现在能在网上找到很多很多的学习资源,有免费的也有收费的,当我拿到1套比较全的学习资源之前,我并没着急去看第1节,我而是去审视这套资源是否值得学习,有时候也会去问一些学长的意见,如果可以之后,我会对这套学习资源做1个学习计划,我的学习计划主要包括规划图和学习进度表。
分享给大家这份我薅到的免费视频资料,质量还不错,大家可以跟着学习
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
15. print value
17. # output
18. [ 8 , 12 , 16 ]
上面的代码中,我们加了 list 转换,是为了兼容 Python3 ,在 Python2 中 map 直接返回列
表, Python3 中返回迭代器。
4.2 reduce
reduce 函数的使用形式如下:
1. reduce ( function , sequence [, initial ])
解释:先将 sequence 的前两个 item 传给 function ,即 function(item1, item2) ,函数
的返回值和 sequence 的下一个 item 再传给 function ,即 function(function(item1,
item2), item3) ,如此迭代,直到 sequence 没有元素,如果有 initial ,则作为初始值调用。
也就是说:
1. reduece ( f , [ x1 , x2 , x3 , x4 ]) = f ( f ( f ( x1 , x2 ), x3 ), x4 )
看一些例子,就能很快理解了。
1. >>> reduce ( lambda x , y : x * y , [ 1 , 2 , 3 , 4 ]) # 相当于 ((1 * 2) * 3) * 4
2. 24
3. >>> reduce ( lambda x , y : x * y , [ 1 , 2 , 3 , 4 ], 5 ) # ((((5 * 1) * 2) * 3)) * 4
4. 120
5. >>> reduce ( lambda x , y : x / y , [ 2 , 3 , 4 ], 72 ) # (((72 / 2) / 3)) / 4
6. 3
7. >>> reduce ( lambda x , y : x + y , [ 1 , 2 , 3 , 4 ], 5 ) # ((((5 + 1) + 2) + 3)) + 4
8. 15
9. >>> reduce ( lambda x , y : x - y , [ 8 , 5 , 1 ], 20 ) # ((20 - 8) - 5) - 1
10. 6
11. >>> f = lambda a , b : a if ( a > b ) else b # 两两比较,取最大值
12. >>> reduce ( f , [ 5 , 8 , 1 , 10 ])
13. 10
4.3 filter
filter 函数用于过滤元素,它的使用形式如下:
1. filter ( function , sequnce )
解释:将 function 依次作用于 sequnce 的每个 item ,即 function(item) ,将返回值为
True 的 item 组成一个 List/String/Tuple ( 取决于 sequnce 的类型, python3 统一返回
迭代器 ) 返回。
看一些例子。
1. >>> even_num = list ( filter ( lambda x : x % 2 == 0 , [ 1 , 2 , 3 , 4 , 5 , 6 ]))
2. >>> even_num
3. [ 2 , 4 , 6 ]
4. >>> odd_num = list ( filter ( lambda x : x % 2 , [ 1 , 2 , 3 , 4 , 5 , 6 ]))
5. >>> odd_num
6. [ 1 , 3 , 5 ]
7. >>> filter ( lambda x : x < ‘g’ , ‘hijack’ )
8. ‘ac’ # python2
9. >>> filter ( lambda x : x < ‘g’ , ‘hijack’ )
10. < filter object at 0x1034b4080 > # python3
注意在 python2 和 python3 中, map/reduce/filter 的返回值类型有所不同, python2
返回的是基本数据类型,而 python3 则返回了迭代器;
5 闭包
5.1 定义
在 Python 中,函数也是一个对象。因此,我们在定义函数时,可以再嵌套定义一个函数,并将该嵌套函数返回,比如:
1. from math import pow
3. def make_pow ( n ):
4. def inner_func ( x ): # 嵌套定义了 inner_func
5. return pow ( x , n ) # 注意这里引用了外部函数的 n
6. return inner_func # 返回 inner_func
上面的代码中,函数 make_pow 里面又定义了一个内部函数 inner_func ,然后将该函数返
回。因此,我们可以使用 make_pow 来生成另一个函数:
1. >>> pow2 = make_pow ( 2 ) # pow2 是一个函数,参数 2 是一个自由变量
2. >>> pow2
3. < function inner_func at 0x10271faa0 >
4. >>> pow2 ( 6 )
5. 36.0
我们还注意到,内部函数 inner_func 引用了外部函数 make_pow 的自由变量 n ,这也就
意味着,当函数 make_pow 的生命周期结束之后, n 这个变量依然会保存在 inner_func
中,它被 inner_func 所引用。
1. >>> del make_pow # 删除 make_pow
2. >>> pow3 = make_pow ( 3 )
3. Traceback ( most recent call last ):
4. File “” , line 1 , in
5. NameError : name ‘make_pow’ is not defined
