Python自学day-4 (字符串、装饰器、生成式、生成器、迭代器、内置方法、JSON、pickle、目录结构)...

一、字符串转为字典（eval）：也可以用于转列表、集合等

s1 = "['name','leo']"
s_list = eval(s1)    #字符串转换为列表
print(s_list[1])

s2 = "{'name':'leo','age':32}"
s_dict = eval(s2)    #字符串转换为字典
print(s_dict['name'])

s3 = "{1,2,3,4}"
s_set = eval(s3)    #字符串转换为集合
print(s_set.remove(4))
s4 = "(1,2,3,4)"
s_tuple = eval(s4)    #字符串转换为元组
print(s_tuple[1])

 

二、装饰器（decorator）

 

     装饰器定义：本质是函数。功能是用来装饰其他函数，即为其他函数添加附加功能。

    

     遵循原则：

1. 不能修改被装饰函数的源代码。
2. 被装饰函数的调用方式不能改变。

 

     总结：装饰器对于被装饰函数，是完全透明的。

 

     实现装饰器知识储备：

1. 函数即“变量”
2. 高阶函数
3. 嵌套函数

eg.

import time
def timer(func1):   #装饰器
    def warpper(*args,**kwargs):
        start_time = time.time()
        func1(*args,**kwargs)  #调用被装饰的函数
        end_time = time.time()
        print("使用时间{time}s".format(time = int(end_time- start_time)))
    return warpper

@timer
def func(str):
    for i in range(40):
        print("func() "+str)
        time.sleep(0.1)

func("Hello World")    

     函数即变量：

    变量x=1在内存中的存储方式见下图：

 

     

    定义一个函数，相当于将函数体赋值给变量test。test="函数体"。该函数体仅仅是一串字符。

def test():
    pass

    Python内存回收机制：

x=1    #对数字1存在的内存有一个引用x
y=x    #对数字1存在的内存添加了另外一个引用。
del x    #删除x引用
del y    #删除y引用

当所有的引用都被删除后，1占用的内存会被垃圾回收器（GC）回收。

 

 

     函数或变量定义的顺序：只要在调用前定义好所有需要的变量或函数，则运行没有影响。解释器先解释了定义的语句，然后才解释运行的语句。所以定义的先后无所谓。参照上面《函数即变量》所述。函数定义时，会将函数体存在到内存中，使用函数名作为引用名。当运行到该函数时，解释器会根据函数名去查找内存中的函数体，如果在调用前未定义，则会报错。若已经定义，则解释执行。所以函数调用与函数定义的先后顺序无关。

 

     高阶函数：

    满足以下两个条件就叫高阶函数：

1. 把一个函数名当做实参传给另外一个函数。
2. 返回值中包含函数名。

def bar():
    print("in bar")

def test(func_name):
    func_name()

test(bar)

     装饰器实现-1：使用高阶函数

import time

def deco(func):
    start_time = time.time()
    func()
    end_time = time.time()
    print("func run time is %s" % (end_time-start_time))

def test1():
    time.sleep(2)

deco(test1)

    上述代码的test()类似装饰器。但是，虽然没有改变test1()的源代码。但是test1的调用方式被修改了。

 

     装饰器实现-2：使用函数嵌套

import time

def timer(func):    #将test1传递给func形参。func=test1
    def deco():
        start_time = time.time()    #获取开始时间
        func()   #此处调用test1()
        end_time = time.time()    #获取结束时间
        print("Func Run Time is %s" % (end_time-start_time))
    return deco    #将deco函数的地址返回

def test1():
    time.sleep(2)

test1 = timer(test1)    #将timer()返回的deco地址覆盖到test1

test1()    #调用test1，相当于调用deco.            

