python 04 基础
alex老師
http://www.cnblogs.com/alex3714/articles/5765046.html
武老師
http://www.cnblogs.com/wupeiqi/articles/4963027.html
?
本節內容
?
1.列表生成式，迭代器&生成器
列表生成式
孩子，我現在有個需求，看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],我要求你把列表里的每個值加1，你怎么實現？你可能會想到2種方式?
>>> a [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] >>> b = [] >>> for i in a:b.append(i+1) ... >>> b [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] >>> a = b >>> a [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] a = [1,3,4,6,7,7,8,9,11]for index,i in enumerate(a):
a[index] +=1
print(a)
原值修改 >>> a [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] >>> a = map(lambda x:x+1, a) >>> a <map object at 0x101d2c630> >>> for i in a:print(i) ... 2 3 4 5 6 7 8 9 10 11
其實還有一種寫法，如下?
>>> a = [i+1 for i in range(10)] >>> a [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]這就叫做列表生成
?
生成器
通過列表生成式，我們可以直接創建一個列表。但是，受到內存限制，列表容量肯定是有限的。而且，創建一個包含100萬個元素的列表，不僅占用很大的存儲空間，如果我們僅僅需要訪問前面幾個元素，那后面絕大多數元素占用的空間都白白浪費了。
所以，如果列表元素可以按照某種算法推算出來，那我們是否可以在循環的過程中不斷推算出后續的元素呢？這樣就不必創建完整的list，從而節省大量的空間。在Python中，這種一邊循環一邊計算的機制，稱為生成器：generator。
要創建一個generator，有很多種方法。第一種方法很簡單，只要把一個列表生成式的[]改成()，就創建了一個generator：
| 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> |
創建L和g的區別僅在于最外層的[]和()，L是一個list，而g是一個generator。
我們可以直接打印出list的每一個元素，但我們怎么打印出generator的每一個元素呢？
如果要一個一個打印出來，可以通過next()函數獲得generator的下一個返回值：
| 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 |
我們講過，generator保存的是算法，每次調用next(g)，就計算出g的下一個元素的值，直到計算到最后一個元素，沒有更多的元素時，拋出StopIteration的錯誤。
當然，上面這種不斷調用next(g)實在是太變態了，正確的方法是使用for循環，因為generator也是可迭代對象：
| 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 |
?
所以，我們創建了一個generator后，基本上永遠不會調用next()，而是通過for循環來迭代它，并且不需要關心StopIteration的錯誤。
generator非常強大。如果推算的算法比較復雜，用類似列表生成式的for循環無法實現的時候，還可以用函數來實現。
比如，著名的斐波拉契數列（Fibonacci），除第一個和第二個數外，任意一個數都可由前兩個數相加得到：
1, 1, 2, 3, 5, 8, 13, 21, 34, ...
斐波拉契數列用列表生成式寫不出來，但是，用函數把它打印出來卻很容易：
| 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' |
注意，賦值語句：
| 1 | a, b = b, a + b |
相當于：
| 1 2 3 | t = (b, a + b) # t是一個tuple a = t[0] b = t[1] |
但不必顯式寫出臨時變量t就可以賦值。
上面的函數可以輸出斐波那契數列的前N個數：
| 1 2 3 4 5 6 7 8 9 10 11 12 | >>> fib(10) 1 1 2 3 5 8 13 21 34 55 done |
仔細觀察，可以看出，fib函數實際上是定義了斐波拉契數列的推算規則，可以從第一個元素開始，推算出后續任意的元素，這種邏輯其實非常類似generator。
也就是說，上面的函數和generator僅一步之遙。要把fib函數變成generator，只需要把print(b)改為yield b就可以了：
def fib(max):n,a,b = 0,0,1while n < max:#print(b) yield b a,b = b,a+b n += 1 return 'done'這就是定義generator的另一種方法。如果一個函數定義中包含yield關鍵字，那么這個函數就不再是一個普通函數，而是一個generator：
>>> f = fib(6) >>> f <generator object fib at 0x104feaaa0>這里，最難理解的就是generator和函數的執行流程不一樣。函數是順序執行，遇到return語句或者最后一行函數語句就返回。而變成generator的函數，在每次調用next()的時候執行，遇到yield語句返回，再次執行時從上次返回的yield語句處繼續執行。
data = fib(10) print(data)print(data.__next__()) print(data.__next__()) print("干點別的事") print(data.__next__()) print(data.__next__()) print(data.__next__()) print(data.__next__()) print(data.__next__()) #輸出 <generator object fib at 0x101be02b0> 1 1 干點別的事 2 3 5 8 13在上面fib的例子，我們在循環過程中不斷調用yield，就會不斷中斷。當然要給循環設置一個條件來退出循環，不然就會產生一個無限數列出來。
同樣的，把函數改成generator后，我們基本上從來不會用next()來獲取下一個返回值，而是直接使用for循環來迭代：
?
