Python语言学习之Python高阶-职坐标

Python语言学习之Python高阶

小标 2019-04-04 来源：阅读 915 评论 0

摘要：本文主要向大家介绍了Python语言学习之Python高阶，通过具体的内容向大家展示，希望对大家学习Python语言有所帮助。

本文主要向大家介绍了Python语言学习之Python高阶，通过具体的内容向大家展示，希望对大家学习Python语言有所帮助。

Python语言学习之Python高阶

包（lib）、模块（module）

在Python中，存在包和模块两个常见概念。

模块：编写Python代码的py文件

包：用来分门别类存放模块代码的文件夹，【一般存在一个__init__.py文件】

模块的几种导入方式：

__init__.py文件：

__all__变量的使用：

__init__.py文件中导入其他模块文件，推荐使用

from . import xxx

可以使用别名来简化导入的模块名称【as的使用】。

注意：

1、当一个普通文件夹充当包的时候，导入模块时，一定要指定模块名称，因为普通文件夹不是包（包是可以直接导入的）。

2、当导入的包路径太长的时候，可以使用as关键字取别名来解决

3、包与普通文件夹的区别

发布模块：

在文件的主目录创建setup.py文件，编辑如下：

from distutils.core import setup

setup(name=”ljh”,version=”1.0”,description=”描述”,author=”作者”,author_email=”作者邮箱”,py_modules=[“xx.xx.xx.py”,”xx.xx.xxx.py”])

如下图所示：

执行构建命令：

python setup.py build

执行打包命令：

python setup.py sdist

之后项目中结构如下：

执行安装命令：

python setup.py install

就会将我们打包后的压缩包安装到Python对应的第三方模块下：

python36\Lib\site-packages

我们在代码中就可以导入使用这个模块了。

1.2==，is的使用

-5~256

总结

is是比较两个引用是否指向了同一个对象（地址引用比较）。

==是比较两个对象是否相等。(比较的数值)

1.3 深拷贝、浅拷贝

1.3.1 赋值

将一个变量赋值给另一个变量，这个过程叫做赋值。赋值会导致多个变量同时指向一块内存，所以此时不管是==或者is都返回True

所以当一个发送变量，另一个也随之发送变化。

1.3.2 浅拷贝（copy）

浅拷贝是对于一个对象的顶层拷贝

通俗的理解是：拷贝了引用，并没有拷贝内容

但是，当a发送变化时，b不会变化：

1.3.3 深拷贝

深拷贝是对于一个对象所有层次的拷贝(递归)

1.3.4拷贝的其他方

注意常量类型的深浅拷贝问题（如字符串、小整形数值型、元组）

1.4属性property

面试题：

1、你对面向对象的理解

2、面向对象的特征是什么

封装、继承、多态

3、对封装的理解？

封装，类本身就是一个封装，封装了属性和方法。方法也是封装，对一些业务逻辑的封装。私有也是封装，将一些方法和属性私有化，对外提供可访问的接口。

4、对继承的理解

将共性的内容放在父类中，子类只需要关注自己特有的内容，共性的继承过来就行了。

这样简化开发，符合逻辑习惯，利于扩展。

5、多态的理解

多态，一个对象在不同的情况下显示不同的形态。在python中因为是弱类型语言，对类型没有限定，所有python中不完全支持多态，但是多态的思想呢，python也是能体现的。

限制属性，即属性不可变动

property是属于类的，不能写到方法中，写类里，property是一个方法，可以传递属性property（getName,setName）是值传递引用传递，不是调用，把函数传递里面，不是返回值，name = property（getName,setName）

1.4.1私有属性添加getter和setter方法

class Money(object):

def __init__(self):

self.__money = 0

def getMoney(self):

return self.__money

def setMoney(self, value):

if isinstance(value, int):

self.__money = value

else:

print("error:不是整型数字")

1.4.2 使用property升级getter和setter方法

class Money(object):

def __init__(self):

self.__money = 0

def getMoney(self):

return self.__money

def setMoney(self, value):

if isinstance(value, int):

self.__money = value

else:

print("error:不是整型数字")

money = property(getMoney, setMoney)

运行结果:

In [1]: from get_set import Money

In [2]:

In [2]: a = Money()

In [3]:

In [3]: a.money

Out[3]: 0

In [4]: a.money = 100

In [5]: a.money

Out[5]: 100

In [6]: a.getMoney()

