Python Day4

一、装饰器

装饰器类似于一种动态增加函数功能的方法，使用@语法，放在它要装饰的函数定义处（函数定义的上面），实现为已经存在的函数增加新的功能。

def outer(func):
    def innter():
        print('in the log')
        func()
        print('hehe')
    return innter
# @outer功能：
# 1.自动执行outer函数并且将其下面的函数名f1当作参数传递
#2.将outer函数的返回值，重赋值给f1
@outer
def f1(): #一旦被装饰，其下的函数将被重新赋值为装饰器函数的内层函数
    print("in the f1")
f1()

f1函数一旦被装饰，其下的函数将被重新赋值为装饰器函数的内层函数，当执行f1()时将执行innter()函数

装饰器实现功能例子：

• 登陆时添加验证

  def login(func):
      def inner():
         print("正在验证！。。。")
         func()
         print("welcome to the tv page!")
      return inner
  @login
  def tv():
     print("This is  the tv page!")
  tv()
  

当代码运行到@login时，会把它下面装饰的tv函数作为自己的参数，此时即：func = tv

当tv()执行时，实际上执行inner()。

• 当装饰器需要添加参数时：

    def login(func):
        def inner(*args,**kwargs):
            print("正在验证！。。。")
            func(*args,**kwargs)
            print("Have a nice time!")
        return inner
    @login
    def movie(*args,**kwargs):
        print("welcome {} to the {} page of movie!".format(*args))
    movie("Alex", '3rd')
  

• 当被装饰的函数有返回值时：

    # 当被装饰的函数有返回值时：
    def login(func):
        def inner(*args):
            print("正在验证！。。。")
            tmp = func(*args)
            print("Have a nice time!")
            return tmp  # 注意：此处应该将被装饰函数的返回值return
        return inner
    @login
    def movie(*args):
        print("welcome {} to the {} page of movie!".format(*args))
        return 666  # 被装饰的函数有返回值
    num = movie("Alex", '3rd')
    print(num)
  

二、生成器

生成器：

通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。

所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？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。

• 要创建一个generator，有很多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator：

  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 at 0x000002AD67D15E08>

创建l和g的区别仅在于最外层的[]和()，l是一个list，而g是一个generator。

我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？

如果要一个一个打印出来，可以通过__next__()函数获得generator的下一个返回值：

    >>> g.__next__()
0
>>> g.__next__()
1
>>> g.__next__()
4
>>> g.__next__()
9
>>> g.__next__()
16
>>> g.__next__()
25
>>> g.__next__()
36
>>> g.__next__()
49

generator保存的是算法，每次调用g__next__()，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。

上面这种不断调用g__next__()实在是太麻烦了，正确的方法是使用for循环，因为generator也是可迭代对象：

>>> g = (x * x for x in range(10))
>>> for n in g:
...     print(n)

所以，我们创建了一个generator后，基本上永远不会调用__next__()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。

generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。

比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, ...

斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        print(b)
        a, b = b, a + b
        n = n + 1
    return 'done'

fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。

上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

def fib(max):
    n,a,b = 0,0,1
    while n < max:
    #    print(b)
        yield  b
        a,b = b,a+b
        n += 1
    return 'done'

这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator。

generator和函数的执行流程不一样。函数是顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用__next__()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行

三、迭代器

迭代器：

我们已经知道，可以直接作用于for循环的数据类型有以下几种：

一类是集合数据类型，如list、tuple、dict、set、str等；

一类是generator，包括生成器和带yield的generator function。

这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。

可以使用isinstance()判断一个对象是否是Iterable对象：

>>> 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循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了。

可以被__next__()函数调用并不断返回下一个值的对象称为迭代器：Iterator。

可以使用isinstance()判断一个对象是否是Iterator对象：

>>> 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对象，但list、dict、str虽然是Iterable，却不是Iterator。

把list、dict、str等Iterable变成Iterator可以使用iter()函数：

>>> from collections import Iterator
>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True

你可能会问，为什么list、dict、str等数据类型不是Iterator？

这是因为Python的Iterator对象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数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。

Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。

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，但是可以通过iter()函数获得一个Iterator对象。

四、json & pickle

用于序列化的两个模块

• json，用于字符串 和 python数据类型间进行转换

• pickle，用于python特有的类型 和 python的数据类型间进行转换

  import json
  info ={
      "name":"alex",
      "age":22
  }
  f = open("test.txt","w")
  f.write(json.dumps(info))
  f.close()
  

上面是用json将字典序列化为字符串写入文件

然后再将字典格式的字符串反序列化为字典

import json
f = open("test.txt","r",encoding="utf-8")
data = json.loads(f.readline())
print(data,type(data))
print(data["age"])

把代码中的json.dumps和json.loads换为pickle.dumps和pickle.loads效果一样