文章目录
zip & map & filter
zip() 采用惰性计算,返回的是一个对象。如需展示列表,需手动 list() 转换。
>>> list(zip(a,c)) # 元素个数与最短的列表一致
[(1, 4), (2, 5), (3, 6)]
>>> a1, a2 = zip(*zip(a,b)) # 与 zip 相反,zip(*) 可理解为解压,返回二维矩阵式
def pascal(n):
if n == 1:
return [[1]]
else:
result = [[1]]
x = 1
while x < n:
lastRow = result[-1]
nextRow = [(a+b) for a,b in zip([0] + lastRow, lastRow + [0])]
result.append(nextRow)
x += 1
return result
pascal(4) # [[1], [1, 1], [1, 2, 1], [1, 3, 3, 1]]
当x=1时,zip([0] + lastRow, lastRow + [0]) = 前面[0,1] + 后面[1,0]
当x=2时,zip([0] + lastRow, lastRow + [0]) = 前面[0,1,1] + 后面[1,1,0]
result8 = list(map(lambda x: x + "ing", ["play", "talk", "walk", "teach"]))
print(result8) # ['playing', 'talking', 'walking', 'teaching']
result11 = list(filter(lambda x: len(x) < 5, ["play", "talk", "walk", "teach"]))
print(result11) # ['play', 'talk', 'walk']
flatten
- 第一种方法:从list_of_lists中遍历每一个列表都和
[]
相加,注意列表相加(即拼接) - 第二种方法:itertools.chain构造链
list_of_lists = [[1,2],[3,4],[5,6]]
print(sum(list_of_lists, [])) # [1, 2, 3, 4, 5, 6]
print(list(chain.from_iterable(list_of_lists))) # [1, 2, 3, 4, 5, 6]
repr & eval & exec
在编写代码时,一般会使 repr() 来生成动态的字符串,再传入到 eval() 或 exec() 函数内,实现动态执行代码的功能。
注意eval会执行字符串内的语句,所以使用eval一定要安全检查
s="hello"
print(repr(s)) # 'hello'
print(str(s)) # hello
a = "[2, 0, 6, 3, 1, 5, 0, 5, 1, 0]"
b = eval(a)
print(b) # ['2', '0', '6', '3', '1', '5', '0', '5', '1', '0']''
print(type(b)) # <class 'list'>
生成器
g = (x * x for x in range(10))
print(g) # <generator object <genexpr> at 0x00000234C6568840>
next(g) # 0
字典value找key
If keys, values and items views are iterated over with no intervening modifications to the dictionary, the order of items will directly correspond.
在你迭代的过程中如果没有发生对字典的修改,那么keys() and values() 这两个函数返回的 dict-view对象总是保持对应关系
dicxx = {'a':'001', 'b':'002'}
list(dicxx.keys())[list(dicxx.values()).index("001")]
反转字典
old_dict = {'a':'001', 'b':'002','c':'001'}
new_dict = {}
for k,v in old_dict.items():
if not new_dict.get(v):
new_dict[v] = [k]
else:
new_dict[v].append(k)
print(new_dict['001']) # ['a', 'c']
super()
继承的功能:父类的代码重用
多态的功能:同一方法对不同类型的对象会有相应的结果
开闭原则:对扩展开放,对修改封闭
super类功能:新式类实现广度优先的不重复的调用父类,解决了钻石继承(多继承)的难题
super实现原理:通过c3算法,生成mro(method resolution order)列表,根据列表中元素顺序查询调用
新式类调用顺序为广度优先,旧式类为深度优先
个人理解:
1.调用了父类的方法,出入的是子类的实例对象
2.新式类子类(A,B),A就在B之前
3.super类似于嵌套的一种设计,当代码执行到super实例化后,先去找同级父类,若没有其余父类,再执行自身父类,再往下走,
简洁点的三个原则就是:
子类在父类前,所有类不重复调用,从左到右
class A():
def go(self): # A
print ("go A go!")
class B(A):
def go(self): # A B
super(B, self).go()
print ("go B go!")
class C(A):
def go(self): # A C
super(C, self).go()
print ("go C go!")