     装饰器实现-3：使用语法糖 @

    使用语法糖“@”。

@timer    #相当于test1 = timer(test1)
def test1():
　　time.sleep(2)

     装饰器实现-4：传递被装饰函数的参数

import time

def timer(func):
    def deco(*args,**kwargs):   #接收来自test1的参数
        start_time = time.time()
        res = func(*args,**kwargs)    #将deco接收到的参数传递给test1
        end_time = time.time()
        print("Func Run Time is %s" % (end_time-start_time))
        return res   #deco返回test1的返回值
    return deco

@timer
def test1(name,age):
    print(name,age)
    time.sleep(2)
    return "Result"  #被装饰函数有返回值

print(test1("Leo",31))   #调用test1相当于调用deco。传递参数，相当于传递给deco。

     装饰器实现-5：传递装饰器参数

import time
def timer(time_type):   #装饰器的参数传递到最外层
    def outer(func):    #被装饰函数传递到该层
        def deco(*args,**kwargs):   #接收来自test1的参数
            start_time = time.time()
            res = func(*args,**kwargs)    #将deco接收到的参数传递给test1
            end_time = time.time()
            print("Func Run Time is %s" % (end_time-start_time))
            return res
        return deco
    return outer

@timer(time_type="t_type")  #此时，timer有括号，则执行timer(time_type = "t_type"),返回outer。test1=outer(test1)。
def test1(name,age):
    print(name,age)
    time.sleep(2)
    return "Result"
print(test1("Leo",31))   #调用test1相当于调用deco。传递参数，相当于传递给deco。        

 

三、列表生成式

list_new = [ x*2 for x in range(10) ]    #生成[0,2,4,6,8,10,12,14,16,18]
print(list_new)
def func(x):
    return x**2
list_new = [ func(x) for x in range(10) ]    #range(10)的每一个元素都传递给func()
print(list_new)

 

四、生成器

 

    与列表生成式不同，列表生成式会在执行时直接生成一个全量的列表，比如rang(10000000)，则会生成一个1千万元素的列表，非常占用内存空间。

     生成器：( x*2 for x in range(10000000) )执行后产生一个generator object。这个对象就叫做生成器。使用生成器来循环列表，只会根据当前循环的次数实时产生列表元素，大量节省内存空间。

 

     性能比较如下代码：利用前面所学的装饰器给两个循环函数加上运行时间。得出结果，生成式耗时2s，而生成器耗时几乎为0。

import time
def timer(func):
def wrapper(*args,**kwargs):
start_time = time.time()
        func(*args,**kwargs)
        end_time = time.time()
print("Time : %s" % (end_time-start_time))
return wrapper

def func(x):
return x*2
@timer
def list_new_loop():
    list_new = [ func(x) for x in range(10000000) ]
    print(type(list_new))
    for i in list_new:
        if i ==100:
        break
        print(i)

@timer
def list_new2_loop():
    list_new2 = ( func(x) for x in range(10000000))
    print(type(list_new2))
    for i in list_new2:
        if i ==100:
        break
        print(i)

list_new_loop()
list_new2_loop()    

 

   

     生成式和生成器的区别：

 

    除了在循环中存在内存空间占用的区别。

    另外还有一个很重要的区别：

    生成器不能直接用下标取值，因为他并未在内存中存放实际列表的元素。必须循环到某个下标才能实时生成元素并取值。

    可以使用__next__()实时生成下一个元素并取值。

l = ( x*2 for x in range(100))
print(l.__next__())  #同next(l)

    但是没有方法可以取到前面的值。因为生成器为了节省内存，只记住当前位置的元素，前面使用过的就扔掉了。

 

     另一种生成器产生方法：（前一种方法的底层实现是这种函数方法）

         下面函数打印一个斐波那契数列：

#斐波那契
def feibonaq(max_num):
    n ,a ,b = 0 ,0 ,1
    while n < max_num:
        print(b)
        a , b = b , a+b
        n += 1

feibonaq(20)

