学习python第三天

北京时间2015年1月28日九点25分，如果你觉得自己能行，就要让所有人都看到！

今天我先来学习一下迭代的知识，直接上代码：

迭代：注意什么是可迭代对象，如何迭代dict，list，如何同时迭代两个值，以及如何判断一个对象是否可迭代

#-*-coding:utf-8-*-
from collections import Iterable

def main():
for ch in 'ABC':        #字符串是可迭代对象
print ch

dic = {'a':1,'b':2,'c':3}  #字典是可迭代对象
for k in dic:                #只迭代dict中的键（key）
print k
for v in dic.itervalues():   #只迭代dict中的值（value）    使用itervalues()
print v
for k, v in dic.iteritems():#同时迭代dict中的键和值   使用iteritems()
print k, v

#如何对list实现类似java那样的下标循环？python自带enumerate函数可以把一个list变成索引-元素对
lis = ['A','B','C']
for i,value in enumerate(lis):
print i, value

for x in [(1,1),(2,4),(3,9)]:    #x迭代list中的tuple
print x
for x, y in [(1,1),(2,4),(3,9)]: #x,y分别迭代tuple中的第一个和第二个元素
print x, y 

#如何判断一个元素是否可迭代呢？
#方法是通过collections模块的iterable类型来判断
print isinstance(123,Iterable)      #整型数不可迭代，返回的是False
print isinstance('123',Iterable)    #字符串和list可迭代，返回的是True
print isinstance([1,2,3],Iterable)

if __name__=="__main__":
main()

列表生成式：

列表生成式即List Comprehesions,是Python内置的可以用来创建list的生成式：

#-*-coding:utf-8-*-
"""
day03_02
"""
def main():
L=[x*x for x in range(1,11)]    #生成一个从1的平方到10的平方的列表
print L
L=[x*x for x in range(1,11) if x%2==0]    #增加一个判断来筛选结果（仅偶数的平方）
print L

lis1 = ['zhang','li','wang']
lis2 = ['san','si','wu']
L=[m+n for m in lis1 for n in lis2]   #使用两层循环，可以生成全排列
print L
#再来一个例子
dic = {'zhangsan':11, 'lisi':12, 'wangwu':16}
L = [k + ' is ' + str(v) + ' years old' for k, v in dic.iteritems()]
print L
#最后一个例子，把list中的字符串都变成小写：
lis = ['HEllo','World']
print [s.lower() for s in lis]

if __name__=="__main__":
main()

生成器：
如果列表元素可以按照某种算法推算出来，那我们就可以在循环的过程中不断推算出后续的元素。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）:

#-*-coding:utf-8-*-
"""
day03_02
"""
def main():
g=(x*x for x in range(10))   #把列表生成式稍作改动，就可以得到一个generator
print g        #打印出来一看，果然是generator object
print g.next()
print g.next()   #使用next函数可以一次打出g的每一个元素
print g.next()

#也可以用for循环，反正generator也是可迭代的对象
for n in g:
print n      #小伙伴们请注意，之前next()过的元素，没有被再迭代到哦。
if __name__=="__main__":
main()

下面我们来研究一下斐波那契数列：

#-*-coding:utf-8-*-
"""
day03_02
"""
def fib(max):          #这是一个定义了斐波那契数列推算规则的函数
n,a,b = 0,0,1
while n<max:
print b
a, b = b, a+b
n = n+1

def fibb(max):      #这是一个斐波那契数列的生成器
n,a,b = 0,0,1   
while n<max:
yield b     #与上面定义的函数相比，只有这里不一样，注意这个yield
a,b = b,a+b #如果一个函数定义中包含yield关键字，这个函数就变成了一个generator
n = n+1

def main():
fib (10)
g_fibb = fibb(10)  #生成这个generator对象
print g_fibb       #看看果然是generator吧
for n in g_fibb:   #迭代一下其中的元素
print n

if __name__=="__main__":
main()

函数式编程（Functional Programming）：

函数式编程就是一种抽象程度很高的编程范式，纯粹的函数式编程语言编写的函数没有变量，即确定输入对应确定输出。这种纯函数我们称之为没有副作用（我也是醉了）。而允许使用变量的程序设计语言，由于函数内部的变量状态不确定，同样的输入可能得到不同的输出。

函数式编程的一个特点就是，允许把函数本身作为参数传入另一个函数，还允许返回另一个函数！

python对函数式编程提供部分的支持，Python不是纯函数式编程语言

高阶函数（Higher-order Function）：

#-*-coding:utf-8-*-
"""
day03_05
"""
def main():
f = abs       #变量可以指向函数
print f(-10)  #打印出10！成功！说明现在变量已经指向了abs函数了

#abs = 5   #那么函数名是什么呢？其实函数名就是指向函数的变量。
  #如果我把这个变量指到别的地方会怎么样？
#print abs(-10)   #果然会出错
if __name__=="__main__":
main()