class D(B,C):
def go(self): # A C B D
super(D, self).go()
print ("go D go!")
sort()
由于 list.sort() 函数在排序时,使用的是小于号对比,所以自定义的数据类型需要 override lt 函数才能实现排序。
class Element:
def __init__(self,id):
self.id=id
def __lt__(self, other): # override < 操作符
if self.id<other.id:
return True
return False
如果非要将列表里不同类型相比较,可以考虑如下方法:
l = [-1, -3, 1, 0, 3, 'a', 'b', 'c']
l.sort(key = str)
a=['delphi', 'Delphi', 'python', 'Python', 'golang', 'Golang', 'c++', 'C++', 'c', 'C']
#按字典序升序排序
a.sort()
#先按字符串长度升序排序,长度相同按字典序升序排序
a.sort(key=lambda x:(len(x),x))
#先按字符串长度升序排序,长度相同按字典序降序排序
a.sort(key=lambda x:(len(x),list(map(lambda c:-ord(c),x))))
#先按字符串长度降序排序,长度相同按字典序升序排序
a.sort(key=lambda x:(-len(x),x))
再举一例:
a=[[1,3],[3,2],[2,4],[1,2],[1,5],[2,5]]
#先按第一个元素升序排序,第一个元素相同按第二个元素升序排序
a.sort()
#先按第一个元素升序排序,第一个元素相同则保持原来的顺序
a=[[1,3],[3,2],[2,4],[1,2],[1,5],[2,5]]
a.sort(key=lambda x:x[0])
#先按第二个元素升序排序,第二个元素相同则保持原来的顺序
a=[[1,3],[3,2],[2,4],[1,2],[1,5],[2,5]]
a.sort(key=lambda x:x[1])
#先按第二个元素升序排序,第二个元素相同按第一个元素降序排序
a.sort(key=lambda x:(x[1],-x[0]))
decorator
函数对象有一个__name__
属性,可以拿到函数的名字:
>>> now.__name__
'now'
现在,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)
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')
调用now()
函数,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:
>>> now()
call now():
2015-3-25
把@log
放到now()
函数的定义处,相当于执行了语句:
now = log(now)
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。
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:
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')
执行结果如下:
>>> now()
execute now():
2015-3-25
和两层嵌套的decorator相比,3层嵌套的效果是这样的:
>>> now = log('execute')(now)
我们来剖析上面的语句,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:
import functools
def log(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print('call %s():' % func.__name__)
return func(*args, **kw)
return wrapper
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
import functools
是导入functools
模块。现在,只需记住在定义wrapper()
的前面加上@functools.wraps(func)
即可。
@property
在绑定属性时,如果我们直接把属性暴露出去,虽然写起来很简单,但是,没办法检查参数,导致可以把成绩随便改:
s = Student()
s.score = 9999
这显然不合逻辑。为了限制score的范围,可以通过一个set_score()
方法来设置成绩,再通过一个get_score()
来获取成绩,这样,在set_score()
方法里,就可以检查参数
装饰器(decorator)可以给函数动态加上功能吗,对于类的方法,装饰器一样起作用。Python内置的@property
装饰器就是负责把一个方法变成属性调用的:
class Student(object):
@property
def score(self):
return self._score
@score.setter
def score(self, value):
if not isinstance(value, int):
raise ValueError('score must be an integer!')
if value < 0 or value > 100:
raise ValueError('score must between 0 ~ 100!')
self._score = value
@property
的实现比较复杂,我们先考察如何使用。把一个getter方法变成属性,只需要加上@property
就可以了,此时,@property
本身又创建了另一个装饰器@score.setter
,负责把一个setter方法变成属性赋值,于是,我们就拥有一个可控的属性操作:
>>> s = Student()
>>> s.score = 60 # OK,实际转化为s.set_score(60)
>>> s.score # OK,实际转化为s.get_score()
60
>>> s.score = 9999
Traceback (most recent call last):
...
ValueError: score must between 0 ~ 100!