        将其中的print(b)替换为yield b。则feibonaq()返回一个生成器。

#斐波那契

def feibonaq(max_num):
    n ,a ,b = 0 ,0 ,1
    while n < max_num:
        yield b        #使用yield b
        a , b = b , a+b
        n += 1

f = feibonaq(20)    #返回一个
print(f.__next__())    #获取一个b的值，也可以用next(f)
print(f.__next__())    #获取下一个b的值
print(f.__next__())
print("Do other things")    #可以做其他事情
print(f.__next__())    #再取下一个b的值

    yield返回当前状态的值，该函数并停在这里，等执行完其他操作后，再次执行next时，再回来继续执行。

 

     给yield传值：

def consumer(name):
    print("%s 准备吃包子啦!" % name)
    while True:
        baozi = yield    #使consumer返回一个生成器generator,接受参数并赋值给baozi
        print("包子 [%s] 来了，被 [%s] 吃了！" % (baozi,name))

c = consumer("Leo")    #返回一个生成器给c
c.__next__()    #开始触发生成器（必须）  
bz = "韭菜馅包子"    
c.send(bz)    #传递参数给yield（重要）

     单线程下实现并行效果：（nginx就是这种原理，单线程下并发效率比多线程还高）异步IO的雏形。

import time
def consumer(name):
    print("%s 准备吃包子啦!" % name)
    while True:
        baozi = yield
        print("[%s] 被 [%s] 吃了！" % (baozi,name))
def productor(name):
    c = consumer("Leo")
    c1 = consumer("Kale")
    c.__next__()
    c1.__next__()
    print("[%s] 开始做包子了！" % name)
    for i in range(10):
        time.sleep(0.5)
        baozi_half = "包子的一半"
        baozi_other_half = "包子的另一半"
        print("老子做了一个包子，分成两半！")
        c.send(baozi_half)
        c1.send(baozi_other_half)
productor("cooker")

    程序解释：

• 为什么在c = consumer()后必须执行一次c.__next__()。以为c = consumer()只是将consumer函数变成一个生成器。第一次调用__next__()，是为了将程序走到baozi = yield这一步，并且打印前面的“准备吃包子啦”。

 

五、迭代器

 

    可以循环的数据类型：list、tuple、dict、set、str、文件和生成器（一种数据结构）。这些可以循环的对象，统称为可迭代对象（Interable）。

    判断一个对象是否是可迭代的对象：使用isinstance( [], interable )

from collections import Iterable
print(isinstance([],Iterable))    #判断列表是否可迭代，返回True

     迭代器：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。例如生成器是一种迭代器，但迭代器不一定是生成器。文件句柄也是一个迭代器。

from collections import *
print(isinstance([],Iterator))    #列表不是迭代器，但是是可迭代对象
print(isinstance( (x*2 for x in range(5)) ,Iterator))    #生成器是迭代器，返回Ture
f = open("log.txt","r+",encoding = "utf-8")
print(isinstance(f,Iterator))    #文件句柄是迭代器。

     使用DIR看方法：如果方法中有__next__()则就是迭代器。

print(dir(x*2 for x in range(5)))   #方法中存在__next__()，所以是迭代器
print(dir([]))    #[]不是一个迭代器,返回False
next([])    #报错TypeError: 'list' object is not an iterator
print(dir(dict))    #False
print(dir(tuple))    #False
print(dir(set))    #False

    Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()调用，并不断返回下一个数据，直到没有数据抛出StopIteration错误。

    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。

 

    创建一个Iterator：for循环的底层实际就是用迭代器实现的，高效。

it = iter([1,2,3,4,5])    #创建一个迭代器it
while True:
    try:
        x = next(it)    #使用next获取每一个数据
        print(x)
    except StopIteration as err:
        break

     range()：在Python3.x中，range()返回一个range对象，该对象是可迭代的，其包含一个迭代器，即ran.__iter__()的返回值。使用该迭代器可以取其中的值。Python2.x中，range()直接返回一个列表，xrange()对应3.x中的range()

ran = range(10)
ran_iter = ran.__iter__()
print(type(ran_iter))
while True:
    try:
        print(ran_iter.__next__())
    except StopIteration:
        break