>>> for n in fib(6): ... print(n) ... 1 1 2 3 5 8但是用for循環調用generator時，發現拿不到generator的return語句的返回值。如果想要拿到返回值，必須捕獲StopIteration錯誤，返回值包含在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 |
關于如何捕獲錯誤，后面的錯誤處理還會詳細講解。
還可通過yield實現在單線程的情況下實現并發運算的效果
#_*_coding:utf-8_*_ __author__ = 'Alex Li' import time def consumer(name): print("%s 準備吃包子啦!" %name) while True: baozi = yield print("包子[%s]來了,被[%s]吃了!" %(baozi,name)) def producer(name): c = consumer('A') c2 = consumer('B') c.__next__() c2.__next__() print("老子開始準備做包子啦!") for i in range(10): time.sleep(1) print("做了2個包子!") c.send(i) c2.send(i) producer("alex")?
迭代器
我們已經知道，可以直接作用于for循環的數據類型有以下幾種：
一類是集合數據類型，如list、tuple、dict、set、str等；
一類是generator，包括生成器和帶yield的generator function。
這些可以直接作用于for循環的對象統稱為可迭代對象：Iterable。
可以使用isinstance()判斷一個對象是否是Iterable對象：
?
| 1 2 3 4 5 6 7 8 9 10 11 | >>> 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循環，還可以被next()函數不斷調用并返回下一個值，直到最后拋出StopIteration錯誤表示無法繼續返回下一個值了。
*可以被next()函數調用并不斷返回下一個值的對象稱為迭代器：Iterator。
可以使用isinstance()判斷一個對象是否是Iterator對象：
| 1 2 3 4 5 6 7 8 9 | >>> 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對象，但list、dict、str雖然是Iterable，卻不是Iterator。
把list、dict、str等Iterable變成Iterator可以使用iter()函數：
| 1 2 3 4 | >>> isinstance(iter([]), Iterator) True >>> isinstance(iter('abc'), Iterator) True |
你可能會問，為什么list、dict、str等數據類型不是Iterator？
這是因為Python的Iterator對象表示的是一個數據流，Iterator對象可以被next()函數調用并不斷返回下一個數據，直到沒有數據時拋出StopIteration錯誤。可以把這個數據流看做是一個有序序列，但我們卻不能提前知道序列的長度，只能不斷通過next()函數實現按需計算下一個數據，所以Iterator的計算是惰性的，只有在需要返回下一個數據時它才會計算。
Iterator甚至可以表示一個無限大的數據流，例如全體自然數。而使用list是永遠不可能存儲全體自然數的。
?
小結
凡是可作用于for循環的對象都是Iterable類型；
凡是可作用于next()函數的對象都是Iterator類型，它們表示一個惰性計算的序列；
集合數據類型如list、dict、str等是Iterable但不是Iterator，不過可以通過iter()函數獲得一個Iterator對象。
Python的for循環本質上就是通過不斷調用next()函數實現的，例如：
| 1 2 | for x in [1, 2, 3, 4, 5]: ????pass |
實際上完全等價于：
# 首先獲得Iterator對象: it = iter([1, 2, 3, 4, 5]) # 循環: while True: try: # 獲得下一個值: x = next(it) except StopIteration: # 遇到StopIteration就退出循環 break?
#_*_coding:utf-8_*_ user_status = False #用戶登錄了就把這個改成Truedef login(auth_type): #把要執行的模塊從這里傳進來 def auth(func): def inner(*args,**kwargs):#再定義一層函數 if auth_type == "qq": _username = "alex" #假裝這是DB里存的用戶信息 _password = "abc!23" #假裝這是DB里存的用戶信息 global user_status if user_status == False: username = input("user:") password = input("pasword:") if username == _username and password == _password: print("welcome login....") user_status = True else: print("wrong username or password!") if user_status == True: return func(*args,**kwargs) # 看這里看這里，只要驗證通過了，就調用相應功能 else: print("only support qq ") return inner #用戶調用login時，只會返回inner的內存地址，下次再調用時加上()才會執行inner函數 return auth def home(): print("---首頁----") @login('qq') def america(): #login() #執行前加上驗證 print("----歐美專區----") def japan(): print("----日韓專區----") @login('weibo') def henan(style): ''' :param style: 喜歡看什么類型的，就傳進來 :return: ''' #login() #執行前加上驗證 print("----河南專區----") home() # america = login(america) #你在這里相當于把america這個函數替換了 #henan = login(henan) # #那用戶調用時依然寫 america() # henan("3p")?
?
?
?
3.Json & pickle 數據序列化
參考 http://www.cnblogs.com/alex3714/articles/5161349.html
?
4.軟件目錄結構規范
為什么要設計好目錄結構?
