第9章-符合Python风格的对象
format表示法
>>> print "Hello %(name)s !" % {'name': 'James'}
Hello James !
>>> print "I am years %(age)i years old" % {'age': 18}
I am years 18 years old
#format的写法:
>>> print "Hello {name} !".format(name="James")
Hello James ! __slots__方法
Python内置属性很多，其中__slots__属性比较少会被用到，基本不会被当作是必选项。但如果您对内存使用有颇高的要求，__slots__会给你很大帮助。
__slots__的目的又是什么呢？
答案是：优化内存使用。限制实例属性的自由添加只是副作用而已。
那么__slots__属性究竟如何神奇？
这要先从__dict__属性说起。
__dict__属性的用途在于记录实例属性：
__dict__属性用来记录实例中的属性信息，如果对实例中的属性信息进行修改或者添加新的属性，__dict__都会对其进行记录。
class Person(object):
def __init__(self, name, age):
self.name = name
self.age = age
person = Person("tony", 20) # 对Person类实例化
print(person.__dict__) # 记录实例所有的属性 {'name': 'tony', 'age': 20}
person.age = 'jacky'
person.gender = 'male'
print(person.__dict__) # {'name': 'tony', 'age': 'jacky', 'gender': 'male'}
那么__slots__跟__dict__又有什么关系呢？
简单点理解:
__slots__存在的价值在于删除__dict__属性，从而来优化类实例对内存的需求。
而这带来的副作用就是：由于缺少了__dict__，类实例木有办法再自由添加属性了！
class Person(object):
__slots__ = ("name", "age")
def __init__(self, name, age):
self.name = name
self.age = age
person = Person("tony", 20) # 对Person类实例化
print("__dict__" in dir(person)) # False, 没有了__dict__属性
person.age = 'jacky'
person.gender = 'male' # AttributeError: 'Person' object has no attribute 'gender'
# 这就是__slots__的副作用，不能自由添加实例属性了
总结：
默认情况下，自定义的对象都使用dict来存储属性（通过obj.__dict__查看），而python中的dict大小一般比实际存储的元素个数要大（以此降低hash冲突概率），因此会浪费一定的空间。
在新式类中使用__slots__，就是告诉Python虚拟机，这种类型的对象只会用到这些属性，
因此虚拟机预留足够的空间就行了
如果声明了__slots__，那么对象就不会再有__dict__属性。
到底能省多少，取决于类自身有多少属性、属性的类型，以及同时存在多少个类的实例
可以查看这个链接
我们也可以自己测试下结果：
# 使用 profile 进行性能分析
import profile
class A(object):
def __init__(self, x, y):
self.x = x
self.y = y
def profile_result():
f = [A(1, 2) for i in range(100000)]
if __name__ == "__main__":
profile.run("profile_result()")返回结果：
100006 function calls in 0.297 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.297 0.297 :0(exec)
1 0.000 0.000 0.000 0.000 :0(setprofile)
1 0.016 0.016 0.297 0.297 :1()
1 0.000 0.000 0.281 0.281 demo.py:11(profile_result)
1 0.141 0.141 0.281 0.281 demo.py:12()
100000 0.141 0.000 0.141 0.000 demo.py:6(__init__)
1 0.000 0.000 0.297 0.297 profile:0(profile_result())
0 0.000 0.000 profile:0(profiler)
这里返回值参数意思：
其中输出每列的具体解释如下：
ncalls：表示函数调用的次数；
tottime：表示指定函数的总的运行时间，除掉函数中调用子函数的运行时间；
percall：（第一个 percall）等于 tottime/ncalls；
cumtime：表示该函数及其所有子函数的调用运行的时间，即函数开始调用到返回的时间；
percall：（第二个 percall）即函数运行一次的平均时间，等于 cumtime/ncalls；
filename:lineno(function)：每个函数调用的具体信息；查看内存占用情况：
# 使用 profile 进行性能分析
from memory_profiler import profile
class A(object):
def __init__(self, x, y):
self.x = x
self.y = y
@profile
def profile_result():
f = [A(1, 2) for i in range(100000)]
if __name__ == "__main__":
profile_result()
返回结果：
Filename: d:\学习\python\demo\demo.py
Line # Mem usage Increment Line Contents
================================================
11 50.8 MiB 50.8 MiB @profile
12 def profile_result():
13 68.8 MiB 0.6 MiB f = [A(1, 2) for i in range(100000)]
改用__slots__的方式：
# 使用 profile 进行性能分析
from memory_profiler import profile
class A(object):
__slots__ = ('x', 'y')
def __init__(self, x, y):
self.x = x
self.y = y
@profile
def profile_result():
f = [A(1, 2) for i in range(100000)]
if __name__ == "__main__":
profile_result()
返回结果：
Filename: d:\学习\python\demo\demo.py
Line # Mem usage Increment Line Contents
================================================
13 50.6 MiB 50.6 MiB @profile
14 def profile_result():
15 57.9 MiB 0.7 MiB f = [A(1, 2) for i in range(100000)]
可以看到内存使用由原先的68.8MB->57.9MB