回调。 结果类似于有多个嵌套的with语句，只不过它们是动态建立的。 '''     # 可以使用多种方法填充ExitStack，比如 @contextlib.contextmanager def make_context(i):     print(f"{i}: entering")     yield {}     print(f"{i}: exiting")     def variable_stack(n, msg):     with contextlib.ExitStack() as stack:         for i in range(n):             stack.enter_context(make_context(i))         print(msg)     variable_stack(2, "inside stack") ''' contextlib.ExitStack()相当于创建了上下文管理器栈 stack.enter_context将上下文管理器放入到栈中，注意此时已经执行了 会先输出：     0: entering     1: entering 等于是把yield之后的结果压入栈中 然后执行后面的代码，所以会打印出msg 当里面的代码执行完毕之后，会继续执行栈里面的数据，但是栈是后入先出的。i=1后入栈，所以先执行 随意最后输出：     1: exiting     0: exiting ''' # 输出结果 '''' 0: entering 1: entering inside stack 1: exiting 0: exiting '''