python笔记-高级特性

为了使编写的python代码行数更少,更简单,有时候可以使用这些高级特性.

切片Slice

针对list或tuple取出里面特定范围的元素

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# 前三个元素L[0],L[1]和L[2]
L[0:3]
# 或
L[:3]
# 倒数第一个
L[-1]
# 后两个
L[-2:]
# 倒数第二个
L[-2:-1]
# 前十个数,每两个取一个
L[:10:2]
# 所有数,每5个取一个
L[::5]
# tuple是一种不可变的list,同样可以切片
(0, 1, 2, 3, 4, 5)[:3]
# 整个list
L[:]
#或
L[::]

迭代Iteration

就是for循环,不过python的迭代是只要是可迭代对象,不管有没有下标,都可以迭代.

除了list和tuple还有dict包括字符串都可以迭代

判断是否未可迭代对象

1
2
3
4
5
>>> form collections.abc import Iterable
>>> isinstance('abc', Iterable)
True
>>> isinstance(123, Iterable)
False

同时迭代list的下标和元素

1
2
3
4
5
6
>>> for index, value in enumerate(['a', 'b', 'c']):
...		print(index, value)
    
0 a
1 b
2 c

列表生成式

一行代码生成list,或者可以理解为将一个用循环生成的列表用一行代码搞掂

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# 要生成一个[1*1, 2*2, 3*3, ..., 10*10]的列表,可以用迭代来实现
>>> L = []
>>> for x in range(1, 11):
...		L.append(x * x)

# 用列表生成式一行代码就能搞掂
>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
# 后面可以跟判断
>>> [x * x for x in range(1, 11) if x % 2 == 0]
[4, 16, 36, 64, 100]
# 两层循环,全排列
>>> [m + n for m in 'ABC' for n in 'XYZ']
['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']

一些例子

1
2
3
4
5
6
7
8
9
10
11
12
# 列出当前目录下所有文件和文件夹生成列表
>>> import os
>>> [d for d in os.listdir(',')]
['.emacs.d', '.ssh', '.Trash', 'Adlm', 'Applications', 'Desktop', 'Documents', 'Downloads', 'Library', 'Movies', 'Music', 'Pictures', 'Public', 'VirtualBox VMs', 'Workspace', 'XCode']
# 两个变量生成list
>>> d = {'x': 'A', 'y': 'B', 'z': 'C' }
>>> [k + '=' + v for k, v in d.items()]
['y=B', 'x=A', 'z=C']
# 把一个list中的所有字符串变小写
>>> L = ['Hello', 'World', 'IBM', 'Apple']
>>> [s.lower() for s in L]
['hello', 'world', 'ibm', 'apple']

列表表达式与if…else

当if在for后面时,不能加else

因为for后面要跟一个单一的筛选条件,否则无法筛选

1
2
>>> [x for x in range(1, 11) if x % 2 == 0]
[2, 4, 6, 8, 10]

当if在’for’前面时,一定要加else

因为for前面是表达式,一定要有单一的结果

1
2
>>> [x if x % 2 == 0 else -x for x in range(1, 11)]
[-1, 2, -3, 4, -5, 6, -7, 8, -9, 10]

生成器generator

如果要创建一个100万个元素的列表,肯定要占很大内存空间,如果我们每次访问都只是要某几个,那剩余的元素就是白白占用空间.

此时就需要生成器,它可以一边循环一边计算生成元素.

生成器是一个对象

创建一个生成器,最简单就是把列表生成式的[]改为()

1
2
3
4
5
6
>>> 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>

生成器保存的其实是算法,它不保存元素,需要调用next()函数生成下一个元素的值,知道最后一个,抛出StopIteration错误

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
>>> 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>
StopIteration

生成器是可迭代对象

一般不可能一次次使用next()去迭代,而是用for循环

1
2
3
4
5
6
7
8
9
10
11
12
13
14
>>> g = (x * x for x in range(10))
>>> for n in g:
    print(n)
    
