Python进阶学习（一）

背景

在编程语言的大背景下，Python普遍被认为是一门易上手的脚本语言；

而随着Python的应用越来越广泛，仅仅停留在会跑Python程序是不够的；

本篇专栏主要记录一些高阶的用法以及Python语言的一些机制；

Python语言掌握需要具备的能力：

1、深入掌握Python编程机制，掌握高级语法功能，能够解决更加复杂的编程问题；

2、面对常见的Python编程问题明白其原理，能够快速解决；

3、深入理解面向对象和面向函数的作用，写出高质量代码；

4、掌握并发编程、异步编程等高级编程方法，解决高并发问题；

5、掌握Python与C语言的融合，科学加速等性能优化能力；

6、具备企业实战能力，解决复杂性高、性能要求高的任务；

Python对比其他语言的运行速度：

知识点

一、exce使用案例，结合String做的一种编程方式

def decision_process(conditions, outs):base_string = f"if string.startswith('{conditions[0]}'): print('{outs[0]}')"    for c, out in zip(conditions[1:], outs[1:]):base_string += f"\n\telif string.startswith('{c}'): print('{out}')"    return base_stringdef create_func(conditions, outs):return f"""def complexit_if(string):
\t{decision_process(conditions, outs)} """programming = create_func(['0', '1', '2'], ['none', 'first', 'second'])exec(programming)              # 执行这一行创建了一个函数对象complexit_if
exec("complexit_if('001231')")
exec("complexit_if('112311')")
exec("complexit_if('201231')")

说明：这个案例主要是想表示，exec可以作为一种执行代码的函数，也体现了Python的解释型语言；

拓展：还有一种eval（）的函数方式，也可以对string进行执行，并且得到的是返回值；

二、Python3.10新特性——match case

Python3.10之后，引入了一种模式匹配的方法，并且具有更好的泛型能力；

下面简单创建一个json的字典样例：

    parsed_json = {"Age": 19,"user_id": "uuid1231241","goods_info": {"price": 100,"createtime": 2022}}

接下来用match case进行匹配：

    match parsed_json:case {"Age": age, "user_id": userd_id, "goods_info": {"price": p, 'createtime': time_}}:print(f"{age} with id {userd_id} bought {p} goods")case {'Age': age, 'user_id': userd_id, "action_info": {"last_login": p}}:print(f"{userd_id} with age {age} last login is {p}")case _:print("None")

结果当然是输出第一个匹配的对象，可以看出模式匹配还是很强大的，还可以对其他的类型进行匹配；

三、一种初始化类的快速方式——dataclass

首先正常情况下我们定义一个类并且初始化：

class OldPerson:def __init__(self, name="Tom", age=10, location=10.0, weight=20.0):self.name = nameself.age = ageself.location = locationself.weight = weightdef __repr__(self):return f"Person(name={self.name}, age={self.age}, location={self.location}, weight={self.weight})"

从上面代码可以看出来，其中的过程是有些复杂的，特别是对于参数较多或者复杂的类别来说；

下面介绍一种新的定义类的方法：

from dataclasses import dataclass@dataclass
class Person:name: str = ""age: int = 18location: float = 10.0weight: float = 20.0person = Person()
person.name = "Jack"
print(person)               # Person(name='Jack', age=18, location=10.0, weight=20.0)

可以看出，节省了大量的代码，使得代码更加友好；

四、生成器及yied的作用

通常情况下我们程序处理都是面向过程的，下面模拟一个读取文件的操作，代码如下：

# 导入头文件
import time
from collections import defaultdict
import datetime# 设定处理一个文件的操作
def count_words(filename):counts = defaultdict(int)    time.sleep(1)   # 假设整个流程需要一秒return counts# 传入一个文件列表，对其中的每个文件都进行上述操作
def get_all_results(files):results = []for f in files:results.append(count_words(f))   # 遍历列表中的每个文件，当全部遍历完后才会返回结果return results# 对得到的数据做处理
def collect_results(files):for c in get_all_results(files):print('get one {}'.format(datetime.datetime.now()))        # 假设处理一次就打印一次处理的时间if __name__  == '__main__':files = ['some_file'] * 10      # 假设有10个文件print('programming running at {}'.format(datetime.datetime.now()))      # 程序开始运行的时间collect_results(files)       # 开始处理

运行结果：

存在问题：

1、直到所有文件读取完，才开始后续的操作，如果文件过多的话，就会卡在读取这一步；

2、如果在读取过程中程序中断或崩溃，会导致后面的处理也失效，并且之后也要重新读取；

3、占用内存资源大，将所有文件内容都存在了一个空间中；

使用yied生成器的方法：

# 只需要在处理文件部分做修改
def get_all_results(files):for f in files:yield count_words(f)  # 使用yield返回结果，这个函数也被作为一个生成器# return (count_words(f) for f in files)  # 也可以直接返回一个可迭代对象，也是一个生成器

