[持续更新]Python 笔记

本文以 Python 2.7 为基础。

 

lambda 函数实现递归

方法一:传递一个 self 参数

求阶乘:

1 frac = lambda self, x: self(self, x - 1) * x if x > 1 else 1
2 print frac(frac, 4)

方法二(匿名函数实现递归):将一个完整的 lambda 函数体作为参数

求最大公因数:

(lambda a, b, s = lambda a, b, f: f(b, a % b, f) if b else a: s(a, b, s))(3, 5)

由此可以用一行代码求多个数的最小公倍数:

(lambda *args: reduce(lambda a, b: a * b / (lambda a, b, s = lambda a, b, f: f(b, a % b, f) if b else a: s(a, b, s))(a, b), args))(2, 3, 4)

 

Decorator

Decorator,修饰器,顾名思义就是对函数进行「修饰」(即添加一些功能)的语法糖。一个简单的例子如下:

1 def transform(func):
2     print 'Hello, '
3     return func
4 
5 @transform
6 def world():
7     print 'World!'
8 
9 world()

通过在 world 函数的定义之前添加一句 @transform 完成 transform 函数对 world 函数的修饰,上面这段程序的运行结果是输出 'Hello, World!'

事实上,@transform 一句被解释为 world = transform(world),从中可以看出:

1. transform 函数的返回值应该是一个函数;

2. 在 @transform 时 transform 函数被执行了一次;

3. world 函数将会成为一个新的函数的实例(尽管在这个例子中它还是它本身)。

那么对上面的代码的实质有了一些解释:

1. 'Hello, '这部分实际上在 world 函数定义完成时输出,所以即使不调用 world 函数也会输出 'Hello, ' 这部分;

2. 'World!'这部分在调用 world 函数时输出;

3. 由于 world 函数本身的内容并没有发生变化,所以如果第二次调用 world,将只是输出 'World!'

接下来看被修饰的函数被替换为新的函数实例的情况:

 1 def transform(func):
 2     def inside():
 3         print 'Hello,',
 4         func()
 5     return inside
 6 
 7 
 8 @transform
 9 def world():
10     print 'World!'
11 
12 world()

对这段代码的解释:

1. 由于 transform 函数内部只是定义了另外一个函数而没有执行其他实际(输出)操作,所以 @transform 一句执行时并没有任何输出;

2. world 函数在 @transform 一句执行之后内容被替换为了 inside 函数的内容,而 inside 函数实际上执行了两部分内容:第一步是输出 'Hello, ',第二步是执行原来的 world 函数的内容,即输出 'World!'。所以新的 world 函数实际上也也是执行了这样两个输出;

3. 由于 world 函数的实际内容已经发生变化,所以如果第二次执行 world 函数输出的也是 'Hello, World!'

Decorator 的好处:

「将函数的约束放置于接口处,使意图更加明了,同时又不增加调用者的负担。」(引用自http://blog.csdn.net/thy38/article/details/4471421  Python Decorator 的带参数用法也请参考此文。)


 

2017年8月3日更新:

带参数的 decorator:

def wrapper(arg):
  def decorator(func):
print arg
return func return decorator

@wrapper("hello ")
def func():
print "world"

Multiple decorators apply in nested fashion, for example:

@f1(arg)
@f2
def func(): pass

is roughly equivalent to

def func(): pass
func = f1(arg)(f2(func))

实际应用

Flask 中的 Flask.route()
def route(self, rule, **options):
        def decorator(f):
            endpoint = options.pop('endpoint', None)
            self.add_url_rule(rule, endpoint, f, **options)
            return f
        return decorator

形如 @app.route 这样的写法实际上只是调用了 add_url_rule 方法。

实现 Multimethod

http://www.artima.com/weblogs/viewpost.jsp?thread=101605

本质

Decorator 的本质是 higher-order function call 的语法糖,其本身并没有什么强大之处, 只不过为函数变换提供了直观简单的语法结构。

转载于:https://www.cnblogs.com/lsdsjy/p/4305340.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
学习数据分析是当代信息时代的一项重要技能,Python作为一种强大的编程语言,是数据分析的热门工具之一。以下是我在学习利用Python进行数据分析过程中的一些笔记。 首先,学习Python的基础知识是必不可少的。了解Python的基本语法、数据类型、循环和条件语句等知识对于数据分析的学习非常重要。我通过自学网课和阅读相关书籍,逐渐掌握了Python的基础知识。 其次,学习使用Python的数据分析库。在Python中,有很多强大的数据分析库,例如NumPy、Pandas和Matplotlib等。我通过学习这些库的用法,掌握了数据的处理、清洗、分析和可视化的技巧。我学习了如何使用NumPy进行矩阵运算和数值计算,如何使用Pandas进行数据处理和数据操作,以及如何使用Matplotlib进行数据可视化。 除了数据分析库,学习Python的机器学习库也是必不可少的。机器学习在数据分析中扮演着重要角色,Python中有很多优秀的机器学习库,例如Scikit-learn和TensorFlow。我通过学习这些库的使用,了解了机器学习的基本概念和常用算法,例如回归、分类和聚类等。我也学习了如何使用这些库来构建和训练机器学习模型。 最后,实践是学习的关键。在学习的过程中,我通过实践项目来巩固所学知识。我选择了一些真实的数据集,并运用Python的数据分析技术进行数据处理、分析和可视化。通过实践,我不仅掌握了数据分析的具体步骤和方法,还锻炼了自己解决实际问题的能力。 总的来说,学习利用Python进行数据分析需要掌握Python的基础知识、数据分析库和机器学习库的使用,同时也需要通过实践项目来巩固所学知识。这个过程需要持续不断的学习和实践,但是通过不断的努力和实践,我相信能够掌握Python进行数据分析的技能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值