在Python中,代码不是越多越好,而是越少越好。代码不是越复杂越好,而是越简单越好。基于这一思想,我们来介绍Python中非常有用的高级特性。请始终牢记,代码越少,开发效率越高。
一切片
二迭代
三列表生成器
四生成器
五迭代器
一 切片slice
取一个list或tuple的部分元素是非常常见的操作。
例1
>>> L = ['Michael', 'Sarah', 'Tracy', 'Bob', 'Jack']
>>> L[0:3]
['Michael', 'Sarah', 'Tracy']
>>> L[-2:]
['Bob', 'Jack']
>>> L[-2:-1]
['Bob']
>>> L[0:4:2]
['Michael', 'Tracy']
>>> L[::-1]
['Jack', 'Bob', 'Tracy', 'Sarah', 'Michael']
tuple也是一种list,唯一区别是tuple不可变。
因此,tuple也可以用切片操作,只是操作的结果仍是tuple.
字符串'xxx'也可以看成是一种list,每个元素就是一个字符。因此,字符串也可以用切片操作,只是操作结果仍是字符串
二 迭代iteration
如果给定一个list或tuple,我们可以通过for循环来遍历这个list或tuple,这种遍历我们称为迭代(Iteration)。
默认情况下,dict迭代的是key。如果要迭代value,可以用for value in d.values(),如果要同时迭代key和value,可以用for k, v in d.items()。
字符串也是可迭代对象,因此,也可以作用于for循环。
可以通过collections模块的Iterable类型判断一个对象是否式可迭代对象:
例2
>>> from collections import Iterable
>>> isinstance('abc', Iterable)
True
>>> isinstance([1,2,3], Iterable)
True
>>> isinstance({'a': 1, 'b': 2, 'c': 3}, Iterable)
True
>>> isinstance(123, Iterable)
False
三 列表生成式
列表生成式即List Comprehensions,是Python内置的非常简单却强大的可以用来创建list的生成式。
例3
>>> list(range(1, 11))
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
>>> [x * x for x in range(1, 11) if x % 2 == 0]
[4, 16, 36, 64, 100]
>>> [m + n for m in 'ABC' for n in 'XYZ']
['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']
例4
>>> d = {'x': 'A', 'y': 'B', 'z': 'C' }
>>> for k, v in d.items):
... print(k, '=', v)
x = A
y = B
z = C
>>> [k + '=' + v for k, v in d.items()]
['x=A', 'y=B', 'z=C']
>>> [k.lower() for k in d.keys()]
['x', 'y', 'z']
四 生成器
列表元素按照某种算法推算出来,不必创建完整的list,而是在循环的过程中不断推算出后续的元素,从而节省大量的空间。这种一边循环一边计算的机制,称为生成器。
创建方法一:
例5
>>> L = [x * x for x in range(10)]
>>> L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> type(L)
<class 'list'>
>>> g = (x * x for x in range(10)) //创建L和g的区别仅在于最外层的[]和(),L是一个list,而g是一个generator
>>> g
<generator object <genexpr> at 0x1028f33b8>
>>> type(g)
<class 'generator'>
>>> next(g) //generator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的错误。
0
>>> next(g)
1
>>> next(g)
4
>>> for n in g:
... print(n)
...
9
16
25
36
49
64
81
创建方法二:如果一个函数定义中包含yield关键字,那么这个函数就不再是一个普通函数,而是一个generator。
例6
>>> def fib(max):
... n, a, b = 0, 0, 1
... while n < max:
... yield b //如果是print b,则生成的是一个数列
... a, b = b, a + b //输出斐波那契数列
... n = n + 1
... return 'done'
...
>>> type(fib(6))
<class 'generator'>
注意:generator和函数的执行流程不一样。函数是顺序执行,遇到return语句或者最后一行函数语句就返回。而变成generator的函数,在每次调用next()的时候执行,遇到yield语句返回,再次执行时从上次返回的yield语句处继续执行。
例7 写一个杨辉三角generator
>>> def triangles():
... L = [1]
... while True:
... yield L
... L = [x+y for x,y in zip( [0]+L, L+[0] )]
...
>>> n = 0
>>> results = []
>>> for t in triangles():
... print(t)
... results.append(t)
... n = n + 1
... if n == 10:
... break
...
[1]
[1, 1]
[1, 2, 1]
[1, 3, 3, 1]
[1, 4, 6, 4, 1]
[1, 5, 10, 10, 5, 1]
[1, 6, 15, 20, 15, 6, 1]
[1, 7, 21, 35, 35, 21, 7, 1]
[1, 8, 28, 56, 70, 56, 28, 8, 1]
[1, 9, 36, 84, 126, 126, 84, 36, 9, 1]
五 迭代器
直接作用于for循环的数据类型有以下几种:
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。
这些可以直接作用于for循环的对象统称为可迭代对象:Iterable。
可以被next()函数调用并不断返回下一个值的对象称为迭代器:Iterator。
可以使用isinstance()判断一个对象是否是Iterable对象或者Iterator。
例8
>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance(100, Iterable)
False
>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False
Python的Iterator对象表示的是一个数据流,Iterator对象可以被next()函数调用并不断返回下一个数据,直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列,但我们却不能提前知道序列的长度,只能不断通过next()函数实现按需计算下一个数据,所以Iterator的计算是惰性的,只有在需要返回下一个数据时它才会计算。
Iterator甚至可以表示一个无限大的数据流,例如全体自然数。而使用list是永远不可能存储全体自然数的。