6. >>> pow2 ( 9 ) # pow2 仍可正常调用,自由变量 2 仍保存在 pow2 中
7. 81.0
像上面这种情况,一个函数返回了一个内部函数,该内部函数引用了外部函数的相关参数和变量,我们把该返回的内部函数称为闭包(Closure )。
在上面的例子中, inner_func 就是一个闭包,它引用了自由变量 n 。
5.2 闭包的作用
闭包的最大特点就是引用了自由变量,即使生成闭包的环境已经释放,闭包仍然存在。
闭包在运行时可以有多个实例,即使传入的参数相同。
1. >>> pow_a = make_pow ( 2 )
2. >>> pow_b = make_pow ( 2 )
3. >>> pow_a == pow_b
4. False
利用闭包,我们还可以模拟类的实例。
这里构造一个类,用于求一个点到另一个点的距离:
1. from math import sqrt
3. class Point ( object ):
4. def __init__ ( self , x , y ):
5. self . x , self . y = x , y
7. def get_distance ( self , u , v ):
8. distance = sqrt (( self . x - u ) ** 2 + ( self . y - v ) ** 2 )
9. return distance
11. >>> pt = Point ( 7 , 2 ) # 创建一个点
12. >>> pt . get_distance ( 10 , 6 ) # 求到另一个点的距离
13. 5.0
用闭包来实现:
1. def point ( x , y ):
2. def get_distance ( u , v ):
3. return sqrt (( x - u ) ** 2 + ( y - v ) ** 2 )
5. return get_distance
7. >>> pt = point ( 7 , 2 )
8. >>> pt ( 10 , 6 )
9. 5.0
可以看到,结果是一样的,但使用闭包实现比使用类更加简洁。
5.3 常见的误区
闭包的概念很简单,但实现起来却容易出现一些误区,比如下面的例子:
1. def count ():
2. funcs = []
3. for i in [ 1 , 2 , 3 ]:
4. def f ():
5. return i
6. funcs . append ( f )
7. return funcs
在该例子中,我们在每次 for 循环中创建了一个函数,并将它存到 funcs 中。现在,调用上
面的函数,你可能认为返回结果是 1, 2, 3 ,事实上却不是:
1. >>> f1 , f2 , f3 = count ()
2. >>> f1 ()
3. 3
4. >>> f2 ()
5. 3
6. >>> f3 ()
7. 3
为什么呢?原因在于上面的函数 f 引用了变量 i ,但函数 f 并非立刻执行,当 for 循环结束时,此时变量 i 的值是 3 , funcs 里面的函数引用的变量都是 3 ,最终结果也就全为3。
因此,我们应尽量避免在闭包中引用循环变量,或者后续会发生变化的变量。
那上面这种情况应该怎么解决呢?我们可以再创建一个函数,并将循环变量的值传给该函数,如下:
1. def count ():
2. funcs = []
3. for i in [ 1 , 2 , 3 ]:
4. def g ( param ):
5. f = lambda : param # 这里创建了一个匿名函数
6. return f
7. funcs . append ( g ( i )) # 将循环变量的值传给 g
8. return funcs
10. >>> f1 , f2 , f3 = count ()
11. >>> f1 ()
12. 1
13. >>> f2 ()
14. 2
15. >>> f3 ()
16. 3
(1)闭包是携带自由变量的函数,即使创建闭包的外部函数的生命周期结束了,闭包所引用的自由变量仍会存在。
(2)闭包在运行可以有多个实例。
(3)尽量不要在闭包中引用循环变量,或者后续会发生变化的变量。
6 装饰器
我们知道,在 Python 中,我们可以像使用变量一样使用函数:
(1)函数可以被赋值给其他变量
(2)函数可以被删除
(3)可以在函数里面再定义函数
(4)函数可以作为参数传递给另外一个函数
(5)函数可以作为另一个函数的返回
简而言之,函数就是一个对象。
6.1 对一个简单的函数进行装饰
为了更好地理解装饰器,我们先从一个简单的例子开始,假设有下面的函数:
1. def hello ():
2. return ‘hello world’
现在我们想增强 hello() 函数的功能,希望给返回加上 HTML 标签,比如 hello
world ,但是有一个要求,不改变原来 hello() 函数的定义。这里当然有很多种方法,下面
给出一种跟本文相关的方法:
1. def makeitalic ( func ):
2. def wrapped ():
3. return “” + func () + “”
4. return wrapped
在上面的代码中,我们定义了一个函数 makeitalic ,该函数有一个参数 func ,它是一个函
数;在 makeitalic 函数里面我们又定义了一个内部函数 wrapped ,并将该函数作为返回。
现在,我们就可以不改变 hello() 函数的定义,给返回加上 HTML 标签了:
1. >>> hello = makeitalic ( hello ) # 将 hello 函数传给 makeitalic
2. >>> hello ()
3. ‘hello world’
在上面,我们将 hello 函数传给 makeitalic ,再将返回赋给 hello ,此时调用
hello() 就得到了我们想要的结果。
不过要注意的是,由于我们将 makeitalic 的返回赋给了 hello ,此时 hello() 函数仍
然存在,但是它的函数名不再是 hello 了,而是 wrapped ,正是 makeitalic 返回函数的名
称,可以验证一下:
1. >>> hello . __name__