0
1
4
9
16
25
36
49
64
81

生成器函数

比如斐波拉契数列函数

1
2
3
4
5
6
7
def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        print(b)
        a, b = b, a + b
        n = n + 1
    return 'done'

该函数实际上是定义了斐波拉契数列的算法,将其中的print(b)改为yield b它就会变成生成器函数

1
2
3
4
5
6
7
def fib(max):
        n, a, b = 0, 0, 1
    while n < max:
        yield b
        a, b = b, a + b
        n = n + 1
    return 'done'

当一个函数存在yield关键字,这个函数就会变成一个生成器函数,调用它返回一个生成器对象

1
2
3
>>> g = fib(6)
>>> g
<generator object fib at 0x104feaaa0>

生成器函数并不是遇到return或最后一行语句就返回,而是遇到yield就返回,再次执行则从上次返回的yield语句处继续执行.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# 定义一个生成器函数
def odd():
    print('step 1')
    yield 1
    print('step 2')
    yield(3)
    print('step 3')
    yield(5)
# 通过next函数调用
>>> o = odd()
>>> next(0)
step 1
1
>>> next(0)
step 2
2
>>> next(0)
step 3
3
>>> next(o)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

调用生成器函数会得到一个生成器对象,多次调用相同的生成器函数会创建多个相互独立的生成器对象

1
2
3
4
5
6
7
8
9
>>> next(odd())
step 1
1
>>> next(odd())
step 1
1
>>> next(odd())
step 1
1

实际上上面的代码是创建了3个相互独立的生成器对象

生成器函数需要设退出循环的条件,因为如果没有退出条件,我们不断调用,它就不断循环计算,就会产生一个无限数列出来

而生成器函数同样使用for循环来迭代

1
2
for n in fib(6):
    print(n)

如果要拿到生成器函数的return返回值,必须捕获StopIteration,返回值在StopIteration的value中

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
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: done

迭代器

可以作用于for循环的数据类型有:

  1. 集合数据类型: list,tuple,dict,set,str等
  2. 生成器generator: 生成器和带yield的生成器函数

以上这些可以直接作用于for循环的对象都是可迭代对象Iterable

其中生成器不但可以作用于for循环,还可以杯next()不断调用并返回下一个值(直到抛出StopIteration),这种对象被称为迭代器Iterator

总结下:

  • 可迭代对象 Iterable: 可以直接作用于for循环的对象

  • 迭代器 Iterator: 不但可以作用于for,还可以通过next()计算下一个值的对象(生成器)

1
2
3
4
5
6
7
8
# 判断是否为Iterable
>>> from collections.abc import Iterable
>>> isinstance([], Iterable)
True
# 判断是否为Itertor
>>> from collections.abc import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True

Iter()函数可以把可迭代对象Iteratable变成迭代器Iterator

1
2
3
4
>>> isinstance([], Iterator)
False
>>> isinstance(iter([]), Iterator)
True

python的迭代器对象Iterator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有效值,直到没有数据抛出StopIteration错误.

可以把这个数据流看成一个有序序列,但我们却不能提前知道序列的长度.

Iterator的计算是惰性的,只有在有需要返回下一个数据时它才会计算.

因此Iterator甚至可以表示一个无限大的数据流,比如全体自然数.而list,dict,str等这些就不可以,这也是为什么这些数据类型不是迭代器Iterator的原因,因为它们是有限的.

for循环本质

python的for循环本质就是通过不断调用next()函数实现的:

1
2
3
4
5
6
7
8
9
10
11
12
# for循环实际上就是把可迭代对象转换成迭代器,然后不同通过next()获取下一个值,直到StopIteration
for x in [1, 2, 3, 4, 5]:
    pass
# 完全等价于
it = iter([1, 2, 3, 4, 5])
whild True:
    try:
        # 获得下一个值
        x = next(it)
        # 直到StopIteration就退出循环
    except StopIteration:
        break

迭代器小结

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。

Coder
#python
python笔记-高级特性
http://example.com/2023/12/28/python-advance-feature/
作者
Peter Pan
发布于
2023年12月28日
许可协议