Python开发【第四章】:Python函数剖析

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lg的区别仅在于最外层的[]()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StopIterationvalue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listtupledictsetstr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listdictstr虽然是Iterable,却不是Iterator;把listdictstrIterable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listdictstr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listdictstr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

  

上一篇:Python入门笔记(18):Python函数(1):基础部分


下一篇:Python函数信息