eval()函数
功能:将字符串str当成有效表达式求值并返回结果
语法:eval(source[,globle[,locals]])->value
参数:
source:一个python表达式函数或者compile()返回的代码对象
globle:可选,必须是字典
locals:可选,任意映射对象
a = 1
b = 2
c = eval("a+b")
print(c)-->3
dict1 = dict(a=100,b=200)
d = eval("a+b",dict1)
print(d)-->300
nonlocal关键字
nonlocal 用来声明外层的局部变量。
global 用来声明全局变量。
【操作】使用nonlocal声明外层局部变量
## nonlocal
a = 100
def outer():
b = 10
def inner():
# 声明是外部局部变量
nonlocal b
print("inner b:",b)
b = 20
global a
a =100
inner()
print("outer b:",b)
outer()
print("a:",a)
"输出:"
20
inner b: 10
outer b: 20
a: 100
LEGB规则
Python在查找“名称"时,是按照LEGB规则查找的: Local-->Enclosed-->Global-->Built in。
- Local 指的就是函数或者类的方法内部
- Enclosed指的是嵌套函数(一个函数包裹另一个函数,闭包)
- Global 指的是模块中的全局变重
- Built in 指的是Python为自己保目心特殊名你。
即:如果某个name映射在局部(local)命名空间中没有找到,接下来就会在闭包作用域(enclosed)进行搜索,如果闭包作用域也没有找到,Python就会到全局(global)命名空间中进行查找,最后会在内建(built-in)命名空间搜索(如果一个名称在所有命名空间中都没有找到,就会产生一个NameError)。
返回函数
lambda匿名函数的格式:冒号前是参数,可以有多个,用逗号隔开,冒号右边的为表达式。其实lambda返回值是一个函数的地址,也就是函数对象。
from functools import reduce
print(reduce(lambda x,y: x+y,(1,2,3,4,5)))
函数作为返回值
高阶函数除了可以接受函数作为参数外,还可以把函数作为结果值返回。
如:实现可变参数求和(功能:是不需要立刻求和,而是在后面的代码中,根据需要再计算):
#不返回求和的结果,而是返回求和的函数
def lazy_sum(*args):
def sum():
ax = 0
for n in args:
ax = ax + n
return ax
return sum
调用lazy_sum()
时:
返回的求和函数,然后将求和函数赋给变量f
>>> f = lazy_sum(1, 3, 5, 7, 9)
>调用f,得到就和结果:
>print(f())--->25
在这个例子中,我们在函数
lazy_sum
中又定义了函数sum
,并且,内部函数sum
可以引用外部函数lazy_sum
的参数和局部变量,当lazy_sum
返回函数sum
时,相关参数和变量都保存在返回的函数中,这种称为“闭包(Closure)”的程序结构拥有极大的威力。
*:当我们调用lazy_sum()
时,每次调用都会返回一个新的函数,即使传入相同的参数:
>>> f1 = lazy_sum(1, 3, 5, 7, 9)
>>> f2 = lazy_sum(1, 3, 5, 7, 9)
>>> f1==f2
False
且f1()
和f2()
的调用结果互不影响
闭包
另一个理解:转载:https://www.cnblogs.com/s-1314-521/p/9763376.html
注意到返回的函数在其定义内部引用了局部变量args,所以,当一个函数返回了一个函数后,其内部的局部变量还被新函数引用,所以,闭包用起来简单,实现起来可不容易。
一个需要注意的问题是,返回的函数并没有立刻执行,而是直到调用了f()才执行。我们来看一个例子:
'每次循环,都创建了一个新的函数,然后,把创建的3个函数都返回了'
def count():
fs = []
for i in range(1, 4):
def f():
return i*i
fs.append(f)
return fs
f1, f2, f3 = count()
输出结果为
若:fg = count()
print(fg)-->打印的是三个函数的地址。
'[<function count.<locals>.f at 0x0000006AB751F158>, <function count.<locals>.f at 0x0000006AB751F510>, <function count.<locals>.f at 0x0000006AB751F598>]'
>>> f1()--->9
>>> f2()--->9
>>> f3()--->9
>而不是 1, 4, 9
原因就在于返回的函数引用了变量i
,但它并非立刻执行。等到3
个函数都返回时,它们所引用的变量i
已经变成了3
,因此最终结果为9
。
返回闭包时牢记一点:返回函数不要引用任何循环变量,或者后续会发生变化的变量。
如果一定要引用循环变量怎么办?方法是再创建一个函数,用该函数的参数绑定循环变量当前的值,无论该循环变量后续如何更改,已绑定到函数参数的值不变:
def count():
def f(j):
def g():
return j*j
return g
fs = []
for i in range(1, 4):
fs.append(f(i)) # f(i)立刻被执行,因此i的当前值被传入f()
return fs
再看看结果:
>>> f1, f2, f3 = count()
>>> f1()--->1
>>> f2()--->4
>>> f3()--->9
实现计算器,每次递增1:
def createCounter():
