python高级特性

---

高级特性

　　在python中，代码不是越多越好，而是越少越好。代码不是越复杂越好，而是越简单越好。基于这一思想，python中有一些非常有用的高级特性。1行代码能实现的功能，决不写5行代码。代码越少，开发效率越高。

切片

　　对于list和tuple中经常取指定索引范围的操作，用循环十分繁琐，因此，python提供量切片(Slice) 操作符，能大大简化这种操作：

>>>L = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]

# 取前3个元素，用一行代码就可以完成切片(范围是左闭右开的，即从0开始取直到3，但不包括3)
>>>L[0:3]
[0, 1, 2]
# 等价代码
>>>L[:3]
[0, 1, 2]

# 前10个数，每两个取一个
>>>L[:10:2]
[0, 2, 4, 6, 8]
# 所有数，每五个取一个
>>>L[::5]
[0, 5, 10, 15]

# 取所有元素
>>>L[:]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]

# tuple也是一种list，唯一区别是tuple不可变，因此tuple也可以切片，结果仍是tuple
>>>(0, 1, 2, 3, 4, 5)[:3]
(0, 1, 2)
# 字符串也可以看成是一种list，每个元素就是一个字符：
>>>'abcdefg'[:3]
'abc'
>>>'abcdefg'[::2]
'aceg'

迭代

　　如果给定一个list或tuple，我们可以通过for循环来遍历这个list或tuple，这种变量我们称为迭代（Iteration） 。list这种数据类型虽然有下标，但是很多其他数据类型是没有下标的，不过只要是可迭代对象 ，无论有无下标都可以迭代，比如dict 就可以迭代：

>>>d = ['a': 1, 'b': 2, 'c': 3]
>>>for key in d:
...    print(key)
...
a       # 因为dict的存储不是按照list的方式顺序排列的，所以迭代出的结果顺序很可能不一样
c
b

　　默认情况下，dict迭代的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() 。
　　我们使用for循环时，只要作用于一个可迭代对象，for循环就可以正常运行，而我们不太关心该对象究竟是list还是其他数据类型。因此，我们需要在for循环之前去判断一个对象是不是可迭代对象，方法是通过collections模块的Iterable 类型 来判断的：

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

　　如果想对list实现下标循环，则python内置的enumerate函数 可以把一个list变成索引-元素对，这样就可以在for循环中同时迭代索引和元素本身：

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

列表生成式

　　列表 生成式即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 。假如我们想生成[1, 2, 3, 4, 5, 6, 7, 8, 9, 10],那么可以使用list(range(1, 11)):

>>>list(range(1, 11))
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

　　但是，如果要生成[1*1, 2* 2,........., 10* 10]该怎么做？

# 常规方法
>>>L[]
>>>for x in range(1, 11):
...    L.append(x*x)
...
# 上述的循环太繁琐，而列表生成式则可以用一行语句代替上面循环生成的list
>>>[x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

# for循环后面还可以加上if判断，这样我们就可以筛选出仅偶数的平方
>>>[x * x for x in range(1, 11) if x % 2 == 0]
[4, 16, 64, 100]

# 还可以使用两层循环，可以生成全排列
>>>[m + n for m in 'abc' for n in 'xyz']
['ax', 'ay', 'az', 'bx', 'by', 'bz', 'cx', 'cy', 'cz']

# 列表生成式也可以使用两个变量来生成list
>>>d = ['x': 'a', 'y': 'b', 'z': c]
>>>[k + '=' + v for k, v in d.items()]
['y=b', 'x=a', 'z=c']

# 把一个list中所有的字符串变成小写
>>>L = ['Hello', 'World']
>>>[s.lower() for s in L]
['hello', 'world']

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，那我们可以在循环的过程中不断推算出后续的元素，这样我们就不必创建完整的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
　　创建一个generator的第一种方法：只要把一个列表生成式的[ ]改成( )

>>>L = [x * x for x in range(10)]
>>>L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

# 创建一个generator
>>>g = (x * x for x in range(10))
>>>g
<genertor object <genexpr> at 0x1022ef630>

　　打印generator的每一个元素，可以通过next()函数 来获得generator的下一个返回值 ：

>>> 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

　　注意： 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。
　　像上面这种不断调用next(g)实在是太变态来，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关系StopIteration的错误：

>>>g = (x * x for x in range(10))
>>>for n in g:
...     print(n)
...
0
1
4
9
.
.

　　注意： generator也是迭代对象
　　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了：

# 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，就可以用函数来实现，比如斐波拉契数列
def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        print(b)
        a, b = b, a + b
        n = n + 1
	return 'done'

>>>fib(4)
1
1
2
3
'done'

　　从上述的fib函数，可以看出fib函数实际上是定义来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fib函数和generator仅一步之遥。要把fib函数变成generator，只需要把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'

>>>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语句处执行。比如：

def odd():
print('step 1')
yield 1
print('step 2')
yield(3)
print('step 3')
yield(5)

>>> o = odd()
>>> next(o)
step 1
1 >>> next(o)
step 2
3 >>> next(o)
step 3
5 >>> next(o)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration

　　在使用for循环调用generator时，如果想要拿到return语句的返回值，必须捕获StopIteration错误 ，返回值包含在StopIteration的vlaue 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

迭代器

　　可以直接作用于for循环的数据类型有一下几种：

• 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 funcation 。

　　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：

>>> 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

　　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 ：Terator。
　　同样，也可以用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

　　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：

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

　　注意： 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。可以把数据流看作是一个有序序列 ，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。
　　所以list、dict、str等数据类型不是Iterator，比如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。