Out[6]: 100

1.4.3使用property取代getter和setter方法

@property成为属性函数，可以对属性赋值时做必要的检查，并保证代码的清晰短小，主要有2个作用

将方法转换为只读

重新实现一个属性的设置和读取方法,可做边界判定

class Money(object):

def __init__(self):

self.__money = 0

@property

def money(self):

return self.__money

@money.setter

def money(self, value):

if isinstance(value, int):

self.__money = value

else:

print("error:不是整型数字")

运行结果

In [3]: a = Money()

In [4]:

In [4]: a.money

Out[4]: 0

In [5]: a.money = 100

In [6]: a.money

Out[6]: 100

1.5 生成器

[if !supportLists]1.5.1 [endif]什么是生成器

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，这种一边循环一边计算的机制，称为生成器：generator。

[if !supportLists]1.5.2 [endif]创建生成器方法1

要创建一个生成器，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 ( )

In [15]: L = [ x*2 for x in range(5)]

In [16]: L

Out[16]: [0, 2, 4, 6, 8]

In [17]: G = ( x*2 for x in range(5))

In [18]: G

Out[18]: at 0x7f626c132db0>

In [19]:

创建L和 G 的区别仅在于最外层的 [ ] 和 ( ) ， L 是一个列表，而 G 是一个生成器。我们可以直接打印出L的每一个元素，但我们怎么打印出G的每一个元素呢？如果要一个一个打印出来，可以通过next()函数获得生成器的下一个返回值：

In [19]: next(G)

Out[19]: 0

In [20]: next(G)

Out[20]: 2

In [21]: next(G)

Out[21]: 4

In [22]: next(G)

Out[22]: 6

In [23]: next(G)

Out[23]: 8

In [24]: next(G)

---------------------------------------------------------------------------

StopIteration Traceback (most recent call last)

in ()

----> 1 next(G)

StopIteration:

In [25]:

In [26]: G = ( x*2 for x in range(5))

In [27]: for x in G:

....: print(x)

....:

In [28]:

生成器保存的是算法，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 的异常。当然，这种不断调用 next() 实在是太变态了，正确的方法是使用 for 循环，因为生成器也是可迭代对象。所以，我们创建了一个生成器后，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 异常。

[if !supportLists]1.5.3 [endif]创建生成器方法2

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，还可以用函数来实现。

比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, ...

斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

In [28]: def fib(times):

....: n = 0

....: a,b = 0,1

....: while n

....: print(b)

....: a,b = b,a+b

....: n+=1

....: return 'done'

....:

In [29]: fib(5)

Out[29]: 'done'

仔细观察，可以看出，fib函数实际上是定义了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，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

In [30]: def fib(times):

....: n = 0

....: a,b = 0,1

....: while n

....: yield b

....: a,b = b,a+b

....: n+=1

....: return 'done'

....:

In [31]: F = fib(5)

In [32]: next(F)

Out[32]: 1

In [33]: next(F)

Out[33]: 1

In [34]: next(F)

Out[34]: 2

In [35]: next(F)

Out[35]: 3

In [36]: next(F)

Out[36]: 5

In [37]: next(F)

---------------------------------------------------------------------------

StopIteration Traceback (most recent call last)

in ()

----> 1 next(F)

StopIteration: done

在上面fib的例子，我们在循环过程中不断调用 yield ，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。同样的，把函数改成generator后，我们基本上从来不会用 next() 来获取下一个返回值，而是直接使用 for 循环来迭代：

In [38]: for n in fib(5):

....: print(n)

....:

In [39]:

但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：

In [39]: g = fib(5)

In [40]: while True:

....: try:

....: x = next(g)

....: print("value:%d"%x)

....: except StopIteration as e:

....: print("生成器返回值:%s"%e.value)

....: break

....:

value:1

value:2

value:3

value:5

生成器返回值:done

In [41]:

[if !supportLists]1.5.4 [endif]send

例子：执行到yield时，gen函数作用暂时保存，返回i的值;temp接收下次c.send("python")，send发送过来的值，c.next()等价c.send(None)

In [10]:def gen():

....: i = 0

....: while i<5:

....: temp = yield i

....: print(temp)

....: i+=1

....:

使用next函数

In [11]: f = gen()

In [12]: next(f)

Out[12]: 0

In [13]: next(f)

None

Out[13]: 1

In [14]: next(f)