cnt = [0] # 将cnt设定为数组
def counter():
cnt[0] = cnt[0]+1 # 修改数组中的元素值
return cnt[0] # 返回修改的元素值
return counter
f = createCounter()
for i in range(1,10):
print(f())
匿名函数
当传入参数,但是不需要显式地定义函数时,直接传入匿名函数更方便
如计算f(x)=x^2
,可以省略f(x)函数的定义:
对lambda函数,冒号前时参数,冒号后是表达式。
L=list(map(lambda x: x*x,[1, 2, 3, 4, 5, 6, 7, 8, 9]))
print(L)-->[1, 4, 9, 16, 25, 36, 49, 64, 81]
匿名函数lambda x: x * x
实际上就是:
def f(x):
return x * x
匿名函数限制:只能写一个表达式,不用写return
,表达式结果就是返回值
匿名函数优点:函数没有名字,因此不用担心冲突。
且匿名函数也可以赋给一个变量。
>>> f = lambda x: x * x
>>> f
<function <lambda> at 0x101c6ef28>
>>> f(5)
25
也可以作为返回值返回:
def build(x, y):
return lambda: x * x + y * y
装饰器
函数也是一个对象,而且函数对象可以复制给变量,然后通过变量调用这个函数。
如:
def now():
print('Fan')
#函数赋给变量
f = now
print(f)--->Fan
函数对象有一个__name__
属性,可以拿到函数的名字:
print(now.__name__)--->'now'
print(f.__name__)--->'now'
假设我们要增强now()
函数的功能,比如,在函数调用前后自动打印日志,但又不希望修改now()
函数的定义,这种在代码运行期间动态增加功能的方式,称之为“装饰器”(Decorator)。
本质上,decorator
就是一个返回函数的高阶函数,所以,我们要定义一个能打印日志的decorator
,可以定义如下:
def log(func):
def wrapper(*args, **kw):
print('call %s():' % func.__name__)
return func(*args, **kw)#如果不加这一句,就不会执行now函数了
return wrapper
观察上面的log
,因为它是一个decorator
,所以接受一个函数作为参数,并返回一个函数。我们要借助Python的@
语法,把decorator
置于函数的定义处:
@log
def now():
print('2015-3-25')
这样,调用now()
,不仅会运行now()
函数本身,还会在运行now()
函数前打印一行日志
'放在定义处,相当于执行了now = log(now),后面再次调用now()相当于执行力wapper函数。这也是个闭包'
>>> now()
call now():
2015-3-25
理解:
由于log()
是一个decorator
,返回一个函数,所以,原来的now()
函数仍然存在,只是现在同名的now
变量指向了新的函数,于是调用now()
将执行新函数,即在log()
函数中返回的wrapper()
函数。
wrapper()
函数的参数定义是(*args, **kw)
,因此,wrapper()
函数可以接受任意参数的调用。在wrapper()
函数内,首先打印日志,再紧接着调用原始函数
。
有点不好理解-_-
now = log(now)-->now等于log()的返回函数
now= wapper--->now指向了wapper函数
然后执行wapper(func)-->func指向的是原now函数,所以后面才可以调用原函数
'此时,now指向的是wapper:'
>>> now.__name__
'wrapper'
如果decorator
本身需要传入参数,那就需要编写一个返回decorator
的高阶函数,写出来会更复杂。比如,要自定义log的文本(套娃):
def log(text):
def decorator(func):
def wrapper(*args, **kw):
print('%s %s():' % (text, func.__name__))
return func(*args, **kw)
return wrapper
return decorator
这个3层嵌套的decorator用法如下:
@log('execute')
def now():
print('2015-3-25')
'执行结果:'
3层的就是相当于:>>> now = log('execute')(now)
>>> now()
execute now():
2015-3-25
解释:首先执行log('execute')
,返回的是decorator
函数,再调用返回的函数,参数是now
函数,返回值最终是wrapper
函数。
以上两种decorator
的定义都没有问题,但还差最后一步。因为我们讲了函数也是对象,它有__name__
等属性,但你去看经过decorator
装饰之后的函数,它们的__name__
已经从原来的'now'
变成了'wrapper'
:
>>> now.__name__
'wrapper'
因为返回的那个wrapper()
函数名字就是'wrapper'
,所以,需要把原始函数的__name__
等属性复制到wrapper()
函数中,否则,有些依赖函数签名的代码
执行就会出错
不需要编写wrapper.__name__ = func.__name__
这样的代码,Python内置的functools.wraps
就是干这个事的,所以,一个完整的decorator
的写法如下:
'不带参数的decorator:'
import functools
