3.2 深入函数
尽管函数在早先时候介绍了，但有关函数在更深层次上是如何工作的细节却很少提供。本节旨在填补这些空白，并讨论函数调用约定，作用域规则等问题。
调用函数
考虑以下函数：
def read_prices(filename, debug):...
可以使用位置参数调用该函数：
prices = read_prices('prices.csv', True)
或者，可以使用关键字参数调用该函数：
prices = read_prices(filename='prices.csv', debug=True)
默认参数
有时候，你希望参数是可选的，如果是这样，请在函数定义中分配一个默认值。
def read_prices(filename, debug=False):...
如果分配了默认值，则参数在函数调用中是可选的。
d = read_prices('prices.csv')e = read_prices('prices.dat', True)
注意：带有默认值的参数（译注：即关键字参数）必须出现在参数列表的末尾（所有非可选参数都放在最前面）
首选关键字参数作为可选参数
比较以下两种不同的调用风格：
parse_data(data, False, True) # ?????parse_data(data, ignore_errors=True)parse_data(data, debug=True)parse_data(data, debug=True, ignore_errors=True)
在大部分情况下，关键字参数提高了代码的简洁性——特别是对于用作标志的参数，或者与可选特性相关的参数。
设计最佳实践
始终为函数参数指定简短但有意义的名称。
使用函数的人可能想要使用关键字调用风格。
d = read_prices('prices.csv', debug=True)
Python 开发工具将会在帮助功能或者帮助文档中显示这些名称。
返回值
return 语句返回一个值：
def square(x):return x * x
如果没有给出返回值或者 return 语句缺失，那么返回 None：
def bar(x):statementsreturna = bar(4) # a = None# ORdef foo(x):statements # No `return`b = foo(4) # b = None
多个返回值
函数只能返回一个值。但是，通过将返回值放到元组中，函数可以返回多个值：
def divide(a,b):q = a // b # Quotientr = a % b # Remainderreturn q, r # Return a tuple
用例：
x, y = divide(37,5) # x = 7, y = 2x = divide(37, 5) # x = (7, 2)
变量作用域
程序给变量赋值：
x = value # Global variabledef foo():y = value # Local variable
变量赋值发生在函数的内部和外部。定义在函数外部的变量是“全局的”。定义在函数内部的变量是“局部的”。
局部变量
在函数内部赋值的变量是私有的。
def read_portfolio(filename):portfolio = []for line in open(filename):fields = line.split(',')s = (fields[0], int(fields[1]), float(fields[2]))portfolio.append(s)return portfolio
在此示例中，filename, portfolio, line, fields 和 s 是局部变量。在函数调用之后，这些变量将不会保留或者不可访问。
>>> stocks = read_portfolio('portfolio.csv')>>> fields
Traceback (most recent call last):File "<stdin>", line 1, in ?
NameError: name 'fields' is not defined>>>
局部变量也不能与其它地方的变量冲突。
全局变量
函数可以*地访问定义在同一文件中的全局变量值。
name = 'Dave'def greeting():print('Hello', name) # Using `name` global variable
但是，函数不能修改全局变量：
name = 'Dave'def spam(): name = 'Guido'spam()print(name) # prints 'Dave'
切记：函数中的所有赋值都是局部的
修改全局变量
如果必须修改全局变量，请像下面这样声明它：
name = 'Dave'def spam():global name name = 'Guido' # Changes the global name above
全局声明必须在使用之前出现，并且相应的变量必须与该函数处在同一文件中。看上面这个函数，要知道这是一种糟糕的形式。事实上，如果可以的话，尽量避免使用 global 。如果需要一个函数来修改函数外部的某种状态，最好是使用类来代替（稍后详细介绍）。
参数传递
当调用一个函数的时候，参数变量的传递是引用传递。不拷贝值（参见2.7 节）。如果传递了可变数据类型（如列表，字典），它们可以被原地修改。
def foo(items):items.append(42) # Modifies the input objecta = [1, 2, 3]foo(a)print(a) # [1, 2, 3, 42]
关键点：函数不接收输入参数的拷贝。
重新赋值与修改
确保了解修改值与给变量名重新赋值的细微差别。
def foo(items):items.append(42) # Modifies the input objecta = [1, 2, 3]foo(a)print(a) # [1, 2, 3, 42]# VSdef bar(items):items = [4,5,6] # Changes local `items` variable to point to a different objectb = [1, 2, 3]bar(b)print(b) # [1, 2, 3]
提醒：变量赋值永远不会重写内存。名称只是被绑定到了新的值上面
练习
本组练习实现的内容可能是本课程最强大的和最难的。有很多步骤，并且过去练习中的许多概念被一次性整合在一起。虽然最后的题解只有大约 25 行的代码，但要花点时间，确保你理解每一个部分。
report.py 的中心部分主要用于读取 CSV 文件。例如，read_portfolio() 函数读取包含投资组合数据的文件，read_prices() 函数读取包含价格数据的文件。在这两个函数中，有很多底层的“精细的”事以及相似的特性。例如，它们都打开一个文件并使用 csv 模块来处理，并且将各种字段转换为新的类型。
如果真的需要对大量的文件进行解析，可能需要清理其中的一些内容使其更通用。这是我们的目标。
通过打开 Work/fileparse.py 文件开始本练习，该文件是我们将要写代码的地方。
练习 3.3：读取 CSV 文件
首先，让我们仅关注将 CSV 文件读入字典列表的问题。在 fileparse.py 中，定义一个如下所示的函数：
# fileparse.pyimport csvdef parse_csv(filename):''' Parse a CSV file into a list of records '''with open(filename) as f:rows = csv.reader(f)# Read the file headersheaders = next(rows)records = []for row in rows:if not row: # Skip rows with no datacontinuerecord = dict(zip(headers, row))records.append(record)return records
该函数将 CSV 文件读入字典列表中，但是隐藏了打开文件，使用 csv 模块处理，忽略空行等详细信息。
试试看：
提示： python3 -i fileparse.py.
