Python 多好用
不消多说,
大众瞧瞧自己用的语言就
晓得了。
然则 Python
隐匿的高级功能你都 get 了吗?本文中,作者列举了 Python 中五种略高级的特征以及它们的
运用办法,快来一探
到底吧!
Python 是一种漂亮的语言,它简单易用却非常强大。但你真的会用 Python 的所有功能吗?
任何编程语言的高级特征一般都是经过海量的运用经验才发掘的。例如你在编写一个繁杂的项目,并在 stackoverflow 上寻找某个问题的答案。而后你忽然发掘了一个非常优雅的处理方法,它运用了你从不晓得的 Python 功能!
这种学习方式太有趣了:经过探索,偶然发掘什么。
下面是 Python 的 5 种高级特征,以及它们的用法。
Lambda 函数
Lambda 函数是一种比较小的匿名函数——匿名指的是它实质上无函数名。
Python 函数一般运用 def a_function_name() 样式来定义,但针对 lambda 函数,咱们基本没为它命名。这是由于 lambda 函数的功能是执行某种简单的表达式或运算,而无需完全定义函数。
lambda 函数能够运用任意数量的参数,但表达式只能有一个。
x = lambda a, b : a * b
print(x(5, 6)) # prints 30
x = lambda a : a*3 + 3
print(x(3)) # prints 12
看它多么简单!咱们执行了有些简单的数学运算,而无需定义全部函数。这是 Python 的众多特征之一,这些特征使它作为一种干净、简单的编程语言。
Map 函数
Map() 是一种内置的 Python 函数,它能够将函数应用于各样数据结构中的元素,如列表或字典。针对这种运算来讲,这是一种非常干净况且可读的执行方式。
def square_it_func(a):
return a * a
x = map(square_it_func, [1, 4, 7])
print(x) # prints [1, 16, 47]
def multiplier_func(a, b):
return a * b
x = map(multiplier_func, [1, 4, 7], [2, 5, 8])
print(x) # prints [2, 20, 56]
瞧瞧上面的示例!
咱们能够将函数应用于单个或多个列表。
实质上,你
能够运用任何 Python 函数
做为 map 函数的输入,只要它与你正在操作的序列元素是兼容的。
Filter 函数
filter 内置函数与 map 函数非常类似,它亦将函数应用于序列结构(列表、元组、字典)。二者的关键区别在于 filter() 将只返回复用函数返回 True 的元素。
详情请看如下示例:
# Our numbers
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]
# Function that filters out all numbers which are odd
def filter_odd_numbers(num):
if num % 2 == 0:
return True
else:
return False
filtered_numbers = filter(filter_odd_numbers, numbers)
print(filtered_numbers)
# filtered_numbers = [2, 4, 6, 8, 10, 12, 14]
咱们不仅评定了每一个列表元素的 True 或 False,filter() 函数还保证只返回匹配为 True 的元素。非常便于处理检测表达式和构建返回列表这两步。
Itertools 模块
Python 的 Itertools 模块是处理迭代器的工具集合。迭代器是一种能够在 for 循环语句(包含列表、元组和字典)中运用的数据类型。
运用 Itertools 模块中的函数让你能够执行非常多迭代器操作,这些操作一般必须多行函数和繁杂的列表理解。关于 Itertools 的神奇之处,请看以下示例:
from itertools import *
# Easy joining of two lists into a list of tuples
for i in izip([1, 2, 3], [a, b, c]):
print i
# (a, 1)
# (b, 2)
# (c, 3)
# The count() function returns an interator that
# produces consecutive integers, forever. This
# one is great for adding indices next to your list
# elements for readability and convenience
for i in izip(count(1), [Bob, Emily, Joe]):
print i
# (1, Bob)
# (2, Emily)
# (3, Joe)
# The dropwhile() function returns an iterator that returns
# all the elements of the input which come after a certain
# condition becomes false for the first time.
def check_for_drop(x):
print Checking: , x
return (x > 5)
for i in dropwhile(should_drop, [2, 4, 6, 8, 10, 12]):
print Result: , i
# Checking: 2
# Checking: 4
# Result: 6
# Result: 8
# Result: 10
# Result: 12
# The groupby() function is great for retrieving bunches
# of iterator elements which are the same or have similar
# properties
a = sorted([1, 2, 1, 3, 2, 1, 2, 3, 4, 5])
for key, value in groupby(a):
print(key, value), end= )
# (1, [1, 1, 1])
# (2, [2, 2, 2])
# (3, [3, 3])
# (4, [4])
# (5, [5])
Generator 函数
Generator 函数是一个类似迭代器的函数,即它亦能够用在 for 循环语句中。这大大简化了你的代码,况且相比简单的 for 循环,它节省了非常多内存。
例如,咱们想把 1 到 1000 的所有数字相加,以下代码块的第1部分向你展示了怎样运用 for 循环来进行这一计算。
倘若列表很小,例如 1000 行,计算所需的内存还行。但倘若列表巨长,例如十亿浮点数,这般做就会显现问题了。运用这种 for 循环,内存中将显现海量列表,但不是每一个人都有没有限的 RAM 来存储这么多东西的。Python 中的 range() 函数亦是这么干的,它在内存中构建列表。
代码中第二部分展示了运用 Python generator 函数对数字列表求和。generator 函数创建元素,并仅在必要时将其存储在内存中,即一次一个。这寓意着,倘若你要创建十亿浮点数,你只能一次一个地把它们存储在内存中!Python 2.x 中的 xrange() 函数便是运用 generator 来构建列表。
以上例子说明:倘若你想为一个很大的范围生成列表,那样就必须运用 generator 函数。倘若你的内存有限,例如运用移动设备或边缘计算,运用这一办法尤其重要。
亦便是说,倘若你想对列表进行多次迭代,并且它足够小,能够放进内存,那最好运用 for 循环或 Python 2.x 中的 range 函数。由于 generator 函数和 xrange 函数将会在你每次拜访它们时生成新的列表值,而 Python 2.x range 函数是静态的列表,况且整数已然置于内存中,以便快速拜访。
# (1) Using a for loopv
numbers = list()
for i in range(1000):
numbers.append(i+1)
total = sum(numbers)
# (2) Using a generator
def generate_numbers(n):
num, numbers = 1, []
while num < n:
numbers.append(num)
num += 1
return numbers
total = sum(generate_numbers(1000))
# (3) range() vs xrange()
total = sum(range(1000 + 1))
total = sum(xrange(1000 + 1))