def log(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print('call %s():' % func.__name__)
print('call %s():' % now.__name__)
return func(*args, **kw)
return wrapper
'结构:'
def log(func):#func是传入需要打印日志的函数now
def wrapper(*args, **kw):#接收主函数传入的需要打印的函数func,打印其日志内容,
print(需要打印的%s,%func.__name__)
return func(*args, **kw)#调用需要打印日志的函数now
return wrapper #调用打印函数,形成闭包
'或者针对带参数的decorator:'
import functools
def log(text):
def decorator(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print('%s %s():' % (text, func.__name__))
return func(*args, **kw)
return wrapper
return decorator
需要传入文本的,只需要给打印函数外再加一个函数,来调用wrapper
import functools
是导入functools
模块。模块的概念稍候讲解。现在,只需记住在定义wrapper()
的前面加上@functools.wraps(func)
即可
练习
请设计一个decorator,它可作用于任何函数上,并打印该函数的执行时间:
刚开始学的原来写的这个,回顾发现,他并不能打印函数的执行时间,因为还是在最后调用了原函数
def metric(fn):
start_time=time.time()
@functools.wraps(fn) #将原始函数(fn)的__name__复制到wraps
def wrapper(*args,**kw):
end_time=time.time()
exec_time=str(end_time-start_time)
print('%s executed in %s ms' % (fn.__name__, exec_time))
return fn(*args,**kw)
return wapper
订:
import functools
import time
def protime(func):
@functools.wraps(func)
def wapper(*args,**kw):
start_time = time.time()
func(*args,**kw)
end_time = time.time()
exec_time=str(end_time-start_time)
print('%s executed in %s ms' % (func.__name__, exec_time))
return None
return wapper
@protime
def counter():
sum = 1
for i in range(1,50):
sum = i*sum
print(sum)
counter()
'执行结果:'
608281864034267560872252163321295376887552831379210240000000000
counter executed in 0.0005023479461669922 ms
偏函数
偏函数也是functools模块提供的功能
在介绍函数参数的时候,我们讲到,通过设定参数的默认值,可以降低函数调用的难度。而偏函数也可以做到这一点。
举例如下:
int()
函数可以把字符串转换为整数,当仅传入字符串时,int()
函数默认按十进制转换:
>>> int('12345')
12345
但int()
函数还提供额外的base
参数,默认值为10
。如果传入base
参数,就可以做N进制的转换:
>>> int('12345', base=8)
5349
>>> int('12345', 16)
74565
如果需要转换大量二进制字符串,每次都传入int(x, base=2)
非常麻烦,于是,我们想到,可以定义一个int2()
的函数,默认把base=2
传进去:
def int2(x, base=2):
return int(x, base)
'这样,我们转换二进制就非常方便了:'
>>> int2('1000000')
64
>>> int2('1010101')
85
functools.partial
就是帮助我们创建一个偏函数的,不需要我们自己定义int2()
,可以直接使用下面的代码创建一个新的函数int2
:
>>> import functools
>>> int2 = functools.partial(int, base=2)
>>> int2('1000000')
64
>>> int2('1010101')
85
总结:
functools.partial
的作用就是,把一个函数的某些参数给固定住(也就是设置默认值),返回一个新的函数,调用这个新函数会更简单
注意到上面的新的int2函数,仅仅是把base参数重新设定默认值为2,但也可以在函数调用时传入其他值:
>>> int2('1000000', base=10)
1000000
最后,创建偏函数时,实际上可以接收函数对象、*args和**kw这3个参数,当传入:
int2 = functools.partial(int, base=2)
实际上固定了int()函数的关键字参数base,也就是:
int2('10010')
相当于:
kw = { 'base': 2 }
int('10010', **kw)
max2 = functools.partial(max, 10)
'实际上会把10作为*args的一部分自动加到左边,也就是:'
max2(5, 6, 7)
相当于:
args = (10, 5, 6, 7)
print(max(*args))--->10