 

    六、内置方法（built-in）

 

     all()：参数为可迭代对象，例如列表、字典等。当所有的元素都为True则返回True。

print(all([1,2,3,4,5]))    #返回True
print(all([0,1,2,3,4]))    #返回False

     any()：参数为可迭代对象。其中有一个元素为True，则返回True。

print(any([1,2,3,4,5]))    #返回True
print(any([0,1,2,3,4]))    #返回True
print(any([0,0,0]))    #返回False

     bin()：将整数转换为二进制数。

print(bin(255))    #打印0b11111111

     bool()：判断真假，0为假，其他数字为真，空列表为假，有元素为真，等等。

    bytes()：转换为byte。

a = bytes("abcde",encoding="utf-8")
print(a)    #打印b'abcde'

    bytearray()：转换成byte列表格式。可修改字符。

b = bytearray("abcde",encoding="utf-8")
print(b[0])    #打印a的ascii码 97
b[1] = 100    #把b改成d
print(b[1])    
print(b)    #打印bytearray(b'adcde')

     callable()：是否可调用，后面可加()的就算可以调用。

def test():    
    pass
list_test = [1,2,3]
print(callable(test))    #函数是可调用的，类也是可调用的
print(callable(list_test))    #列表是不可调用的

    chr()和ord()：chr将Unicode码转换为字符。ord将字符转换为Unicode码。

print(chr(10000))    #输出✐

print(ord("ぁ"))    #输出12353

     compile()：我们基本用不到，底层用于把代码编译的过程。即代码转成字节码。

code = "for i in range(10):print(i)"    #代码是字符串
exe = compile(code , "err.log" , "exec")    #将字符串转换为可执行代码
print(exe)    #打印 at 0x03029128, file "", line 1>
exec(exe)    #执行代码
code = "print('hello')"    
eval(code)    #eval()也可以执行

    这种方式类似实现了import代码然后执行的功能。但是这个函数最牛逼的地方是，可以接受实时传递进去的代码字符串并编译成可执行的代码。那么我们可以让一个函数接受远程传过来的代码，实时执行。

 

     exec直接可以执行字符串代码：（拿compile()来干嘛？）

code = "for i in range(10):print(i)"
exec(code)

     dir()：查看方法。

d = dict()
print(dir(d))    

     divmod()：计算除法，返回商和余数组成的元组。

print(divmod(5,2))    #返回(2,1)，2为商，1为余数。

     eval()：只能处理简单的语句。复杂的用exec()

    

     匿名函数：一个函数只用一次，不会在其他地方调用。则可以定义为匿名函数。

noname = lambda n:print(n)    #将匿名函数赋值给变量
noname(5)    #使用函数变量调用

    匿名函数中不能使用复杂函数语句，例如for循环等。

lambda n:for i in range(10):print(i*n)    #错误

     filter()：用于与lambda函数配合，过滤数据。返回一个迭代器

res = filter(lambda n:n>5,range(10))    #过滤出range(10)中大于5个数，组成列表
for i in res:
　　print(i)

    等效于：

def file_test(n):    #过滤函数
    if n > 5:
    return n
res2 = filter(file_test,range(10))    #filter()第一个参数接受一个过滤规则函数，可以是匿名，也可以使普通函数
for i in res2:
    print(i)

     map()：

res = map(lambda n:n*n,range(10))    #第一个参数是一个处理函数，而不是过滤函数
for i in res:
    print(i)

    相当于：

def map_test(n):    #处理函数
    return n*n
res2 = map(map_test,range(10))    
for i in res2:
    print(i)

     reduce()：需要导入functools

import functools
res = functools.reduce( lambda x,y:x+y,range(10))
print(res)

    相当于：即从0加到9。没一次加法结果赋值给x，y为下一个数。

def reduce_test(x,y):
    return x+y
res = functools.reduce(reduce_test,range(10))
print(res)