None

Out[14]: 2

In [15]: next(f)

None

Out[15]: 3

In [16]: next(f)

None

Out[16]: 4

In [17]: next(f)

None

---------------------------------------------------------------------------

StopIteration Traceback (most recent call last)

in ()

----> 1 next(f)

StopIteration:

使用__next__()方法

In [18]: f = gen()

In [19]: f.__next__()

Out[19]: 0

In [20]: f.__next__()

None

Out[20]: 1

In [21]: f.__next__()

None

Out[21]: 2

In [22]: f.__next__()

None

Out[22]: 3

In [23]: f.__next__()

None

Out[23]: 4

In [24]: f.__next__()

None

---------------------------------------------------------------------------

StopIteration Traceback (most recent call last)

in ()

----> 1 f.__next__()

StopIteration:

使用send

In [43]: f = gen()

In [44]: f.__next__()

Out[44]: 0

In [45]: f.send('haha')

haha

Out[45]: 1

In [46]: f.__next__()

None

Out[46]: 2

In [47]: f.send('haha')

haha

Out[47]: 3

In [48]:

[if !supportLists]1.5.5 [endif]实现多任务

模拟多任务(进程，线程，协程)实现方式之一：协程

def test1():

while True:

print("--1--")

yield None

def test2():

while True:

print("--2--")

yield None

t1 = test1()

t2 = test2()

while True:

t1.__next__()

t2.__next__()

总结

生成器是这样一个函数，它记住上一次返回时在函数体中的位置。对生成器函数的第二次（或第n次）调用跳转至该函数中间，而上次调用的所有局部变量都保持不变。

生成器不仅“记住”了它数据状态；生成器还“记住”了它在流控制构造（在命令式编程中，这种构造不只是数据值）中的位置。

生成器的特点：

[if !supportLists]1. [endif]节约内存

[if !supportLists]2. [endif]迭代到下一次的调用时，所使用的参数都是第一次所保留下的，即是说，在整个所有函数调用的参数都是第一次所调用时保留的，而不是新创建的

[if !supportLists]1.6 [endif]迭代器

迭代是访问集合元素的一种方式。迭代器是一个可以记住遍历的位置的对象。迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。

[if !supportLists]1.6.1 [endif]可迭代对象

以直接作用于for循环的数据类型有以下几种：

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 function。

这些可以直接作用于for循环的对象统称为可迭代对象： Iterable 。

[if !supportLists]1.6.2 [endif]判断是否可以迭代

可以使用isinstance()判断一个对象是否是 Iterable 对象：

In [50]: from collections import Iterable

In [51]: isinstance([], Iterable)

Out[51]: True

In [52]: isinstance({}, Iterable)

Out[52]: True

In [53]: isinstance('abc', Iterable)

Out[53]: True

In [54]: isinstance((x for x in range(10)), Iterable)

Out[54]: True

In [55]: isinstance(100, Iterable)

Out[55]: False

而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。

[if !supportLists]1.6.3 [endif]迭代器

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：

In [56]: from collections import Iterator

In [57]: isinstance((x for x in range(10)), Iterator)

Out[57]: True

In [58]: isinstance([], Iterator)

Out[58]: False

In [59]: isinstance({}, Iterator)

Out[59]: False

In [60]: isinstance('abc', Iterator)

Out[60]: False

In [61]: isinstance(100, Iterator)

Out[61]: False

[if !supportLists]1.6.4 [endif]iter()函数

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：

In [62]: isinstance(iter([]), Iterator)

Out[62]: True

In [63]: isinstance(iter('abc'), Iterator)

Out[63]: True

总结

[if !supportLists]· [endif]凡是可作用于for循环的对象都是 Iterable 类型；

[if !supportLists]· [endif]凡是可作用于next()函数的对象都是 Iterator 类型

[if !supportLists]· [endif]集合数据类型如list、 dict 、 str 等是 Iterable 但不是 Iterator ，不过可以通过 iter() 函数获得一个 Iterator 对象。

