python中偏函数

当一个函数有很多参数时，调用者就需要提供多个参数。如果减少参数个数，就可以简化调用者的负担。

比如，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，functools.partial可以把一个参数多的函数变成一个参数少的新函数，少的参数需要在创建时指定默认值，这样，新函数调用的难度就降低了。

任务

在第7节中，我们在sorted这个高阶函数中传入自定义排序函数就可以实现忽略大小写排序。请用functools.partial把这个复杂调用变成一个简单的函数：

sorted_ignore_case(iterable)

• ?不会了怎么办

• 要固定sorted()的cmp参数，需要传入一个排序函数作为cmp的默认值。

python中完善decorator

@decorator可以动态实现函数功能的增加，但是，经过@decorator“改造”后的函数，和原函数相比，除了功能多一点外，有没有其它不同的地方？

在没有decorator的情况下，打印函数名：

def f1(x):     pass print f1.__name__

输出： f1

有decorator的情况下，再打印函数名：

def log(f):     def wrapper(*args, **kw):         print 'call...'         return f(*args, **kw)     return wrapper @log

def f2(x):     pass print f2.__name__

输出： wrapper

可见，由于decorator返回的新函数函数名已经不是'f2'，而是@log内部定义的'wrapper'。这对于那些依赖函数名的代码就会失效。decorator还改变了函数的__doc__等其它属性。如果要让调用者看不出一个函数经过了@decorator的“改造”，就需要把原函数的一些属性复制到新函数中：

def log(f):     def wrapper(*args, **kw):         print 'call...'         return f(*args, **kw)     wrapper.__name__ = f.__name__     wrapper.__doc__ = f.__doc__     return wrapper

这样写decorator很不方便，因为我们也很难把原函数的所有必要属性都一个一个复制到新函数上，所以Python内置的functools可以用来自动化完成这个“复制”的任务：

import functools def log(f):     @functools.wraps(f)     def wrapper(*args, **kw):         print 'call...'         return f(*args, **kw)     return wrapper

最后需要指出，由于我们把原函数签名改成了(*args, **kw)，因此，无法获得原函数的原始参数信息。即便我们采用固定参数来装饰只有一个参数的函数：

def log(f):     @functools.wraps(f)     def wrapper(x):         print 'call...'         return f(x)     return wrapper

也可能改变原函数的参数名，因为新函数的参数名始终是 'x'，原函数定义的参数名不一定叫 'x'。

任务

请思考带参数的@decorator，@functools.wraps应该放置在哪：

def performance(unit):     def perf_decorator(f):         def wrapper(*args, **kw):             ???         return wrapper     return perf_decorator

?不会了怎么办

注意@functools.wraps应该作用在返回的新函数上。

filter

请利用filter()过滤出1~100中平方根是整数的数，即结果应该是：

[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

• ?不会了怎么办

• filter() 接收的函数必须判断出一个数的平方根是否是整数，而 math.sqrt()返回结果是浮点数。

map函数

假设用户输入的英文名字不规范，没有按照首字母大写，后续字母小写的规则，请利用map()函数，把一个list（包含若干不规范的英文名字）变成一个包含规范英文名字的list：

输入：['adam', 'LISA', 'barT']
输出：['Adam', 'Lisa', 'Bart']

• ?不会了怎么办

• format_name(s)函数接收一个字符串，并且要返回格式化后的字符串，利用map()函数，就可以输出新的list。

重点分清里外

range 数组

print reduce(lambda x, y: x * y, range(1, n + 1))

1---n+1的阶乘

当函数的参数不确定时，可以使用*args 和**kw(全称**kwargs)，*args 没有key值，**kw有key值。传形参时，**kw对应的参数里=左边的可以当成key，=右边的可以当成value，感觉**kw可以当作容纳多个key和value的dictionary

setattr(self, k, v)给self对象的k属性赋v值

cmp( x, y)：比较2个对象，前者小于后者返回-1，相等则返回0，大于后者返回1.

Python的cmp比较函数，如果我们比较的是两个同类的对象，比较操作是非常直观的。

• 数字和字符串的比较，直接比较它们的值。
   

• 对于序列类型的比较，方式上有相似。Python在两个对象基本不能比较的时候尽量做出公平的结果。比如当两个对象没有关系时，或者两种类型根本就没有用于比较的函数时，这时 Python只能根据"逻辑"来做出结论。比较的算法逻辑：
  

  1.   对两个列表的元素进行比较.
  2.   如果比较的元素是同类型的,则比较其值,返回结果.
  3.   如果两个元素不是同一种类型,则检查它们是否是数字.
       a. 如果是数字,执行必要的数字强制类型转换,然后比较.
       b. 如果有一方的元素是数字,则另一方的元素"大"(数字是"最小的")
       c. 否则,通过类型名字的字母顺序进行比较.
  4.   如果有一个列表首先到达末尾,则另一个长一点的列表"大".
  5.   如果我们用尽了两个列表的元素而且所有元素都是相等的,那么结果就是个平局,就
  是说返回一个 0.