>>> portfolio = parse_csv('Data/portfolio.csv')>>> portfolio[{'price': '32.20', 'name': 'AA', 'shares': '100'}, {'price': '91.10', 'name': 'IBM', 'shares': '50'}, {'price': '83.44', 'name': 'CAT', 'shares': '150'}, {'price': '51.23', 'name': 'MSFT', 'shares': '200'}, {'price': '40.37', 'name': 'GE', 'shares': '95'}, {'price': '65.10', 'name': 'MSFT', 'shares': '50'}, {'price': '70.44', 'name': 'IBM', 'shares': '100'}]>>>
这很好，除了不能使用数据做任何有用的计算之外。因为所有的内容都是用字符串表示。我们将马上解决此问题，先让我们继续在此基础上进行构建。
练习 3.4：构建列选择器
在大部分情况下，你只对 CSV 文件中选定的列感兴趣，而不是所有数据。修改 parse_csv() 函数，以便让用户指定任意的列，如下所示：
>>> # Read all of the data>>> portfolio = parse_csv('Data/portfolio.csv')>>> portfolio[{'price': '32.20', 'name': 'AA', 'shares': '100'}, {'price': '91.10', 'name': 'IBM', 'shares': '50'}, {'price': '83.44', 'name': 'CAT', 'shares': '150'}, {'price': '51.23', 'name': 'MSFT', 'shares': '200'}, {'price': '40.37', 'name': 'GE', 'shares': '95'}, {'price': '65.10', 'name': 'MSFT', 'shares': '50'}, {'price': '70.44', 'name': 'IBM', 'shares': '100'}]>>> # Read only some of the data>>> shares_held = parse_csv('Data/portfolio.csv', select=['name','shares'])>>> shares_held[{'name': 'AA', 'shares': '100'}, {'name': 'IBM', 'shares': '50'}, {'name': 'CAT', 'shares': '150'}, {'name': 'MSFT', 'shares': '200'}, {'name': 'GE', 'shares': '95'}, {'name': 'MSFT', 'shares': '50'}, {'name': 'IBM', 'shares': '100'}]>>>
练习 2.23 中给出了列选择器的示例。
然而，这里有一个方法可以做到这一点：
# fileparse.pyimport csvdef parse_csv(filename, select=None):''' Parse a CSV file into a list of records '''with open(filename) as f:rows = csv.reader(f)# Read the file headersheaders = next(rows)# If a column selector was given, find indices of the specified columns.# Also narrow the set of headers used for resulting dictionariesif select:indices = [headers.index(colname) for colname in select]headers = selectelse:indices = []records = []for row in rows:if not row: # Skip rows with no datacontinue# Filter the row if specific columns were selectedif indices:row = [ row[index] for index in indices ]# Make a dictionaryrecord = dict(zip(headers, row))records.append(record)return records
这部分有一些棘手的问题，最重要的一个可能是列选择到行索引的映射。例如，假设输入文件具有以下标题：
>>> headers = ['name', 'date', 'time', 'shares', 'price']>>>
现在，假设选定的列如下：
>>> select = ['name', 'shares']>>>
为了执行正确的选择，必须将选择的列名映射到文件中的列索引。这就是该步骤正在执行的操作：
>>> indices = [headers.index(colname) for colname in select ]>>> indices[0, 3]>>>
换句话说，名称（“name” ）是第 0 列，股份数目（“shares” ）是第 3 列。
当从文件读取数据行的时候，使用索引对其进行过滤：
>>> row = ['AA', '6/11/2007', '9:50am', '100', '32.20' ]>>> row = [ row[index] for index in indices ]>>> row['AA', '100']>>>
