python新手笔记之python高级函数编程
来源:互联网 发布:酒店软件管理系统 编辑:程序博客网 时间:2024/04/27 23:04
python是一种非常强强大的脚本语言,不仅在于编程简洁,而且借鉴了很多其他语言的精妙之处,开始学python的时候听说python是对于编程初学者而言最好的语言,我现在觉得这句话一点也不意外,python确实做到了精简与强大并存,话不多说,整理一下python的超级强大的高级函数
1,reduce——递归编程的利器
问题入门:我们现在需要计算一下N的阶乘,能够想到的方法自然是递归,当然为了介绍reduce,我们肯定是不使用我们熟悉的递归,让我们来看一下reduce的定义:
reduce(function, sequence[, initial])
其中,function是传入的函数,其中注意参数只能是两个,sequence是一个序列,后面的initial参数是可选参数,表示最开始操作的数,如果不输入的话,表示开始的第一个参数是序列的第一个数
下面通过代码计算一下N的阶乘
def mul(x,y): return x*yl=range(20)print reduce(mul,l)
只需四行代码,就能计算阶乘了,至于实现的原理,其实也不复杂,我们只需看一下官网的关于reduce的解释即可:
def reduce(function, iterable, initializer=None): it = iter(iterable) if initializer is None: try: initializer = next(it) except StopIteration: raise TypeError('reduce() of empty sequence with no initial value') accum_value = initializer for x in it: accum_value = function(accum_value, x) return accum_value
看了官方文档的代码是不是豁然开朗,其实也很简单,说到底还是我们最原始的操作,但是不可否认,python对于常见函数的封装极大地降低了编程初学者的难度,也提高了编程的兴趣
2,lambda表达式——简化函数的利器
lambda表达式说穿了也就是一个简化的函数,主要用在一些比较简短的函数代替,如果函数比较复杂还是尽量使用def 定义一个函数,下面我们看一下Lambda的用法:
f=lambda x,y: x+yprint f(2,3)
是不是很简单
3,函数的回调callback——比C++中的回调好用多了
大家应该知道,在VC++开发中,函数的回调非常麻烦,各种函数的指针搞来搞去,头都晕了,在python中不要太简单
以一个代码做简单介绍
def send_weixin(addr,message): print u"发微信("+message+u")给"+addrdef send_email(addr,message): print u"发邮件("+message+u")给"+addrdef send_qq(addr,message): print u"发QQ("+message+u")给"+addrdef send_duanxin(addr,message): print u"发短信("+message+u")给"+addrsend_method={'QQ':send_qq,'WeiXin':send_weixin,'DuanXin':send_duanxin,'Email':send_email}clients={("QQ","73465937","cehngxiansheng"), ("WeiXin","ffaazf","xufuren"), ("DuanXin","12345678","wangxiao"), ("Email","123@hot.com","jack")}def send_messages(): for info in clients: send_method[info[0]](info[1],info[2])if __name__ =="__main__": send_messages()
上面代码主要是将消息发送给不同联系方式的人,根据不同人物的联系方式选择不同的发送函数,我们可以看到其回调函数 send_method[info[0]](info[1],info[2]) 简单的就像是字符串拼接,一个词评价“给力”!
4,函数的闭包——python高手编程法宝
python的函数闭包closure有点像是Java的内部类,这是python的高手编程经常使用的方法,在一些地方用到这种方法会起到意想不到的效果
通过一个例子感受一下
def getMax(x): def getMax_f(value): return True if value>x else False return getMax_fmaxFun=getMax(5)if(maxFun(7)): print "True"
上面代码定义了一个比较函数,maxFun()如果一个大于5则打印“True”,反之“False”,其实我们可以这样理解python的闭包,也就是执行一遍自身再返回自身,上面的例子中,先运行一遍getMax()并且使用参数5初始化getMax_f,然后再返回getMax_f
5,Decorator装饰者模式,经典设计模——python中的“AOP”
在SPring中有个叫“AOP”编程的东西,大家应该不会陌生,面向切面编程的饿实质其实是动态代理的实现,只不过Spring实现的更加好,虽然装饰者模式和动态代理实现起来还是有区别,但是两者的整体实现思想其实差不多,在python中也会有这种实现方式,只不过是以一种更加简单的方式实现出来,不得不感叹Python设计者的牛逼之处
装饰者模式的概念很多讲设计模式的书上已经说了,这里就不再累述,着重看一下python的实现Decorator
来看一下最简单的Decorator
def decorator(f): print "decorator "+f.__name__+"is called" return fdef fun1(): print "fun1 is called"decorator(fun1)()
看一下打印结果
decorator fun1is calledfun1 is called
当然还有另一种通过注释方式写法:
def decorator(f): print "decorator "+f.__name__+"is called" return f@decoratordef fun1(): print "fun1 is called"fun1()
两种执行的结果都一样
代码很容易看懂,其实这很类似函数的闭包,只不过返回的是自身的函数,这里需要说明的是如果使用@注释来调用的话,@这段代码会在程序加载的时候就执行,如下代码
def decorator(f): print "decorator "+f.__name__+"is called" return f@decoratordef fun1(): print "fun1 is called"##fun1()
这段代码打印的结果如下
decorator fun1is called
也就是说即使没有调用fun仍然会执行decorator里面的函数
举一个日常常用的使用装饰者的例子,通常在统计性能的时候我们会检测一下函数执行的时间,如果在每个函数中都加一段代码的话肯定会非常麻烦,这也不适合软件设计的基本思想,这样的话我们可以把计算时间的函数写在装饰器里面,如下
import timedef time_cost(f): start=time.clock(); a=f() end=time.clock() print "time cost is",end-start return a@time_costdef for_loop(): return [(x,y) for x in range(10) for y in range(10) if x*y>25 ]li = for_loopprint len(li)
这样就可以进行 时间计算了,注意这里面并没有将返回值设置为f而是设置为一个list,因此,装饰后的函数就不具备函数特性了,只是一个list
到这时候,装饰器还存在几个问题,第一个就是使用@注解的时候程序会在加载的时候就执行,但往往我们并不需要它执行,第二个问题是装饰器中并不能为传入的函数传递参数,要解决这几个问题,还得回到python中函数闭包函数,如下的代码中,我们使用闭包函可以解决如上的问题,代码如下:
import timedef time_cost(f): def time_cost_f(length): start=time.clock() a=f(length) end=time.clock() print "time cost is",end-start return a return time_cost_f@time_costdef for_loop(length): return [(x,y) for x in range(length) for y in range(length) if x*y>25 ]for_loop(1000)
这样就解决了@注释会提前执行的不足,当然也可以进行多参数传递,只需要修改那个函数中的参数即可
到这里,已经解决了装饰器的绝大部分功能,但是我们还有一个疑问,就是能不能给装饰器传一个参数,比如我们需要获取一个函数执行1000次的最少时间和平均时间,这就需要用到三层嵌套,代码如下
import timedef time_cost(times): def time_cost_f(f): def time_cost_f_f(length): count_mini_time=1000000.0 avg_time=0 sum_time=0 for i in range(times): start=time.clock() a=f(length) end=time.clock() sum_time+=(end-start) if (end-start)<count_mini_time: count_mini_time=end-start avg_time=float(sum_time)/times print "mini_time= " +str(count_mini_time)+" avg_time= "+str(avg_time) return a return time_cost_f_f return time_cost_f@time_cost(100)def for_loop(length): return [(x,y) for x in range(length) for y in range(length) if x*y>25 ]print len(for_loop(100))
如上可以看出,其实三层嵌套也不过是在嵌套器外面加一个参数,并使用一个闭包,代码很好看,我们看一下结果:
mini_time= 0.00128539609795 avg_time= 0.001546673380159714
6,迭代器iterator,本来今天准备说一下send函数和next函数,但是今晚朋友生日喝了点酒,就不写了,迭代器可以参照之前的篇章,也是一个比较有用的方法
- python新手笔记之python高级函数编程
- Python 高级编程笔记之低于类别
- Python之高级函数
- python新手笔记之python继承
- Python笔记(二)——高级特性|函数式编程
- Python编程之高级特性
- Python 高级编程笔记之编写一个包
- Python 高级编程笔记之测试驱动开发
- Python之Map高级函数
- 《Python学习手册》学习笔记(19)之第19章函数的高级话题(关键词:编程语言/Python/函数/递归函数/匿名函数)
- 《Python学习手册》学习笔记(19)之第19章函数的高级话题(关键词:编程语言/Python/递归函数/匿名函数)
- Python编程之函数
- python笔记之函数
- Python编程_Lesson010_函数高级特性
- Python高级编程——6.函数
- Python 高级编程笔记之类别
- python高级编程-装饰器学习笔记
- python面向对象-高级编程 笔记
- 改进神经网络的学习方式(译文)----上
- python新手笔记之python继承
- c语言课程设计
- Python新手笔记之python迭代器遍历列表
- python新手笔记之包和模块的引入
- python新手笔记之python高级函数编程
- 机器学习初识之KNN算法
- 使用经验分享及实现原理简单介绍,dubbo经验分享
- contentMode 属性,视图,填充样式
- 机器学习初识之Kmeans浅尝
- 复制xib文件更改名字后到新工程无法关联
- 判断一个数组是不是排序二叉树后序遍历
- 内部排序(一)
- 层次遍历二叉树的变种