2. ‘wrapped’
对于这个小瑕疵,后文将会给出解决方法。
现在,我们梳理一下上面的例子,为了增强原函数 hello 的功能,我们定义了一个函数,它接收
原函数作为参数,并返回一个新的函数,完整的代码如下:
1. def makeitalic ( func ):
2. def wrapped ():
3. return “” + func () + “”
4. return wrapped
6. def hello ():
7. return ‘hello world’
9. hello = makeitalic ( hello )
事实上, makeitalic 就是一个装饰器( decorator ),它『装饰』了函数 hello ,并返回一
个函数,将其赋给 hello 。
一般情况下,我们使用装饰器提供的 @ 语法糖( Syntactic Sugar ),来简化上面的写法:
1. def makeitalic ( func ):
2. def wrapped ():
3. return “” + func () + “”
4. return wrapped
6. @makeitalic
7. def hello ():
8. ` return ‘hello world’
像上面的情况,可以动态修改函数(或类)功能的函数就是装饰器。本质上,它是一个高阶函数,以被装饰的函数(比如上面的 hello )为参数,并返回一个包装后的函数(比如上面的 wrapped )给被装饰函数(hello )。
6.2 装饰器的使用形式
装饰器的一般使用形式如下:
1. @decorator
2. def func ():
3. pass
等价于下面的形式:
1. def func ():
2. pass
3. func = decorator ( func )
装饰器可以定义多个,离函数定义最近的装饰器先被调用,比如:
1. @decorator_one
2. @decorator_two
3. def func ():
4. pass
等价于:
1. def func ():
2. pass
4. func = decorator_one ( decorator_two ( func ))
装饰器还可以带参数,比如:
1. @decorator ( arg1 , arg2 )
2. def func ():
3. pass
等价于:
1. def func ():
2. pass
4. func = decorator ( arg1 , arg2 )( func )
下面我们再看一些具体的例子,以加深对它的理解。
6.3 对带参数的函数进行装饰
前面的例子中,被装饰的函数 hello() 是没有带参数的,我们看看被装饰函数带参数的情况。对
前面例子中的 hello() 函数进行改写,使其带参数,如下:
1. def makeitalic ( func ):
2. def wrapped (* args , ** kwargs ):
3. ret = func (* args , ** kwargs )
4. return ‘’ + ret + ‘’
5. return wrapped
7. @makeitalic
8. def hello ( name ):
9. return ‘hello %s’ % name
11. @makeitalic
12. def hello2 ( name1 , name2 ):
13. return ‘hello %s, %s’ % ( name1 , name2 )
由于函数 hello 带参数,因此内嵌包装函数 wrapped 也做了一点改变:
内嵌包装函数的参数传给了 func ,即被装饰函数,也就是说内嵌包装函数的参数跟被装饰函数
的参数对应,这里使用了 (*args, **kwargs) ,是为了适应可变参数。
看看使用:
1. >>> hello ( ‘python’ )
2. ‘hello python’
3. >>> hello2 ( ‘python’ , ‘java’ )
4. ‘hello python, java’
6.4 带参数的装饰器
上面的例子,我们增强了函数 hello 的功能,给它的返回加上了标签 … ,现在,我
们想改用标签 … 或
…
。是不是要像前面一样,再定义一个类似makeitalic 的装饰器呢?其实,我们可以定义一个函数,将标签作为参数,返回一个装饰器,比
如:
1. def wrap_in_tag ( tag ):
2. def decorator ( func ):
3. def wrapped (* args , ** kwargs ):
4. ret = func (* args , ** kwargs )
5. return ‘<’ + tag + ‘>’ + ret + ‘</’ + tag + ‘>’
6. return wrapped
8. return decorator
现在,我们可以根据需要生成想要的装饰器了:
1. makebold = wrap_in_tag ( ‘b’ ) # 根据 ‘b’ 返回 makebold 生成器
3. @makebold
4. def hello ( name ):
5. return ‘hello %s’ % name
7. >>> hello ( ‘world’ )
8. ‘hello world’
上面的形式也可以写得更加简洁:
1. @wrap_in_tag ( ‘b’ )
2. def hello ( name ):
3. return ‘hello %s’ % name
这就是带参数的装饰器,其实就是在装饰器外面多了一层包装,根据不同的参数返回不同的装饰器。
6.5 多个装饰器
现在,让我们来看看多个装饰器的例子,为了简单起见,下面的例子就不使用带参数的装饰器。
1. def makebold ( func ):
2. def wrapped ():
3. return ‘’ + func () + ‘’
5. return wrapped
7. def makeitalic ( func ):
8. def wrapped ():
9. return ‘’ + func () + ‘’
11. return wrapped
13. @makebold
14. @makeitalic