[if !supportLists]· [endif]目的是在使用迭代器的时候，减少内存的占用。

[if !supportLists]1.7 [endif]函数

递归、函数变量赋值、参数中的函数、匿名函数、闭包、偏函数

递归：

函数的递归，就是让在函数的内部调用函数自身的情况，这个函数就是递归函数。

注意：递归一定要有结束条件，否则就会成为一个死循环。

函数变量赋值：

我们可以将一个函数赋值给一个变量（注意，不是调用哦），这个这个变量也会指向该函数。

参数中的函数：

函数作为一个对象，我们同样可以将函数当成一个实际参数传递给另一个函数进行处理，这个是动态语言才用的特性，也使得动态语言变得相当的灵活和好用哦~~~

匿名函数：

例如：前面我们使用的在一个函数中，参数是另外一个函数。常规方式当我们调用的时候，需要创建一个函数，昨晚调用函数的参数。但是我们也可以使用匿名函数来完成。

匿名函数的格式如下：

lambda [参数列表]://代码【返回值不需要写return】

这样写的好处就是，代码简化，坏处就是降低了阅读性。

偏函数：

常规函数操作中，我们在函数的参数中可以添加参数的默认值来简化函数的操作，偏函数也可以做到这一点，偏函数可以在一定程度上更加方便的管理我们的函数操作

偏函数通过内置模块functools的partial函数进行定义和处理。

# functools.partial()函数语法结构

新函数名称= functools.partial(函数名称, 默认赋值参数)

# 原始的2进制数据转换 int("111", base=2)

~执行结果：7

# 引入我们需要的模块functools import functools

# 通过偏函数扩展一个新的函数int2

int2 = functools.partial(int, base=2)

# 使用新的函数，新的函数等价于上面的

int("111", base=2)

int2("111")

~执行结果：7

闭包（closure）：

javascript也是解释型语言，也有闭包的概念

[if !supportLists]1.7.1 [endif]函数引用

def test1():

print("--- in test1 func----")

#调用函数

test1()

#引用函数

ret = test1

print(id(ret))

print(id(test1))

#通过引用调用函数

ret()

运行结果:

--- in test1 func----

140212571149040

--- in test1 func----

[if !supportLists]1.7.2 [endif]什么是闭包

#定义一个函数

def test(number):

#在函数内部再定义一个函数，并且这个函数用到了外边函数的变量，那么将这个函数以及用到的一些变量称之为闭包

def test_in(number_in):

print("in test_in函数, number_in is %d"%number_in)

return number+number_in

#其实这里返回的就是闭包的结果

return test_in

#给test函数赋值，这个20就是给参数number

ret = test(20)

#注意这里的100其实给参数number_in

print(ret(100))

#注意这里的200其实给参数number_in

print(ret(200))

运行结果：

intest_in函数, number_in is 100

120

intest_in函数, number_in is 200

220

[if !supportLists]1.7.3 [endif]看一个闭包的实际例子：

def line_conf(a, b):

def line(x):

return a*x + b

return line

line1 = line_conf(1, 1)

line2 = line_conf(4, 5)

print(line1(5))

print(line2(5))

这个例子中，函数line与变量a,b构成闭包。在创建闭包的时候，我们通过line_conf的参数a,b说明了这两个变量的取值，这样，我们就确定了函数的最终形式(y = x + 1和y = 4x + 5)。我们只需要变换参数a,b，就可以获得不同的直线表达函数。由此，我们可以看到，闭包也具有提高代码可复用性的作用。

如果没有闭包，我们需要每次创建直线函数的时候同时说明a,b,x。这样，我们就需要更多的参数传递，也减少了代码的可移植性。

闭包思考：

1.闭包似优化了变量，原来需要类对象完成的工作，闭包也可以完成

2.由于闭包引用了外部函数的局部变量，则外部函数的局部变量没有及时释放，消耗内存

[if !supportLists]1.8 [endif]装饰器

装饰器是程序开发中经常会用到的一个功能，用好了装饰器，开发效率如虎添翼，所以这也是Python面试中必问的问题，但对于好多初次接触这个知识的人来讲，这个功能有点绕，自学时直接绕过去了，然后面试问到了就挂了，因为装饰器是程序开发的基础知识，这个都不会，别跟人家说你会Python, 看了下面的文章，保证你学会装饰器。

装饰器，功能就是在运行原来功能基础上，加上一些其它功能，比如权限的验证，比如日志的记录等等。不修改原来的代码，进行功能的扩展。

比如java中的动态代理，python的注解装饰器

其实python的装饰器，是修改了代码。

[if !supportLists]1.8.1 [endif]装饰器的理解

1、先明白这段代码

####第一波 ####

def foo():

print('foo')

foo #表示是函数

foo() #表示执行foo函数

####第二波 ####

def foo():