既然变量可以指向函数，函数的参数能接受变量，那么一个函数就可以接受另一个函数作为参数，这种函数就称之为高阶函数

#-*-coding:utf-8-*-
"""
day03_06
"""
def add(x,y,f):           #定义一个高阶函数，传入的f必须是一个callable的函数
return f(x)+f(y)

def pow(x,n=2):
r = 1
while n>0:
r = x*r
n = n-1
return r

def main():
print add(2,-3,abs)    #传入的函数是abs
print add(2,-3,pow)   #传入的函数是pow

if __name__=="__main__":
main()

map()与reduce():

map()函数接收两个参数，一个是函数，一个是序列。map将传入的函数依次作用到序列的每个元素，并把结果作为新的list返回：
再看reduce():reduce把一个函数作用在一个序列上，这个函数必须接收两个参数，reduce把结果继续和序列的下一个元素做累计计算:

其效果是：reduce(f,[x1,x2,x3,x4])=f(f(f(x1,x2),x3),x4)

#-*-coding:utf-8-*-
"""
day03_07
"""
def add(x,y):   #定义一个加法函数
return x+y

def main():
lis = map(str,[1,2,3,4,5,6,7,8,9])  #把str()函数作用在后面传入的list中的每一个元素上
print lis
print reduce(add,[1,3,5,7,9])  #这就是reduce()调用add()做累加
print sum([1,3,5,7,9])         #用sum函数验证一下计算结果

if __name__=="__main__":
main()

这里我们再用map()和reduce()来实现一个str转换成int的函数：

#-*-coding:utf-8-*-
"""
day03_08
这里我们要写一个把str转成int的函数，功能就是Python自带的int()
"""
def str2int(s):
def fn(x,y):
return x*10 + y
def char2num(s):
return {'0':0,'1':1,'2':2,'3':3,'4':4,'5':5,'6':6,'7':7,'8':8,'9':9}[s]
return reduce(fn,map(char2num,s))

def main():
ns = raw_input('input an int number:')
print str2int(ns)

if __name__=="__main__":
main()

再来两个练习，

一，利用map()函数，把用户输入的不规范的英文名，变成首字母大写，其他字母小写的规范名字。

二，编写一个累乘的函数，可以接受一个list并求积。

代码放置在day03_09和day03_10中，供大家参考。

filter:

filter()函数是用来过滤序列的。filter也接受一个函数和一个序列。filter()把传入的函数依次作用于每个元素，然后根据返回值是True还是False来决定保留还是丢弃该元素

#-*-coding:utf-8-*-
def is_odd(n):       #删掉偶数，保留奇数
return n%2==1

def not_empty(s):   #删除空字符
return s and s.strip()

def main():
print filter(is_odd,range(10))
print filter(not_empty,['','a','ccd',None,0,'c','  '])

if __name__=="__main__":
main()

下面我们用filter()删除1~100中的素数：

#-*-coding:utf-8-*-
def not_sushu(num):
if num == 1:
return True
n=2
while n<num:
if num%n==0:
return True
n = n+1
return False

def main():
print filter(not_sushu,range(101))

if __name__=="__main__":
main()

排序算法：

#-*-coding:utf-8-*-
#通常规定，x<y返回-1，x>y返回1，x==y返回0
#如果我们想要倒序排列，只要把值倒过来
def reversed_cmp(x,y):
if x>y:
return -1
if x<y:
return 1
return 0

#数字我们可以直接比较，但如果是字符串的，我们需要为其规定比较规则：
#我们提出忽略大小写，按照字母排序：
def cmp_ignore_case(s1,s2):
u1 = s1.upper()
u2 = s2.upper()
if u1<u2:
return -1
if u1>u2:
return 1
return 0

def main():
lis=[36,3,5,12,9,21]
print sorted(lis)     #正序排列
print sorted(lis,reversed_cmp)   #倒序排列
li=['lisi','ZHANGSAN','Lisan','wangwu']
li2 =sorted(li,cmp_ignore_case)  #忽略字母大小写的字母排序
print li2

if __name__=="__main__":
main()

返回函数

函数作为返回值

高阶函数除了可以接受函数作为参数外，还可以把函数作为结果值返回。

我们来实现一个可变参数的求和。通常情况下，求和的函数是这样定义的：

def calc_sum(*args):
    ax = 0
    for n in args:
        ax = ax + n
    return ax

但是，如果不需要立刻求和，而是在后面的代码中，根据需要再计算怎么办？可以不返回求和的结果，而是返回求和的函数！

def lazy_sum(*args):
    def sum():
        ax = 0
        for n in args:
            ax = ax + n
        return ax
    return sum

当我们调用lazy_sum()时，返回的并不是求和结果，而是求和函数：

>>> f = lazy_sum(1, 3, 5, 7, 9)
>>> f
<function sum at 0x10452f668>

调用函数f时，才真正计算求和的结果：

>>> f()
25

在这个例子中，我们在函数lazy_sum中又定义了函数sum，并且，内部函数sum可以引用外部函数lazy_sum的参数和局部变量，当lazy_sum返回函数sum时，相关参数和变量都保存在返回的函数中，这种称为“闭包（Closure）”的程序结构拥有极大的威力。