15. def hello ():
16. return ‘hello world’
上面定义了两个装饰器,对 hello 进行装饰,上面的最后几行代码相当于:
1. def hello ():
2. return ‘hello world’
4. hello = makebold ( makeitalic ( hello ))
调用函数 hello :
1. >>> hello ()
2. ‘hello world’
6.6 基于类的装饰器
前面的装饰器都是一个函数,其实也可以基于类定义装饰器,看下面的例子:
1. class Bold ( object ):
2. def __init__ ( self , func ):
3. self . func = func
5. def __call__ ( self , * args , ** kwargs ):
6. return ‘’ + self . func (* args , ** kwargs ) + ‘’
8. @Bold
9. def hello ( name ):
10. return ‘hello %s’ % name
12. >>> hello ( ‘world’ )
13. ‘hello world’
可以看到,类 Bold 有两个方法:
__init__() :它接收一个函数作为参数,也就是被装饰的函数
__call__() :让类对象可调用,就像函数调用一样,在调用被装饰函数时被调用
还可以让类装饰器带参数:
1. class Tag ( object ):
2. def __init__ ( self , tag ):
3. self . tag = tag
5. def __call__ ( self , func ):
6. def wrapped (* args , ** kwargs ):
7. return “<{tag}>{res}</{tag}>” . format (
8. res = func (* args , ** kwargs ), tag = self . tag
9. )
10. return wrapped
12. @Tag ( ‘b’ )
13. def hello ( name ):
14. return ‘hello %s’ % name
需要注意的是,如果类装饰器有参数,则 __init__ 接收参数,而 __call__ 接收 func 。
6.7 装饰器的副作用
前面提到,使用装饰器有一个瑕疵,就是被装饰的函数,它的函数名称已经不是原来的名称了,回到最开始的例子:
1. def makeitalic ( func ):
2. def wrapped ():
3. return “” + func () + “”
4. return wrapped
6. @makeitalic
7. def hello ():
8. return ‘hello world’
函数 hello 被 makeitalic 装饰后,它的函数名称已经改变了:
1. >>> hello . __name__
2. ‘wrapped’
为了消除这样的副作用, Python 中的 functools 包提供了一个 wraps 的装饰器:
1. from functools import wraps
3. def makeitalic ( func ):
4. @wraps ( func ) # 加上 wraps 装饰器
5. def wrapped ():
6. return “” + func () + “”
7. return wrapped
9. @makeitalic
10. def hello ():
11. return ‘hello world’
13. >>> hello . __name__
14. ‘hello’
6.8 小结
(1)本质上,装饰器就是一个返回函数的高阶函数。
(2)装饰器可以动态地修改一个类或函数的功能,通过在原有的类或者函数上包裹一层修饰类或修饰函数实现。
(3)事实上,装饰器就是闭包的一种应用,但它比较特别,接收被装饰函数为参数,并返回一个函
数,赋给被装饰函数,闭包则没这种限制。
7 partial
Python 提供了一个 functools 的模块,该模块为高阶函数提供支持, partial 就是其中的一个
函数,该函数的形式如下:
1. functools . partial ( func [,* args ][, ** kwargs ])
这里先举个例子,看看它是怎么用的。
假设有如下函数:
1. def multiply ( x , y ):
2. return x * y
现在,我们想返回某个数的双倍,即:
1. >>> multiply ( 3 , y = 2 )
最后
Python崛起并且风靡,因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低,但它的晋级路线很多,通过它你能进入机器学习、数据挖掘、大数据,CS等更加高级的领域。Python可以做网络应用,可以做科学计算,数据分析,可以做网络爬虫,可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多,你需要学好基础,再选择明确的方向。这里给大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
👉Python所有方向的学习路线👈
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
👉Python必备开发工具👈
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
👉Python全套学习视频👈
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
👉实战案例👈
学python就与学数学一样,是不能只看书不做题的,直接看步骤和答案会让人误以为自己全都掌握了,但是碰到生题的时候还是会一筹莫展。
因此在学习python的过程中一定要记得多动手写代码,教程只需要看一两遍即可。
👉大厂面试真题👈
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!