python高级用法技巧-Python高级用法总结

列表推导（list comprehensions）

场景1：将一个三维列表中所有一维数据为a的元素合并，组成新的二维列表。

最简单的方法：新建列表，遍历原三维列表，判断一维数据是否为a，若为a,则将该元素append至新列表中。

缺点：代码太繁琐，对于Python而言，执行速度会变慢很多。

针对场景1，我们首先应该想到用列表解析式来解决处理，一行代码即可解决：

lista = [item for item in array if item[0] == "a"]

那么，何为列表解析式？

官方解释：列表解析式是Python内置的非常简单却强大的可以用来创建list的生成式。

强大具体如何体现？

可以看到，使用列表解析式的写法更加简短，除此之外，因为是Python内置的用法，底层使用C语言实现，相较于编写Python代码而言，运行速度更快。

场景2: 对于一个列表，既要遍历索引又要遍历元素。

这里可以使用Python内建函数enumerate，在循环中更好的获取获得索引。

array = ["I", "love", "Python"]

for i, element in enumerate(array):

array[i] = "%d: %s" % (i, seq[i])

可以使用列表推导式对其进行重构：

def getitem(index, element):

return "%d: %s" % (index, element)

array = ["I", "love", "Python"]

arrayIndex = [getitem(index, element) for index, element in enumerate(array)]

据说这种写法更加的Pythonic。

总结：如果要对现有的可迭代对象做一些处理，然后生成新的列表，使用列表推导式将是最便捷的方法。

迭代器和生成器

迭代器（Iterator）

这里的迭代可以指for循环，在Python中，对于像list，dict和文件等而言，都可以使用for循环，但是它们并不是迭代器，它们属于可迭代对象。

什么可迭代对象

最简单的解释：可以使用for...in...语句进行循环的对象，就是可迭代对象（Iterable），可以使用isinstance()方法进行判断。

from collections import Iterable

type = isinstance("python", Iterable)

print type

什么是迭代器

迭代器指的是可以使用next()方法来回调的对象，可以对可迭代对象使用iter()方法，将其转换为迭代器。

temp = iter([1, 2, 3])

print type(temp)

print next(temp)

此时temp就是一个迭代器。所以说，迭代器基于两个方法：

next：返回下一个项目

iter 返回迭代器本身

可理解为可被next()函数调用并不断返回下一个值的对象就是迭代器，在定义一个装饰器时将需要同时定义这两个方法。

迭代器的优势

在构建迭代器时，不是将所有的元素一次性的加载，而是等调用next方法时返回元素，所以不需要考虑内存的问题。

迭代器应用场景

那么，具体在什么场景下可以使用迭代器呢？

数列的数据规模巨大

数列有规律，但是不能使用列表推导式描述。

生成器

生成器是一种高级迭代器，使得需要返回一系列元素的函数所需的代码更加的简单和高效（不像创建迭代器代码那般冗长）。

生成器函数

生成器函数基于yield指令，可以暂停一个函数并返回中间结果。当需要一个将返回一个序列或在循环中执行的函数时，就可以使用生成器，因为当这些元素被传递到另一个函数中进行后续处理时，一次返回一个元素可以有效的提升整体性能。

常见的应用场景是使用生成器的流数据缓冲区。

生成器表达式

生成式表达式是一种实现生成器的便捷方式，将列表推导式的中括号替换为圆括号。

和列表推导式的区别：列表生成式可以直接创建一个表，但是生成器表达式是一种边循环边计算，使得列表的元素可以在循环过程中一个个的推算出来，不需要创建完整的列表，从而节省了大量的空间。

g = (x * x for x in range(10))

总结：生成器是一种高级迭代器。生成器的优点是延迟计算，一次返回一个结果，这样非常适用于大数据量的计算。但是，使用生成器必须要注意的一点是：生成器只能遍历一次。

lambda表达式（匿名函数）

lambda表达式纯粹是为了编写简单函数而设计，起到了一个函数速写的作用，使得简单函数可以更加简洁的表示。

lambda和def的区别

lambda表达式可以省去定义函数的过程，让代码更加的简洁，适用于简单函数，编写处理更大业务的函数需要使用def定义。

lambda表达式常搭配map(), reduce(), filter()函数使用

map(): map函数接受两个参数，一个是函数，一个是序列，其中，函数可以接收一个或者多个参数。map将传入的函数依次作用于序列中的每个元素，将结果作为新的列表返回。

#将一个列表中的数字转换为字符串 map(str, [1,2,3,4,5,6])

reduce()：函数接收两个参数，一个是函数，另一个是序列，但是，函数必须接收两个参数reduce把结果继续和序列的下一个元素做累积计算，其效果就是reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)。

filter()：该函数用于筛选，将传入的函数，依次作用于每个元素，然后根据函数的返回值是True还是False，决定是留下还是丢弃该元素。

装饰器

装饰器本质是一个Python函数，它可以让其它函数在没有任何代码变动的情况下增加额外功能。有了装饰器，我们可以抽离出大量和函数功能本身无关的雷同代码并继续重用。经常用于具有切面需求的场景：包括插入日志、性能测试、事务处理、缓存和权限校验等。