    阶乘：

import functools
res = functools.reduce( lambda x,y:x*y,range(1,10))
print(res)

     frozenset()：将集合变为不可变集合。

list_test = frozenset([1,2,3,4,5])

     globals()：返回当前程序里所有全局变量的k-v键值对，包含函数变量。可以用来判断变量存不存在。

name = "Leo"
if "name" in globals():
    print("变量存在")
else:
    print("变量不存在")

   

     hash()：中文名---散列。返回一个哈希值。可以使用hash值比较两个对象是否相同。也可以用于二分查找。

print(hash("Leo"))        #相同的对象转成hash值是相同的,但每次计算的hash值是不同的
print(hash("Leo"))
print(hash("leo"))
print(hash("kale"))

     locals()：返回函数内部局部变量。

def test():
    name = "Leo"
    print(name)
    if "name" in locals():
        print("存在")
test()

     max()和min()：返回列表、元组、字典（key）、集合或多个参数中的最大值和最小值。

print(max([1,2,3,4,5,6]))    #返回列表中的最大元素
print(min([1,3,2,5,4]))    #返回列表中的最小元素
print(max(1,2,3,4))    #返回参数中最大
print(min({1,2,3}))    #返回集合中最小元素

     next()：相当于迭代器iterator.__next__()。

it = iter([1,2,3,4,5,6])
print(next(it))    #获取下一个元素
print(it.__next__())    #同上

     oct()：将二进制、十进制、十六进制转换为8进制。

print( oct(1122) )    #十进制转换为8进制，返回0o2142
print( oct(0x12AF) )    #16进制转换为8进制，返回0o11257
print(oct(0b1111))    #二进制转八进制0o17

     pow()：计算一个数的次方。

print(pow(2,8))    #2的8次方，输出256

     repr()：用字符串表示对象，即把对象转换为字符串。但是无法再转回对象。

def test():
    pass
print(test)    #打印函数变量的地址
print(type(repr(test)))    #转换为字符串

     round()：四舍五入。第二个参数表示保留几位小数。

print(round(1.34356,3))

     slice()：切片。没什么用。

d = range(10)
print(d[slice(2,5)])    #打印 range(2, 5)

     sorted()：字典是无序的，可以用sorted排序，返回一个排好序的列表。

dict = {5:2,-5:11,1:42,99:12,12:32,-9:98}
print(sorted(dict))    #仅对key进行排序，输出[-9, -5, 1, 5, 12, 99]
print(sorted(dict.items()))    #对所有字典元素按key排序，每个元素转换成元组。输出[(-9, 98), (-5, 11), (1, 42), (5, 2), (12, 32), (99, 12)]
print(sorted(dict.items(), key = lambda x:x[1]))    #对所有字段元素按value排序。输出[(5, 2), (-5, 11), (99, 12), (12, 32), (1, 42), (-9, 98)]

     zip()：拉链，即将两个列表元素一一对应组合起来。

a = [1,2,3,4]
b = ['a','b','c','d']
for i in zip(a,b):    #zip(a,b)返回一个迭代器
    print(i)    #打印结果(1,'a')  (2,'b')  (3,'c')  (4,'d')
a = [1,2,3,4,5,6]    #如果两个列表元素数量不一致，则按少的那个合并。
b = ['a','b','c','d']
for i in zip(a,b):
    print(i)    #打印结果(1,'a')  (2,'b')  (3,'c')  (4,'d')

     __import__()：只知道一个模块名的字符串，如果import，使用__import__()。用于动态导入。

__import__('my_module')

　import本质上是调用__import__()来动态导入模块的

例如：

import os
os = __import__("os")

 

七、JSON序列化

 

    将一个对象保存到硬盘中。例如一个字典：

import json
dict = {
       "name":"Leo","age":32}
f = open("JSON_test","w")
f.write(json.dumps(dict))    #序列化
f.close()
import json
f = open("JSON_test","r")
dict = json.loads(f.read())    #反序列化
print(dict["age"])
f.close()