请再注意一点，当我们调用lazy_sum()时，每次调用都会返回一个新的函数，即使传入相同的参数：

>>> f1 = lazy_sum(1, 3, 5, 7, 9)
>>> f2 = lazy_sum(1, 3, 5, 7, 9)
>>> f1==f2
False

f1()和f2()的调用结果互不影响。

闭包

注意到返回的函数在其定义内部引用了局部变量args，所以，当一个函数返回了一个函数后，其内部的局部变量还被新函数引用，所以，闭包用起来简单，实现起来可不容易。

另一个需要注意的问题是，返回的函数并没有立刻执行，而是直到调用了f()才执行。我们来看一个例子：

def count():
    fs = []
    for i in range(1, 4):
        def f():
             return i*i
        fs.append(f)
    return fs

f1, f2, f3 = count()

在上面的例子中，每次循环，都创建了一个新的函数，然后，把创建的3个函数都返回了。

你可能认为调用f1()，f2()和f3()结果应该是1，4，9，但实际结果是：

>>> f1()
9
>>> f2()
9
>>> f3()
9

全部都是9！原因就在于返回的函数引用了变量i，但它并非立刻执行。等到3个函数都返回时，它们所引用的变量i已经变成了3，因此最终结果为9。

返回闭包时牢记的一点就是：返回函数不要引用任何循环变量，或者后续会发生变化的变量。

如果一定要引用循环变量怎么办？方法是再创建一个函数，用该函数的参数绑定循环变量当前的值，无论该循环变量后续如何更改，已绑定到函数参数的值不变：

>>> def count():
...     fs = []
...     for i in range(1, 4):
...         def f(j):
...             def g():
...                 return j*j
...             return g
...         fs.append(f(i))
...     return fs
... 
>>> f1, f2, f3 = count()
>>> f1()
1
>>> f2()
4
>>> f3()
9

缺点是代码较长，可利用lambda函数缩短代码。

匿名函数：

当我们在传入函数时，有些时候，不需要显式地定义函数，直接传入匿名函数更方便，更！方！便！你怎么不早说！

比如说 lambda x: x*x， 关键字lambda表示匿名函数，冒号前面的x表示函数参数，匿名函数有个限制，就是只能有一个表达式。此外，匿名函数也是一个函数对象，所以呢？？所以你就可以把匿名函数赋值给一个变量，再利用变量来调用该函数啦。

#-*-coding:utf-8-*-
def main():
print map(lambda x: x*x, [1,2,3,4,5])

f = lambda x: x*x   #把匿名函数赋值给一个变量
print f(5)          #利用这个变量来调用这个函数

if __name__=="__main__":
main()

装饰器：（在代码运行期间动态增加功能）

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 '2013-12-25'
...
>>> f = now
>>> f()
2013-12-25

函数对象有一个__name__属性，可以拿到函数的名称。

>>> 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 wrapper

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 '2013-12-25'

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():
2013-12-25

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 decorator

这个3层嵌套的decorator用法如下：

@log('execute')
def now():
    print '2013-12-25'

执行结果如下：

>>> now()
execute now():
2013-12-25

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 wrapper

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 decorator

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。

小结

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

偏函数

Python的functools模块提供了很多有用的功能，其中一个就是偏函数（Partial function）。

在介绍函数参数的时候，我们讲到，通过设定参数的默认值，可以降低函数调用的难度。而偏函数也可以做到这一点。举例如下：

int()函数可以把字符串转换为整数，当仅传入字符串时，int()函数默认按十进制转换：

>>> int('12345')
12345

但int()函数还提供额外的base参数，默认值为10。如果传入base参数，就可以做N进制的转换：

>>> int('12345', base=8)
5349
>>> int('12345', 16)
74565

假设要转换大量的二进制字符串，每次都传入int(x, base=2)非常麻烦，于是，我们想到，可以定义一个int2()的函数，默认把base=2传进去：

def int2(x, base=2):
    return int(x, base)

这样，我们转换二进制就非常方便了：

>>> int2('1000000')
64
>>> int2('1010101')
85

functools.partial就是帮助我们创建一个偏函数的，不需要我们自己定义int2()，可以直接使用下面的代码创建一个新的函数int2：

>>> import functools
>>> int2 = functools.partial(int, base=2)
>>> int2('1000000')
64
>>> int2('1010101')
85

所以，简单总结functools.partial的作用就是，把一个函数的某些参数给固定住（也就是设置默认值），返回一个新的函数，调用这个新函数会更简单。

注意到上面的新的int2函数，仅仅是把base参数重新设定默认值为2，但也可以在函数调用时传入其他值：

>>> int2('1000000', base=10)
1000000

最后，创建偏函数时，实际上可以接收函数对象、*args和**kw这3个参数，当传入：

int2 = functools.partial(int, base=2)

实际上固定了int()函数的关键字参数base，也就是：

int2('10010')

相当于：

kw = { base: 2 }
int('10010', **kw)

当传入：

max2 = functools.partial(max, 10)

实际上会把10作为*args的一部分自动加到左边，也就是：

max2(5, 6, 7)

相当于：

args = (10, 5, 6, 7)
max(*args)

结果为10。

OK，今天的内容就这么多啦。明天加油。