那么为什么要引入装饰器呢？

场景：计算一个函数的执行时间。

一种方法就是定义一个函数，用来专门计算函数的运行时间，然后运行时间计算完成之后再处理真正的业务代码，代码如下：

import time

def get_time(func):

startTime = time.time()

func()

endTime = time.time()

processTime = (endTime - startTime) * 1000

print "The function timing is %f ms" %processTime

def myfunc():

print "start func"

time.sleep(0.8)

print "end func"

get_time(myfunc)

myfunc()

但是这段代码的逻辑破坏了原有的代码逻辑，就是对所有func函数的调用都需要使用get_time(func)来实现。

那么，有没有更好的展示方式呢？当然有，那就是装饰器。

编写简单装饰器

结合上述实例，编写装饰器：

def get_time(func):

def wrapper():

startTime = time.time()

func()

endTime = time.time()

processTime = (endTime - startTime) * 1000

print "The function timing is %f ms" %processTime

return wrapper

print "myfunc is:", myfunc.__name__

myfunc = get_time(myfunc)

print "myfunc is: ", myfunc.__name__

myfunc()

这样，一个简单的完整的装饰器就实现了，可以看到，装饰器并没有影响函数的执行逻辑和调用。

在Python中，可以使用"@"语法糖来精简装饰器的代码，将上例更改为：

@ get_time

def myfunc():

print "start func"

time.sleep(0.8)

print "end func"

print "myfunc is: ", myfunc.__name__

myfunc()

** 装饰器的调用顺序**

装饰器可以叠加使用，若多个装饰器同时装饰一个函数，那么装饰器的调用顺序和@语法糖的声明顺序相反，也就是：

@decorator1

@decorator2

def func():

pass

等效于：

func = decorator1(decorator2(func()))

被装饰的函数带参数

上述实例中，myfunc()是没有参数的，那如果添加参数的话，装饰器该如何编写呢？

#被装饰的函数带参数

def get_time3(func):

def wrapper(*args, **kwargs):

startTime = time.time()

func(*args, **kwargs)

endTime = time.time()

processTime = (endTime - startTime) * 1000

print "The function timing is %f ms" %processTime

return wrapper

@ get_time3

def myfunc2(a):

print "start func"

print a

time.sleep(0.8)

print "end func"

a = "test"

myfunc2(a)

带参数的装饰器

装饰器有很大的灵活性，它本身支持参数，例如在上述实例中，@get_time装饰器唯一的参数就是执行业务的函数，当然也可以在装饰器中添加参数，加以逻辑判断。

内置装饰器

Python中，常见的类装饰器包括：@staticmathod、@classmethod和@property

@staticmethod：类的静态方法，跟成员方法的区别是没有self参数，并且可以在类不进行实例化的情况下调用。

@classmethod：跟成员方法的区别是接收的第一个参数不是self，而是cls（当前类的具体类型）

@property：表示可以直接通过类实例直接访问的信息。

以上，是本次整理的Python高级用法，本文将持续更新。

python高级用法技巧-Python高级用法总结相关推荐

python断点调试技巧-python调试方法
之前调试python程序都是用print参数,感觉有点弱爆啊,最近发现python也有类似C语言gdb的工具pdb,记录下pdb的使用方法和心得. 先找了段简单的测试程序: 复制代码 !/usr/bi ...
Python内置函数max()高级用法
不管是排序还是选取最大值或者最小值,都应该有个规则或者顺序,而平时我们所说的最大值或最小值实际上也是在某种排序规则或顺序下的最大值和最小值.Python内置函数max().min()和sorted() ...
Python爬虫1.4 — requests高级用法教程
Python爬虫1.4 - requests高级用法教程综述设置请求头(headers) 设置代理服务器IP(proxy) Cookies(Session) requests.Session() ...
Python爬虫4.4 — selenium高级用法教程
Python爬虫4.4 - selenium高级用法教程综述 Headless Chrome 设置请求头设置代理IP 常用启动项参数options设置 Cookie操作 selenium设置coo ...
Python内置函数int()高级用法
int()函数常用来把其他类型转换为整数,例如: >>> int(3.2) 3 >>> int(1/3) 0 其实,int是Python内置类型之一,之所以能够当作 ...
python高级应用_Python高级编程技巧
Python 高级编程技巧本文展示一些高级的 Python 设计结构和它们的使用方法.在日常工作中,你可以根据需要选择合适的数据结构, 例如对快速查找性的要求. 对数据一致性的要求或是对索引的要求 ...
技巧 | Python 字典用法详解（超全）
文章目录 1.dict.clear() 2.dict.copy() 3.dict.fromkeys() 4.dict.get() 5.dict.items() 6.dict.keys() 7.dict ...
python装饰器详解-Python装饰器基础概念与用法详解
本文实例讲述了Python装饰器基础概念与用法.分享给大家供大家参考,具体如下: 装饰器基础前面快速介绍了装饰器的语法,在这里,我们将深入装饰器内部工作机制,更详细更系统地介绍装饰器的内容,并学习自 ...
python类装饰器详解-Python装饰器基础概念与用法详解
本文实例讲述了Python装饰器基础概念与用法.分享给大家供大家参考,具体如下: 装饰器基础前面快速介绍了装饰器的语法,在这里,我们将深入装饰器内部工作机制,更详细更系统地介绍装饰器的内容,并学习自 ...

python高级用法技巧-Python高级用法总结

python高级用法技巧-Python高级用法总结相关推荐

最新文章

热门文章