 

    JSON只能处理简单的数据类型，字典、列表、字符串等等。

    主要用于不同语言之间进行数据交互。

    不同语言中的类、函数等都是不一样的，所以默认只支持简单的。

 

     XML逐步被JSON取代。

 

八、pickle序列化

    使用方法和JSON一样，但是可以处理复杂数据。例如函数等。

import pickle
def test_func():
　　print("Hello")
f = open("JSON_test","wb")
f.write(pickle.dumps(test_func))    #看似序列化的函数地址，实际上只是函数名称和参数
f.close()
import pickle
def test_func():    #反序列化这边的程序必须有名字一样，参数一样的函数存在。否则报错
　　print("Hello1")
　　print("hello2")
f = open("JSON_test","rb")
func = pickle.loads(f.read())    
func()    #只要名称和参数与序列化的函数一致，则可以正常运行
f.close()

 

九、dumps和dump、loads和load的区别

import pickle
def test_func():
　　print("Hello")
f = open("JSON_test","wb")
pickle.dump(test_func,f)    #同f.write(pickle.dumps(test_func))
f.close()
import pickle
def test_func():
　　print("Hello1")
　　print("hello2")
f = open("JSON_test","rb")
func = pickle.load(f)    #同func = pickle.loads(f.read())
func()
f.close()

 

     注意：同一个数据可以dumps很多次，但都是在一行中连续写入的。loads的时候会报错。所以建议一次dumps对应一次loads。类似虚拟机的快照，每个快照单独存一个文件。

 

十、软件目录结构规范

Foo/            #项目名
|--bin/            #运行文件目录
|   |--foo.py            #foo用于运行程序，调用core/下的main.py
|
|--conf/        #配置文件目录
|   |--settings.py      #配置文件
|
|--logs/        #日志目录
|
|--core/            #主程序目录，名字自定义，可以叫core
|   |--tests/        #测试程序目录
|   |   |--__init__.py
|   |   |--test_main.py
|   |
|   |--__init__.py        #包里默认有该文件，文件为空，创建一个包，会自动创建该文件
|   |--main.py        #程序入口
|
|--docs/        #文档目录
|   |-conf.py
|   |--abc.rst
|
|--setup.py        #安装脚本
|--requirements.txt        #依赖，例如需要依赖django、mysql
|--README        #程序描述

 

     README文件：

• 软件定位，软件的基本功能
• 运行代码的方法：安装环境、启动命令等。
• 简要的使用说明。
• 代码目录结构说明，更详细点可以说明软件的基本原理。
• 常见问题说明

    

     setup.py：

    一般来说，用setup.py来管理代码的打包、安装、部署问题。业界标准是使用Python流行的打包工具setuptools来管理这些事情。可以打包成pip能够安装的python程序包。

 

     requirements.txt：

• 方便开发者维护软件的包依赖。将开发过程中新增的包增加进这个列表汇总，避免的setup.py安装依赖时漏掉软件包。
• 方便读者明确项目使用了哪些Python包。
• 这个文件的格式是每一行包含一个包依赖的说明，通常是flask>=0.10这种格式，要求是这个格式能够pip识别，这样就可以简单的同构pip install -r requirements.txt来把所有Python需要的包依赖都安装好。

    

     import其他目录的模块：

    例如，bin/下的foo.py要导入core/main.py。

import os    #导入os模块
import sys    #导入sys模块
BASE_DIR = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))    #动态获取项目目录的绝对路径
sys.path.append(BASE_DIR)        #将项目目录的绝对路径加入到系统变量中
from core import main        #即可导入core目录下的main.py
main.login()        #执行main模块中的入口函数

 

    其中 os.path.dirname 是获取上一级目录的绝对路径。

转载于:https://www.cnblogs.com/leokale-zz/p/7600503.html