注意到这个神奇的@property
,我们在对实例属性操作的时候,就知道该属性很可能不是直接暴露的,而是通过getter和setter方法来实现的。
还可以定义只读属性,只定义getter方法,不定义setter方法就是一个只读属性:
class Student(object):
@property
def birth(self):
return self._birth
@birth.setter
def birth(self, value):
self._birth = value
@property
def age(self):
return 2015 - self._birth
上面的birth
是可读写属性,而age
就是一个只读属性,因为age
可以根据birth
和当前时间计算出来。
枚举类
Python提供了Enum
类来实现这个功能:
from enum import Enum
Month = Enum('Month', ('Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'))
这样我们就获得了Month
类型的枚举类,可以直接使用Month.Jan
来引用一个常量,或者枚举它的所有成员:
for name, member in Month.__members__.items():
print(name, '=>', member, ',', member.value)
value
属性则是自动赋给成员的int
常量,默认从1
开始计数。
如果需要更精确地控制枚举类型,可以从Enum
派生出自定义类:
from enum import Enum, unique
@unique
class Weekday(Enum):
Sun = 0 # Sun的value被设定为0
Mon = 1
Tue = 2
Wed = 3
Thu = 4
Fri = 5
Sat = 6
@unique`装饰器可以帮助我们检查保证没有重复值。
既可以用成员名称引用枚举常量,又可以直接根据value的值获得枚举常量。
f-string
{}
中间可以是表达式
some = "World"
print(f"Hello {some}") # Hello World
解包
a = {"ross":"123456","xiaoming":"abc123"}
b = {"LiBel":"111111"," zhangsan":"12345678"}
c ={**a,**b} # {"ross":"123456","xiaoming":"abc123","LiBel":"111111"," zhangsan":"12345678"}
这里的**这2个星号叫做解包 unpacking
reduce()
把一个整数列表拼成整数,如下
>>> from functools import reduce
>>> reduce(lambda x, y: x * 10 + y, [1 , 2, 3, 4, 5])
12345
scientists =({'name':'Alan Turing', 'age':105},
{'name':'Dennis Ritchie', 'age':76},
{'name':'John von Neumann', 'age':114},
{'name':'Guido van Rossum', 'age':61})
def reducer(accumulator , value):
sum = accumulator['age'] + value['age']
return sum
total_age = reduce(reducer, scientists)
print(total_age)
scientists =({'name':'Alan Turing', 'age':105, 'gender':'male'},
{'name':'Dennis Ritchie', 'age':76, 'gender':'male'},
{'name':'Ada Lovelace', 'age':202, 'gender':'female'},
{'name':'Frances E. Allen', 'age':84, 'gender':'female'})
def reducer(accumulator , value):
sum = accumulator + value['age']
return sum
total_age = reduce(reducer, scientists, 0)
reduce 有三个参数, 第三个参数是初始值
修改之后流程如下
这个仍然也可以用 sum 来更简单的完成
sum([x['age'] for x in scientists ])
做点更高级的事情,按性别分组
scientists =({'name':'Alan Turing', 'age':105, 'gender':'male'},
{'name':'Dennis Ritchie', 'age':76, 'gender':'male'},
{'name':'Ada Lovelace', 'age':202, 'gender':'female'},
{'name':'Frances E. Allen', 'age':84, 'gender':'female'})
def group_by_gender(accumulator , value):
accumulator[value['gender']].append(value['name'])
return accumulator
grouped = reduce(group_by_gender, scientists, {'male':[], 'female':[]})
输出
{'male': ['Alan Turing', 'Dennis Ritchie'], 'female': ['Ada Lovelace', 'Frances E. Allen']}
可以看到,在 reduce 的初始值参数传入了一个dictionary, 但是这样写 key 可能出错,还能再进一步自动化,运行时动态插入key,修改代码如下
grouped = reduce(group_by_gender, scientists, collections.defaultdict(list))
这当然也能用 pythonic way 去解决
scientists =({'name':'Alan Turing', 'age':105, 'gender':'male'},
{'name':'Dennis Ritchie', 'age':76, 'gender':'male'},
{'name':'Ada Lovelace', 'age':202, 'gender':'female'},
{'name':'Frances E. Allen', 'age':84, 'gender':'female'})
grouped = {item[0]:list(item[1])
for item in itertools.groupby(scientists, lambda x: x['gender'])}