python核心高级学习总结8------动态性、__slots__、生成器、迭代器、装饰、闭包

python的动态性

什么是动态性呢，简单地来说就是可以在运行时可以改变其结构，如：新的函数、对象、代码都可以被引进或者修改，除了Python外，还有Ruby、PHP、javascript等也是动态语言。下面是python中常用动态性

运行的过程中给对象绑定（添加）属性

>>> class Person(object):
    def __init__(self, name = None, age = None):
    self.name = name
    self.age = age
>>> P = Person("⼩明", "24")
>>>

>>> P.sex = "male"
>>> P.sex
'male'
>>>

以上的例子很好理解，就是动态给实例绑定属性。

运行的过程给类绑定（添加）属性

>>> P1 = Person("⼩丽", "25")
>>> P1.sex
>>>> Person.sex = None #给类Person添加⼀个属性
>>> P1 = Person("⼩丽", "25")
>>> print(P1.sex) #如果P1这个实例对象中没有sex属性的话， 那么就会访问它的类属性
None #可以看到没有出现异常
>>>

运行的过程中给类绑定（添加）方法（类方法和静态方法）

运行的过程给对象绑定（添加）方法（类方法和静态方法）

import types
#定义了⼀个类
class Person(object):
num = 0
def __init__(self, name = None, age = None):
self.name = name
self.age = age
def eat(self):
print("eat food")
#定义⼀个实例⽅法
def run(self, speed):
print("%s在移动, 速度是 %d km/h"%(self.name, speed))
#定义⼀个类⽅法
@classmethod
def testClass(cls):
cls.num = 100
#定义⼀个静态⽅法
@staticmethod
def testStatic():
print("---static method----")
#创建⼀个实例对象
P = Person("⽼王", 24)
#调⽤在class中的⽅法
P.eat()
#给这个对象添加实例⽅法
P.run = types.MethodType(run, P)
#调⽤实例⽅法
P.run(180)
#给Person类绑定类⽅法
Person.testClass = testClass
#调⽤类⽅法
print(Person.num)
Person.testClass()
print(Person.num)
#给Person类绑定静态⽅法
Person.testStatic = testStatic
#调⽤静态⽅法
Person.testStatic()

注意需要导入types，这是个类或者函数，统称其为模块。要记住调用方式types.MethodType(run,P)

运行的过程中删除属性或方法

两种⽅法:
1. del 对象.属性名
2. delattr(对象, "属性名")

__slots__

可以看到，相对于静态语言，动态语言没有那么严谨，所以玩的时候一定要小心其坑，如果想避免这种情况，请使用__slots__,为了达到限制的⽬的， Python允许在定义class的时候， 定义⼀个特殊的__slots__变量， 来限制该class实例能添加的属性：

>>> class Person(object):
    __slots__ = ("name", "age")
>>> P = Person()
>>> P.name = "⽼王"
>>> P.age = 20
>>> P.score = 100
Traceback (most recent call last):
File "<pyshell#3>", line 1, in <module>
AttributeError: Person instance has no attribute 'score'
>>>

注意：

• 使⽤__slots__要注意， __slots__定义的属性仅对当前类实例起作⽤， 对继承的⼦类是不起作⽤的

生成器

1. 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。
2. 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]: <generator object <genexpr> 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 las
<ipython-input-24-380e167d6934> in <module>()
----> 1 next(G)
StopIteration:
In [25]:
In [26]: G = ( x*2 for x in range(5))
In [27]: for x in G:
....: print(x)
0 
2 
4 
6 
8 
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。3. 创建⽣成器⽅法2generator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<times:
....: print(b)
....: a,b = b,a+b
....: n+=1
....: return 'done'
....:
In [29]: fib(5)
1 1 2 3 5 O
ut[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<times:
....: 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

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。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:1
value:2
value:3
value:5
⽣成器返回值:done
In [41]:

4. 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()方法
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 las
<ipython-input-17-468f0afdf1b9> in <module>()
----> 1 next(f)
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]:

最后总结：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：
1. 节约内存
2. 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

迭代器

迭代器跟其他语言类似，从一个可迭代的对象中逐步遍历其值，而且只会前进，不会后退。

1.可迭代对象Iterable

也即可以用for循环来遍历的数据类型

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。
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 [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

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。

2.迭代器Iterator

In [62]: isinstance(iter([]), Iterator)
Out[62]: True
In [63]: isinstance(iter('abc'), Iterator)
Out[63]: True

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

4.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：

• 凡是可作⽤于 for 循环的对象都是 Iterable 类型；
• 凡是可作⽤于 next() 函数的对象都是 Iterator 类型集合数据类型如 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。

闭包

什么是闭包？闭包有什么用处

#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
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：

in test_in 函数, number_in is 100
120
in test_in 函数, number_in is 200
220

内部函数对外部函数作⽤域⾥变量的引⽤（ ⾮全局变量） ， 则称内部函数为闭包。

# closure.py
def counter(start=0):
    count=[start]
    def incr():
    count[0] += 1

    return count[0]
    return incr

启动python解释器

>>>import closeure
>>>c1=closeure.counter(5)
>>>print(c1())
6 >
>>print(c1())
7 >
>>c2=closeure.counter(100)
>>>print(c2())
101
>>>print(c2())
102

nonlocal访问外部函数的局部变量(python3)

def counter(start=0):
    def incr():
        nonlocal start
        start += 1
        return start
    return incr
c1 = counter(5)
print(c1())
print(c1())
c2 = counter(50)
print(c2())
print(c2())
print(c1())
print(c1())
print(c2())
print(c2())

4，下面是闭包的一个实际例子

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liine_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

装饰器

通过下面一个小例子来理解装饰器，具体的关于闭包跟装饰器的内容有篇博客写的更详细，可以看看说说python中的闭包与装饰器。

#定义函数： 完成包裹数据
def makeBold(fn):
def wrapped():
return "<b>" + fn() + "</b>"
return wrapped
#定义函数： 完成包裹数据
def makeItalic(fn):
def wrapped():
return "<i>" + fn() + "</i>"
return wrapped
@makeBold
def test1():
return "hello world-1"
@makeItalic
def test2():
return "hello world-2"
@makeBold
@makeItalic
def test3():
return "hello world-3"
print(test1()))
print(test2()))
print(test3()))

运行结果：

<b>hello world-1</b>
<i>hello world-2</i>
<b><i>hello world-3</i></b>

是不是觉得很简单，是不是觉得SO EASY!

装饰器一般用于下面几个场景

1. 引⼊⽇志
2. 函数执⾏时间统计
3. 执⾏函数前预备处理
4. 执⾏函数后清理功能
5. 权限校验等场景
6. 缓存