这就是Python的cmp函数比较原理 了。

这节实在学得懵逼啊，还是没搞懂

python中偏函数

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

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，functools.partial可以把一个参数多的函数变成一个参数少的新函数，少的参数需要在创建时指定默认值，这样，新函数调用的难度就降低了。

python中编写带参数decorator

考察上一节的 @log 装饰器：

def log(f):     def fn(x):         print 'call ' + f.__name__ + '()...'         return f(x)     return fn

发现对于被装饰的函数，log打印的语句是不能变的（除了函数名）。

如果有的函数非常重要，希望打印出'[INFO] call xxx()...'，有的函数不太重要，希望打印出'[DEBUG] call xxx()...'，这时，log函数本身就需要传入'INFO'或'DEBUG'这样的参数，类似这样：

@log('DEBUG') def my_func():     pass

把上面的定义翻译成高阶函数的调用，就是：

my_func = log('DEBUG')(my_func)

上面的语句看上去还是比较绕，再展开一下：

log_decorator = log('DEBUG') my_func = log_decorator(my_func)

上面的语句又相当于：

log_decorator = log('DEBUG') @log_decorator def my_func():     pass

所以，带参数的log函数首先返回一个decorator函数，再让这个decorator函数接收my_func并返回新函数：

def log(prefix):     def log_decorator(f):         def wrapper(*args, **kw):             print '[%s] %s()...' % (prefix, f.__name__)             return f(*args, **kw)         return wrapper     return log_decorator @log('DEBUG') def test():     pass print test()

执行结果：

[DEBUG] test()... None

对于这种3层嵌套的decorator定义，你可以先把它拆开：

# 标准decorator: def log_decorator(f):     def wrapper(*args, **kw):         print '[%s] %s()...' % (prefix, f.__name__)         return f(*args, **kw)     return wrapper return log_decorator # 返回decorator: def log(prefix):     return log_decorator(f)

拆开以后会发现，调用会失败，因为在3层嵌套的decorator定义中，最内层的wrapper引用了最外层的参数prefix，所以，把一个闭包拆成普通的函数调用会比较困难。不支持闭包的编程语言要实现同样的功能就需要更多的代码。

任务

上一节的@performance只能打印秒，请给 @performace 增加一个参数，允许传入's'或'ms'：

@performance('ms') def factorial(n):     return reduce(lambda x,y: x*y, range(1, n+1))

• ?不会了怎么办

• 要实现带参数的@performance，就需要实现：

  my_func = performance('ms')(my_func)

  需要3层嵌套的decorator来实现。

  参考代码:

  import time def performance(unit):     def perf_decorator(f):         def wrapper(*args, **kw):             t1 = time.time()             r = f(*args, **kw)             t2 = time.time()             t = (t2 - t1) * 1000 if unit=='ms' else (t2 - t1)             print 'call %s() in %f %s' % (f.__name__, t, unit)             return r         return wrapper     return perf_decorator @performance('ms') def factorial(n):     return reduce(lambda x,y: x*y, range(1, n+1)) print factorial(10)

python中编写无参数decorator

Python的 decorator 本质上就是一个高阶函数，它接收一个函数作为参数，然后，返回一个新函数。

使用 decorator 用Python提供的 @ 语法，这样可以避免手动编写 f = decorate(f) 这样的代码。

考察一个@log的定义：

def log(f):     def fn(x):         print 'call ' + f.__name__ + '()...'         return f(x)     return fn

对于阶乘函数，@log工作得很好：

@log def factorial(n):     return reduce(lambda x,y: x*y, range(1, n+1)) print factorial(10)

结果：

call factorial()... 3628800

但是，对于参数不是一个的函数，调用将报错：

@log def add(x, y):     return x + y print add(1, 2)

结果：

Traceback (most recent call last):   File "test.py", line 15, in <module>     print add(1,2) TypeError: fn() takes exactly 1 argument (2 given)

因为 add() 函数需要传入两个参数，但是 @log 写死了只含一个参数的返回函数。

要让 @log 自适应任何参数定义的函数，可以利用Python的 *args 和 **kw，保证任意个数的参数总是能正常调用：

def log(f):     def fn(*args, **kw):         print 'call ' + f.__name__ + '()...'         return f(*args, **kw)     return fn