"設計項目目錄結構"，就和"代碼編碼風格"一樣，屬于個人風格問題。對于這種風格上的規范，一直都存在兩種態度:
我是比較偏向于后者的，因為我是前一類同學思想行為下的直接受害者。我曾經維護過一個非常不好讀的項目，其實現的邏輯并不復雜，但是卻耗費了我非常長的時間去理解它想表達的意思。從此我個人對于提高項目可讀性、可維護性的要求就很高了。"項目目錄結構"其實也是屬于"可讀性和可維護性"的范疇，我們設計一個層次清晰的目錄結構，就是為了達到以下兩點:
所以，我認為，保持一個層次清晰的目錄結構是有必要的。更何況組織一個良好的工程目錄，其實是一件很簡單的事兒。
目錄組織方式
關于如何組織一個較好的Python工程目錄結構，已經有一些得到了共識的目錄結構。在Stackoverflow的這個問題上，能看到大家對Python目錄結構的討論。
這里面說的已經很好了，我也不打算重新造輪子列舉各種不同的方式，這里面我說一下我的理解和體會。
假設你的項目名為foo, 我比較建議的最方便快捷目錄結構這樣就足夠了:
Foo/ |-- bin/ | |-- foo | |-- foo/ | |-- tests/ | | |-- __init__.py | | |-- test_main.py | | | |-- __init__.py | |-- main.py | |-- docs/ | |-- conf.py | |-- abc.rst | |-- setup.py |-- requirements.txt |-- README簡要解釋一下:
除此之外，有一些方案給出了更加多的內容。比如LICENSE.txt,ChangeLog.txt文件等，我沒有列在這里，因為這些東西主要是項目開源的時候需要用到。如果你想寫一個開源軟件，目錄該如何組織，可以參考這篇文章。
下面，再簡單講一下我對這些目錄的理解和個人要求吧。
關于README的內容
這個我覺得是每個項目都應該有的一個文件，目的是能簡要描述該項目的信息，讓讀者快速了解這個項目。
它需要說明以下幾個事項:
我覺得有以上幾點是比較好的一個README。在軟件開發初期，由于開發過程中以上內容可能不明確或者發生變化，并不是一定要在一開始就將所有信息都補全。但是在項目完結的時候，是需要撰寫這樣的一個文檔的。
可以參考Redis源碼中Readme的寫法，這里面簡潔但是清晰的描述了Redis功能和源碼結構。
關于requirements.txt和setup.py
setup.py
一般來說，用setup.py來管理代碼的打包、安裝、部署問題。業界標準的寫法是用Python流行的打包工具setuptools來管理這些事情。這種方式普遍應用于開源項目中。不過這里的核心思想不是用標準化的工具來解決這些問題，而是說，一個項目一定要有一個安裝部署工具，能快速便捷的在一臺新機器上將環境裝好、代碼部署好和將程序運行起來。
這個我是踩過坑的。
我剛開始接觸Python寫項目的時候，安裝環境、部署代碼、運行程序這個過程全是手動完成，遇到過以下問題:
setup.py可以將這些事情自動化起來，提高效率、減少出錯的概率。"復雜的東西自動化，能自動化的東西一定要自動化。"是一個非常好的習慣。
setuptools的文檔比較龐大，剛接觸的話，可能不太好找到切入點。學習技術的方式就是看他人是怎么用的，可以參考一下Python的一個Web框架，flask是如何寫的:?setup.py
當然，簡單點自己寫個安裝腳本（deploy.sh）替代setup.py也未嘗不可。
requirements.txt
這個文件存在的目的是:
這個文件的格式是每一行包含一個包依賴的說明，通常是flask>=0.10這種格式，要求是這個格式能被pip識別，這樣就可以簡單的通過?pip install -r requirements.txt來把所有Python包依賴都裝好了。具體格式說明：?點這里。
?
關于配置文件的使用方法
注意，在上面的目錄結構中，沒有將conf.py放在源碼目錄下，而是放在docs/目錄下。
很多項目對配置文件的使用做法是:
這種做法我不太贊同:
所以，我認為配置的使用，更好的方式是，
能夠佐證這個思想的是，用過nginx和mysql的同學都知道，nginx、mysql這些程序都可以自由的指定用戶配置。
所以，不應當在代碼中直接import conf來使用配置文件。上面目錄結構中的conf.py，是給出的一個配置樣例，不是在寫死在程序中直接引用的配置文件。可以通過給main.py啟動參數指定配置路徑的方式來讓程序讀取配置內容。當然，這里的conf.py你可以換個類似的名字，比如settings.py。或者你也可以使用其他格式的內容來編寫配置文件，比如settings.yaml之類的。
?
5.本節作業
作業需求：
模擬實現一個ATM + 購物商城程序
示例代碼 https://github.com/triaquae/py3_training/tree/master/atm
簡易流程圖：https://www.processon.com/view/link/589eb841e4b0999184934329?
轉載于:https://www.cnblogs.com/wxy-x/p/6699019.html
總結
以上是生活随笔為你收集整理的python 04 基础的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 系统性能测试--杨建旭
- 下一篇： python-day1