0
点赞
收藏
分享

微信扫一扫

Python学习记录——8.列表生成式,迭代器,生成器,装饰器


文章目录

  • ​​1.列表生成式​​
  • ​​2.迭代器​​
  • ​​3.生成器​​
  • ​​4.装饰器​​

1.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。

举个例子,要生成list ​​[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]​​​可以用​​list(range(1, 11))​​:

>>> list(range(1, 11))
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

但如果要生成​​[1x1, 2x2, 3x3, ..., 10x10]​​怎么做?方法一是循环:

>>> L = []
>>> for x in range(1, 11):
... L.append(x * x)
...
>>> L
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

但是循环太繁琐,而列表生成式则可以用一行语句代替循环生成上面的list:

>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

写列表生成式时,把要生成的元素​​x * x​​​放到前面,后面跟​​for​​循环,就可以把list创建出来,十分有用,多写几次,很快就可以熟悉这种语法。

for循环后面还可以加上if判断,这样我们就可以筛选出仅偶数的平方:

>>> [x * x for x in range(1, 11) if x % 2 == 0]
[4, 16, 36, 64, 100]

还可以使用两层循环,可以生成全排列:

>>> [m + n for m in 'ABC' for n in 'XYZ']
['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']

三层和三层以上的循环就很少用到了。

运用列表生成式,可以写出非常简洁的代码。例如,列出当前目录下的所有文件和目录名,可以通过一行代码实现:

>>> import os # 导入os模块,模块的概念后面讲到
>>> [d for d in os.listdir('.')] # os.listdir可以列出文件和目录
['.emacs.d', '.ssh', '.Trash', 'Adlm', 'Applications', 'Desktop', 'Documents', 'Downloads', 'Library', 'Movies', 'Music', 'Pictures', 'Public', 'VirtualBox VMs', 'Workspace', 'XCode']

​for​​​循环其实可以同时使用两个甚至多个变量,比如​​dict​​​的​​items()​​可以同时迭代key和value:

>>> d = {'x': 'A', 'y': 'B', 'z': 'C' }
>>> for k, v in d.items():
... print(k, '=', v)
...
y = B
x = A
z =

因此,列表生成式也可以使用两个变量来生成list:

>>> d = {'x': 'A', 'y': 'B', 'z': 'C' }
>>> [k + '=' + v for k, v in d.items()]
['y=B', 'x=A', 'z=C']

最后把一个list中所有的字符串变成小写:

>>> L = ['Hello', 'World', 'IBM', 'Apple']
>>> [s.lower() for s in L]
['hello', 'world', 'ibm', 'apple']

运用列表生成式,可以快速生成list,可以通过一个list推导出另一个list,而代码却十分简洁。

2.迭代器

可以直接作用于​​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​​。

可以使用​​isinstance()​​​判断一个对象是否是​​Iterable​​对象:

>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False

而生成器不但可以作用于​​for​​​循环,还可以被​​next()​​​函数不断调用并返回下一个值,直到最后抛出​​StopIteration​​错误表示无法继续返回下一个值了。

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​​Iterator​​对象:

>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False

生成器都是​​Iterator​​​对象,但​​list​​​、​​dict​​​、​​str​​​虽然是​​Iterable​​​,却不是​​Iterator​​。

把​​list​​​、​​dict​​​、​​str​​​等​​Iterable​​​变成​​Iterator​​​可以使用​​iter()​​函数:

>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True

你可能会问,为什么​​list​​​、​​dict​​​、​​str​​​等数据类型不是​​Iterator​​?

这是因为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。

总结

凡是可作用于​​for​​​循环的对象都是​​Iterable​​类型;

凡是可作用于​​next()​​​函数的对象都是​​Iterator​​类型,它们表示一个惰性计算的序列;

集合数据类型如​​list​​​、​​dict​​​、​​str​​​等是​​Iterable​​​但不是​​Iterator​​​,不过可以通过​​iter()​​​函数获得一个​​Iterator​​对象。

Python的​​for​​​循环本质上就是通过不断调用​​next()​​函数实现的,例如:

for x in [1, 2, 3, 4, 5]:
pass

实际上完全等价于:

# 首先获得Iterator对象:
it = iter([1, 2, 3, 4, 5])
# 循环:
while True:
try:
# 获得下一个值:
x = next(it)
except StopIteration:
# 遇到StopIteration就退出循环
break

3.生成器

通过列表生成式,我们可以直接创建一个列表。但是,受到内存限制,列表容量肯定是有限的。而且,创建一个包含100万个元素的列表,不仅占用很大的存储空间,如果我们仅仅需要访问前面几个元素,那后面绝大多数元素占用的空间都白白浪费了。

所以,如果列表元素可以按照某种算法推算出来,那我们是否可以在循环的过程中不断推算出后续的元素呢?这样就不必创建完整的list,从而节省大量的空间。在Python中,这种一边循环一边计算的机制,称为生成器:generator。

要创建一个generator,有很多种方法。第一种方法很简单,只要把一个列表生成式的​​[]​​​改成​​()​​,就创建了一个generator:

>>> L = [x * x for x in range(10)]
>>> L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x1022ef630>

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。

我们可以直接打印出list的每一个元素,但我们怎么打印出generator的每一个元素呢?