现在，对于任意函数，@log 都能正常工作。

python中匿名函数

高阶函数可以接收函数做参数，有些时候，我们不需要显式地定义函数，直接传入匿名函数更方便。

在Python中，对匿名函数提供了有限支持。还是以map()函数为例，计算 f(x)=x² 时，除了定义一个f(x)的函数外，还可以直接传入匿名函数：

>>> map(lambda x: x * x, [1, 2, 3, 4, 5, 6, 7, 8, 9]) [1, 4, 9, 16, 25, 36, 49, 64, 81]

通过对比可以看出，匿名函数 lambda x: x * x 实际上就是：

def f(x):     return 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，不写return，返回值就是该表达式的结果。

使用匿名函数，可以不必定义函数名，直接创建一个函数对象，很多时候可以简化代码：

>>> sorted([1, 3, 9, 5, 0], lambda x,y: -cmp(x,y)) [9, 5, 3, 1, 0]

返回函数的时候，也可以返回匿名函数：

>>> myabs = lambda x: -x if x < 0 else x  >>> myabs(-1) 1 >>> myabs(1) 1

python中闭包

在函数内部定义的函数和外部定义的函数是一样的，只是他们无法被外部访问：

def g():     print 'g()...' def f():     print 'f()...'     return g

将 g 的定义移入函数 f 内部，防止其他代码调用 g：

def f():     print 'f()...'     def g():         print 'g()...'     return g

但是，考察上一小节定义的 calc_sum 函数：

def calc_sum(lst):     def lazy_sum():         return sum(lst)     return lazy_sum

注意: 发现没法把 lazy_sum 移到 calc_sum 的外部，因为它引用了 calc_sum 的参数 lst。

像这种内层函数引用了外层函数的变量（参数也算变量），然后返回内层函数的情况，称为闭包（Closure）。

闭包的特点是返回的函数还引用了外层函数的局部变量，所以，要正确使用闭包，就要确保引用的局部变量在函数返回后不能变。举例如下：

# 希望一次返回3个函数，分别计算1x1,2x2,3x3: def count():     fs = []     for i in range(1, 4):         def f():              return i*i         fs.append(f)     return fs f1, f2, f3 = count()

你可能认为调用f1()，f2()和f3()结果应该是1，4，9，但实际结果全部都是 9（请自己动手验证）。

原因就是当count()函数返回了3个函数时，这3个函数所引用的变量 i 的值已经变成了3。由于f1、f2、f3并没有被调用，所以，此时他们并未计算 i*i，当 f1 被调用时：

>>> f1() 9     # 因为f1现在才计算i*i，但现在i的值已经变为3

因此，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。

任务

返回闭包不能引用循环变量，请改写count()函数，让它正确返回能计算1x1、2x2、3x3的函数。

• ?不会了怎么办

• 考察下面的函数 f:

  def f(j):
      def g():
          return j*j
      return g

  它可以正确地返回一个闭包g，g所引用的变量j不是循环变量，因此将正常执行。

  在count函数的循环内部，如果借助f函数，就可以避免引用循环变量i。

  参考代码:

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

python中返回函数

Python的函数不但可以返回int、str、list、dict等数据类型，还可以返回函数！

例如，定义一个函数 f()，我们让它返回一个函数 g，可以这样写：

def f():     print 'call f()...'     # 定义函数g:     def g():         print 'call g()...'     # 返回函数g:     return g

仔细观察上面的函数定义，我们在函数 f 内部又定义了一个函数 g。由于函数 g 也是一个对象，函数名 g 就是指向函数 g 的变量，所以，最外层函数 f 可以返回变量 g，也就是函数 g 本身。

调用函数 f，我们会得到 f 返回的一个函数：

>>> x = f()   # 调用f() call f()... >>> x   # 变量x是f()返回的函数： <function g at 0x1037bf320> >>> x()   # x指向函数，因此可以调用 call g()...   # 调用x()就是执行g()函数定义的代码

请注意区分返回函数和返回值：

def myabs():     return abs   # 返回函数 def myabs2(x):     return abs(x)   # 返回函数调用的结果，返回值是一个数值

返回函数可以把一些计算延迟执行。例如，如果定义一个普通的求和函数：

def calc_sum(lst):     return sum(lst)

调用calc_sum()函数时，将立刻计算并得到结果：

>>> calc_sum([1, 2, 3, 4]) 10

但是，如果返回一个函数，就可以“延迟计算”：

def calc_sum(lst):     def lazy_sum():         return sum(lst)     return lazy_sum

# 调用calc_sum()并没有计算出结果，而是返回函数:

>>> f = calc_sum([1, 2, 3, 4]) >>> f <function lazy_sum at 0x1037bfaa0>

# 对返回的函数进行调用时，才计算出结果:

>>> f() 10

由于可以返回函数，我们在后续代码里就可以决定到底要不要调用该函数。