运行结果：

说明：

可以看出，不需要等待全部文件读取完，每次读取后都会对该文件进行处理，节省了空间的同时也提高了安全性；

拓展：

map、filter实际上也是一种生成器的作用，返回一个可迭代对象；

五、装饰器

作用：对函数做改变，并且随时可以取消这个改变；

本质：Fun = anthor（Fun），简写成了@anthor，这也就是改变函数；

代码实战：

# 首先定义一个函数，来修改传进来的函数
def memory(f):memory.cache = {}  # function attributedef _wrap(n):if n in memory.cache:print('hit {}'.format(n))return memory.cache[n]else:r = f(n)memory.cache[n] = rreturn rreturn _wrap@memory
# 实现一个斐波那契数列
def fib(n):return fib(n - 1) + fib(n - 2) if n >= 2 else 1if __name__ == '__main__':# fib = memory(fib)     // 使用装饰器相当于执行这行代码print(fib(10))

说明：

上述就是一个装饰器的使用，起到一个缓冲机制的作用，使得函数fib运行速度更加高效；

六、PYTHONPATH环境变量

这里需要介绍一个环境变量：PYTHONPATH

如果将自定义的一个py文件的路径放到这个环境变量中，代码如下：

export PYTHONPATH=${PWD}

那么在别的路径下，可以直接引用该环境变量路径下的包；

作用：十分便捷的引入外部工具包的方式，避免了一些工程文件的复制以及复杂的文件调用；

七、一些实用的工具函数

1、reduce

作用：将一个集合中的所有元素依次执行某个操作；

代码实现：

from functools import reducesome_lists = [[1, 2],[3, 5],[5, 6, 7, 1, 10.1, 11.1],[121.4, 11.34],[11.31, 1921, 321.],
]print(reduce(lambda a, b: a + b, some_lists))

说明：

以上就是对多个数组进行相加的实现，reduce的功能很强大，可以对任意数据类型实现多种操作；

拓展：

operator库
```
import operator
```
这是一个运算符操作的汇总库，可使用的一些操作在其内置的文件中有进行说明，下面是其包含的操作符方法：

2、cache

作用：

起到一个保存缓存数据的作用，对一些重复数据的结果进行保存，提高程序运行的效率；

代码示例：

from functools import cache@cache
def fib(n):return fib(n - 1) + fib(n - 2) if n > 2 else 1

说明：以上代码实现了一个斐波那契数列，用cache工具包能提高其运行效率；

如果想要指定缓存多少个数据，可以用lru_cache这个库，本质上cache也是调用这个库函数；

from functools import lru_cache@lru_cache(maxsize=2**8)

3、Partial

作用：

中文含义为偏函数，是指将一个函数变为有默认值的函数；

代码示例：

from functools import partialdef load_info(id, name, age, sex):print(sex)# 定义默认参数的值
id1_config = {"id": '001',"name": "hero"}# 创建一个新函数，设定默认参数
load_info_1 = partial(load_info, **id1_config)
load_info_1(age=10,sex="男")

说明：这个工具能够起到简化代码的作用，不需要每次传入相同的参数，只需要创建一个具有固定参数的对象即可；更好的体现了面向对象编程这个概念，并且能够优化内存空间；

4、singledispatch

作用：

中文含义为单例分发模式，往往一个函数可以接收不同类型的参数，如果想修改不同类型参数时的实现，往往需要改变函数体，也不便于维护；单例分发模式可以在不修改源代码的情况下，将实现分发出去，更符合开发逻辑；

代码示例：

from functools import singledispatch@singledispatch
def multiply(arg1, arg2):pass@multiply.register
def _(arg1:str, arg2:str): return arg1+arg2@multiply.register
def _(arg1:int, arg2:int): return arg1*arg2print(multiply(1, 2))        # 2

注意：这里需要注意的是，register（）属性支持类型标注在3.7版本更新，一开始用236版本一直无法使用类型标注；

总结

下面列举下本篇相关知识点：

exce
match case（python 3.10）
dataclass（python 3.8）
yied及生成器
装饰器
PYTHONPATH环境变量配置
工具类函数：reduce、cache、partial、singledispatch

以上知识点都是在工程项目中可以使用来优化代码的，特别是环境配置以及生成器的使用；像cache装饰器可以缓存一部分数据，使得程序运行更加高效；