-
默认参数的陷阱（只针对于默认参数是可变的数据类型）：如果默认参数使用的是可变类型数据，那么无论调用多少次这个默认参数，都是同一个（id相同）。默认参数的可变数据类型既不在全局也不再局部，定义后不会消失（局部命称空间会消失）。
def func(num,nums=[]): nums.append(num) return nums ret1 = func(1) print(ret) >>>[1] ret2 = fun(2) print(ret2) >>>[1,2] #将第一次的数据也包含了。 #例： def func(a,list=[]): list.append(a) return list ret1 = func(10,) print(ret1) #[10] print(func(20,[])) #[20] #重新为列表传入参数 print(func(100)) #[10,100] print(ret1) #[10,100] -
局部作用域的陷阱：在函数中，如果定义一个变量，但是在定义变量之前引用这个变量，即使全局变量有此引用的变量，仍然会报错。
#例1： count = 1 def func(): count += 1 print(count) func() IndentationError: unindent does not match any outer indentation level #例2： count = 1 def func(): print(count) func() #1 #例3： count = 1 def func(): print(count) count = 1 func() UnboundLocalError: local variable 'count' referenced before assignment -
global nonlocal
-
global:1.在局部作用域里声明一个全局变量。
#1. num = 0 def func(): num = 1 print(num) #0 #2. def func(): global num num = 1 print(num) #会报错。 #3. def func(): global num num = 1 func() print(num) #1 #3. num = 0 def func(): global num num = 1 func() print(num) #1 -
nonlocal:不能够操作全局变量；主要用于内层函数对外层函数的局部变量进行修改。
def func1(): count = 1 def inner(): nonlocal count count+=1 inner()
-
-
函数名的运用
-
函数名指向的是函数的内存地址
-
函数名 + （）就可以执行函数
#例1： def func(): print(1) f1 = func f2 = f1 f2() #1 #例2. def func1(): print(1) def func2(): print(2) func2 = func1 func2() #1 -
函数名可以作为容器类数据类型的元素
#例3： def func1(): print(1) def func2(): print(2) def func3(): print(3) l1 = [func1,func2,func3] for i in l1: i() #1 2 3 -
函数名可以作为函数的参数
def func0(a): print(1) def func1(x): x() func1(func0) #1 -
函数名可以作为函数的返回值。
def func1(): print(1) def func2(x): return x ret = func2(func) ret() #1
-
-
格式化输出（3.6版本之后）：
- 基础表达：
```python name = 'python' age = '18' msg = f'我叫{name}，今年{age}' #在引号前添加一个字符f ```-
可以加表达式：
count = 2 print(f'最终结果：{count**2}') name = 'python' print(f'我的名字是{name.upper()}') dic = {'name':'python','age':'18'} msg = f'我叫{dic["name"]},今年{dic["age"]}' #注意双引号与单引号的使用，不能产生歧义。 list = ['python','18'] msg = f'我叫{list[0]},今年{list[1]}' -
可以结合函数：
def sum1(a,b): return a+b print(f'最终结果是{sum1(1,2)}') -
优点：1.结构更加优化。2.可以结合表达式和函数使用。3.效率更高
-
迭代器：
-
可迭代对象：
对象：python中一切皆对象。 可迭代：可以进行循环更新的一个值。
以专业角度来说，内部含
__iter__方法的对象即为可迭代对象。如：str、list、tuple、dict、set、range、文件句柄等。 -
获取对象的所有方法并且以字符串的形式表现：dir()
s1 = 'qwer' print(dir(s1)) #请自测。 -
判断一个对象是否是可迭代对象：
s1 = 'qwer' print('__iter__' in dir(s1)) #True -
可迭代对象的优点：
- 存储的数据能够直接显示，比较直观。
- 拥有的方法比较多，操作起来方便。
-
可迭代对象的优点：
-
占内存。
-
不能直接通过for循环（不能直接取值），python内部自动将其转换为迭代器（见下文）然后再进行for循环（用next()方法取值，见下文。）。
l1 = [1,2,3,4] for i in l1: print(i) #python内部自动将其转换为迭代器然后再进行for循环
-
-
迭代器：
迭代器的定义：内部含
__iter__和__next__方法的对象就是迭代器。例如：文件句柄。 -
判断是否为可迭代器：
with open ('1.txt',encoding='utf-8',mode='w') as f1: print('__iter__' in dir(f1) and '__next__' in dir(f1)) -
可迭代对象可以转换为迭代器：
s1 = 'qwert' obj = iter(s1) #或者： s1.__iter__() print(obj) #请自测，会返回一个迭代器的内存地址 -
对迭代器进行取值：
s1 = 'qwert' obj = iter(s1) next(obj) #会取出字符串s1的第一个元素 next(obj) #会返回字符串s1的第二个元素 #或： obj.__next__() -
迭代器优点：
1.节省内存，迭代器在内存中相当于只占一个数据的空间，因为每次取值上一条数据都会在内存释放。迭代器具有惰性机制，next一次，只取一个值，绝不多取。
-
迭代器的缺点：
1.不能直观的查看里面的数据。
2.只能一直向下取值。
3.速度慢。
-
可迭代对象与迭代器的对比：
- 可迭代对象是的操作方法比较多，比较直观，储存数据相对少（几百万个数据，8G内存是可以承受的）的一个数据集。
- 当侧重于对于数据可以灵活处理，并且内存空间足够，可将数据设置为一个可迭代对象。
- 迭代器是非常节省内存，可以记录取值位置，可以通过循环加next方法取值，但是不直观，操作方法比较单一的一个数据集。
- 当数据量过大，可选择将数据设置为一个迭代器。
-
用while循环模拟for循环对可迭代对象进行取值：(请自测)
l1 = [1,2,3,4,5,6,7,8] obj = iter(l1) while 1: try: #try:异常处理 print(next(obj)) except StopIteration: break
-