python数据模型与特殊方法

数据模型简介

---

在python官方文档中对于数据模型是这样介绍的

对象是Python对数据的抽象。Python程序中所有数据都由对象或对象之间的关系表示。在某种意义上，为了和冯诺依曼存储程序计算机模型保持一致，代码和数据一样也是一个对象（冯诺依曼模型中提到，数据和程序都以0，1存储于存储器中）

简单的说，Python中的一切数据要么是对象，要么和对象有关系

如果你带着来自其他面向对象语言的经验进入 Python 的世界，会对 len(object) 而不是 object.len() 写法觉得不适。但是它体现了Python的一种设计思想，也是pythonic的关键所在，而这种思想则体现在Python的数据模型中。

数据模型其实是对 Python 框架的描述，它规范了这门语言自身构建模块的接口，这些模块包括但不限于序列、迭代器、函数、类和上下文管理器。

特殊方法简析

---

不管在哪种框架下写程序，都会花费大量时间去实现那些会被框架本身调用的方法， Python 也不例外。

Python 解释器碰到特殊的句法时，会使用特殊方法去激活一些基本的对象操作，这些特殊方法的名字以两个下划线开头，以两个下划线结尾（例如 _ getitem_ ）。比如 obj[key] 的背后就是 getitem 方法，为了能求得 my_collection[key] 的值，解释器实际上会调用 my_collection.getitem(key)
这些特殊方法名能让你自己的对象实现和支持一下的语言架构，并与之交互

• 迭代
• 集合类
• 属性访问
• 运算符重载
• 函数和方法的调用
• 对象的创建和销毁
• 字符串表示形式和格式化
• 管理上下文（即with块）

魔术方法（magic method）是特殊方法的昵称。特殊方法也叫双下方法（dunder method）。

代码示例

---

接下来通过一个简单的例子来展示如何实现_getitem_和_len_这两个特殊方法，通过这个例子我们也能见识到特殊方法的强大

import collections

Card = collections.namedtuple('Card', ['rank', 'suit'])

class FrenchDeck:
    ranks = [str(n) for n in range(2, 11)] + list('JQKA')
    suits = 'spades diamonds clubs hearts'.split()

    def __init__(self):
        self._cards = [Card(rank, suit) for suit in self.suits
                                        for rank in self.ranks]

    def __len__(self):
        return len(self._cards)

    def __getitem__(self, position):
        return self._cards[position]

这段代码是一副扑克牌的原型，在这个自定义类中，有三个我们写的特殊方法，通过这几个方法，我们的自定义类就可以在使用的时候像Python的内置类型一样。 我们把这段代码保存为frenchdeck.py文件，然后通过命令行窗口进入该文件所在目录，这里用的是Python3，Python2应该也可以使用。

进入Python shell后如下：

Python 3.5.3 (v3.5.3:1880cb95a742, Jan 16 2017, 16:02:32) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from frenchdeck import *
>>> deck = FrenchDeck()
>>> len(deck)
>>> deck[0]
Card(rank='2', suit='spades')
>>> deck[-1]
Card(rank='A', suit='hearts')
>>>

通过上面的这个例子，我们可以看到，当我们在使用len(deck)和deck[0]时，Python的解释器实际上分别调用了我们在自定义类中的_len_和_getitem_这两个方法。

然后，假如我们现在要在这一副“扑克牌”中，随机的抽取出一张牌，我们要怎么做呢？自己在写一个方法吗？这在Python中是不用的，Python 已经内置了从一个序列中随机选出一个元素的函数 random.choice，我们直接把它用在这一摞纸牌实例上就好（解释器代码接上面）：

>>> from random import choice 
>>> choice(deck)
Card(rank='3', suit='hearts') 
>>> choice(deck)
Card(rank='K', suit='spades') 
>>> choice(deck)
Card(rank='2', suit='clubs')

通过上面的两个例子，我们已经可以体会到通过实现特殊方法来利用 Python 数据模型的两个好处：

1.作为你的类的用户，他们不必去记住标准操作的各式名称（“怎么得到元素的总数？是 .size() 还是 .length() 还是别的什么？”）。

2.可以更加方便地利用 Python 的标准库，比如 random.choice 函数，从而不用重新发明轮子。

同时，我们也能了解到，这些特殊方法的调用，通常都是隐式的，首先明确一点，特殊方法的存在是为了被Python解释器调用的，你自己并不需要调用它们。也就是说没有 my_object._len_() 这种写法，而应该使用 len(my_object)。在执行 len(my_object) 的时候，如果 my_object 是一个自定义类的对象，那么 Python 会自己去调用其中由你实现的 _len_ 方法。
通过内置的函数（例如 len、iter、str，等等）来使用特殊方法是最好的选择。这些内置函数不仅会调用特殊方法，通常还提供额外的好处，而且对于内置的类来说，它们的速度更快。