如果要一个一个打印出来,可以通过​​next()​​函数获得generator的下一个返回值:

>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
>>> next(g)
9
>>> next(g)
16
>>> next(g)
25
>>> next(g)
36
>>> next(g)
49
>>> next(g)
64
>>> next(g)
81
>>> next(g)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>

我们讲过,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。

当然,上面这种不断调用​​next(g)​​​实在是太变态了,正确的方法是使用​​for​​循环,因为generator也是可迭代对象:

>>> g = (x * x for x in range(10))
>>> for n in g:
... print(n)
...
0
1
4
9
16
25
36
49
64
81

所以,我们创建了一个generator后,基本上永远不会调用​​next()​​​,而是通过​​for​​​循环来迭代它,并且不需要关心​​StopIteration​​的错误。

generator非常强大。如果推算的算法比较复杂,用类似列表生成式的​​for​​循环无法实现的时候,还可以用函数来实现。

比如,著名的斐波拉契数列(Fibonacci),除第一个和第二个数外,任意一个数都可由前两个数相加得到:

1, 1, 2, 3, 5, 8, 13, 21, 34, …

斐波拉契数列用列表生成式写不出来,但是,用函数把它打印出来却很容易:

def fib(max):
n, a, b = 0, 0, 1
while n < max:
print(b)
a, b = b, a + b
n = n + 1
return 'done'

注意,赋值语句:

a, b = b, a +

相当于:

t = (b, a + b) # t是一个tuple
a = t[0]
b = t[1]

但不必显式写出临时变量t就可以赋值。

上面的函数可以输出斐波那契数列的前N个数:

>>> fib(6)
1
1
2
3
5
8
'done'

仔细观察,可以看出,​​fib​​函数实际上是定义了斐波拉契数列的推算规则,可以从第一个元素开始,推算出后续任意的元素,这种逻辑其实非常类似generator。

也就是说,上面的函数和generator仅一步之遥。要把​​fib​​​函数变成generator,只需要把​​print(b)​​​改为​​yield b​​就可以了:

def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1
return 'done'

这就是定义generator的另一种方法。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:

>>> f = fib(6)
>>> f
<generator object fib at 0x104feaaa0>

这里,最难理解的就是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。

举个简单的例子,定义一个generator,依次返回数字1,3,5:

def odd():
print('step 1')
yield 1
print('step 2')
yield(3)
print('step 3')
yield(5)

调用该generator时,首先要生成一个generator对象,然后用​​next()​​函数不断获得下一个返回值:

>>> o = odd()
>>> next(o)
step 1
1
>>> next(o)
step 2
3
>>> next(o)
step 3
5
>>> next(o)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>

可以看到,​​odd​​​不是普通函数,而是generator,在执行过程中,遇到​​yield​​​就中断,下次又继续执行。执行3次​​yield​​​后,已经没有​​yield​​​可以执行了,所以,第4次调用​​next(o)​​就报错。

回到​​fib​​​的例子,我们在循环过程中不断调用​​yield​​,就会不断中断。当然要给循环设置一个条件来退出循环,不然就会产生一个无限数列出来。

同样的,把函数改成generator后,我们基本上从来不会用​​next()​​​来获取下一个返回值,而是直接使用​​for​​循环来迭代:

>>> for n in fib(6):
... print(n)
...
1
1
2
3
5
8

但是用​​for​​​循环调用generator时,发现拿不到generator的​​return​​​语句的返回值。如果想要拿到返回值,必须捕获​​StopIteration​​​错误,返回值包含在​​StopIteration​​​的​​value​​中:

>>> g = fib(6)
>>> while True:
... try:
... x = next(g)
... print('g:', x)
... except StopIteration as e:
... print('Generator return value:', e.value)
... break
...
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
Generator return value:

总结

generator是非常强大的工具,在Python中,可以简单地把列表生成式改成generator,也可以通过函数实现复杂逻辑的generator。

要理解generator的工作原理,它是在​​for​​​循环的过程中不断计算出下一个元素,并在适当的条件结束​​for​​​循环。对于函数改成的generator来说,遇到​​return​​​语句或者执行到函数体最后一行语句,就是结束generator的指令,​​for​​循环随之结束。

请注意区分普通函数和generator函数,普通函数调用直接返回结果:

>>> r = abs(6)
>>> r
6

generator函数的“调用”实际返回一个generator对象:

>>> g = fib(6)
>>> g
<generator object fib at 0x1022ef948>

4.装饰器

由于函数也是一个对象,而且函数对象可以被赋值给变量,所以,通过变量也能调用该函数。

>>> def now():
... print('2015-3-25')
...
>>> f = now
>>> f()
2015-3-25

函数对象有一个​​__name__​​属性,可以拿到函数的名字:

>>> now.__name__
'now'
>>> f.__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

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

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

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

​import functools​​​是导入​​functools​​​模块。模块的概念稍候讲解。现在,只需记住在定义​​wrapper()​​​的前面加上​​@functools.wraps(func)​​即可。

总结

在面向对象(OOP)的设计模式中,decorator被称为装饰模式。OOP的装饰模式需要通过继承和组合来实现,而Python除了能支持OOP的decorator外,直接从语法层次支持decorator。Python的decorator可以用函数实现,也可以用类实现。

decorator可以增强函数的功能,定义起来虽然有点复杂,但使用起来非常灵活和方便。

请编写一个decorator,能在函数调用的前后打印出​​'begin call'​​​和​​'end call'​​的日志。

再思考一下能否写出一个​​@log​​的decorator,使它既支持:

@log
def f():
pass

又支持:

@log('execute')
def f():
pass


举报

相关推荐

0 条评论