练习 3.5：执行类型转换
修改 parse_csv() 函数，以便可以选择将类型转换应用到返回数据上。例如：
>>> portfolio = parse_csv('Data/portfolio.csv', types=[str, int, float])>>> portfolio[{'price': 32.2, 'name': 'AA', 'shares': 100}, {'price': 91.1, 'name': 'IBM', 'shares': 50}, {'price': 83.44, 'name': 'CAT', 'shares': 150}, {'price': 51.23, 'name': 'MSFT', 'shares': 200}, {'price': 40.37, 'name': 'GE', 'shares': 95}, {'price': 65.1, 'name': 'MSFT', 'shares': 50}, {'price': 70.44, 'name': 'IBM', 'shares': 100}]>>> shares_held = parse_csv('Data/portfolio.csv', select=['name', 'shares'], types=[str, int])>>> shares_held[{'name': 'AA', 'shares': 100}, {'name': 'IBM', 'shares': 50}, {'name': 'CAT', 'shares': 150}, {'name': 'MSFT', 'shares': 200}, {'name': 'GE', 'shares': 95}, {'name': 'MSFT', 'shares': 50}, {'name': 'IBM', 'shares': 100}]>>>
在 练习 2.24 中已经对此进行了探索。需要将下列代码片段插入到题解中：
...if types:row = [func(val) for func, val in zip(types, row) ]...
练习 3.6：处理无标题的数据
某些 CSV 文件不包含任何的标题信息。例如，prices.csv 文件看起来像下面这样：
"AA",9.22 "AXP",24.85 "BA",44.85 "BAC",11.27 ...
修改 parse_csv() 文件以便通过创建元组列表来处理此类文件。例如：
>>> prices = parse_csv('Data/prices.csv', types=[str,float], has_headers=False)>>> prices[('AA', 9.22), ('AXP', 24.85), ('BA', 44.85), ('BAC', 11.27), ('C', 3.72), ('CAT', 35.46), ('CVX', 66.67), ('DD', 28.47), ('DIS', 24.22), ('GE', 13.48), ('GM', 0.75), ('HD', 23.16), ('HPQ', 34.35), ('IBM', 106.28), ('INTC', 15.72), ('JNJ', 55.16), ('JPM', 36.9), ('KFT', 26.11), ('KO', 49.16), ('MCD', 58.99), ('MMM', 57.1), ('MRK', 27.58), ('MSFT', 20.89), ('PFE', 15.19), ('PG', 51.94), ('T', 24.79), ('UTX', 52.61), ('VZ', 29.26), ('WMT', 49.74), ('XOM', 69.35)]>>>
要执行此更改，需要修改代码以便数据的第一行不被解释为标题行。另外，需要确保不创建字典，因为不再有可用于列名的键。
练习 3.7：选择其它的列分隔符
尽管 CSV 文件非常普遍，但还可能会遇到使用其它列分隔符（如 制表符（tab） 或空格符（space））的文件。例如，如下所示的 Data/portfolio.dat 文件：
name shares price "AA" 100 32.20 "IBM" 50 91.10 "CAT" 150 83.44 "MSFT" 200 51.23 "GE" 95 40.37 "MSFT" 50 65.10 "IBM" 100 70.44
csv.reader() 函数允许像下面这样指定不同的分隔符：
rows = csv.reader(f, delimiter=' ')
修改 parse_csv() 函数以便也允许修改分隔符。
例如：
>>> portfolio = parse_csv('Data/portfolio.dat', types=[str, int, float], delimiter=' ')>>> portfolio[{'price': '32.20', 'name': 'AA', 'shares': '100'}, {'price': '91.10', 'name': 'IBM', 'shares': '50'}, {'price': '83.44', 'name': 'CAT', 'shares': '150'}, {'price': '51.23', 'name': 'MSFT', 'shares': '200'}, {'price': '40.37', 'name': 'GE', 'shares': '95'}, {'price': '65.10', 'name': 'MSFT', 'shares': '50'}, {'price': '70.44', 'name': 'IBM', 'shares': '100'}]>>>
说明
到目前为止，如果你已经完成，那么你创建了一个非常有用的库函数。你可以使用它去解析任意的 CSV 文件，选择感兴趣的列，执行类型转换，而不用对文件或者 csv 模块的内部工作有太多的担心。