python函数入门到高级

函数的定义：
def test(x):
    "The function definitions"
    x+=1
    return x

def:定义函数的关键字
test：函数名
（）：内可定义形参
"":文档描述（非必要，但是强烈建议为你的函数添加描述信息）
x+=1：泛指代码块或程序处理逻辑
return：定义返回值

调用运行：可以带参数也可以不带
函数名()

为什么要定义函数

打个比方。如果公司老板要求你写一个监控程序，当CPU\Memory\Disk等指标超过阈值时即发邮件报警。代码如下

while True：
    if cpu利用率 > 90%:
        #发送邮件提醒
        连接邮箱服务器
        发送邮件
        关闭连接

    if 硬盘使用空间 > 90%:
        #发送邮件提醒
        连接邮箱服务器
        发送邮件
        关闭连接

    if 内存占用 > 80%:
        #发送邮件提醒
        连接邮箱服务器
        发送邮件
        关闭连接

虽然说上面的代码实现了功能。但是发现重复的代码写的太多了。就显得很low逼。这样就存在两个问题

　　1.重复代码太多。不符合高端程序员气质

　　2.如果日后需要修改发邮件的这段代码，比如加入群发功能，那么就需要在所有发送邮件的位置进行修改

如何解决这个问题呢？

只要将重复部分的代码提出来，放到一个公共的位置，起个名字，以后谁想用这段代码。直接通过这个名字调用一下就可以了

def 发送邮件(内容)
    #发送邮件提醒
    连接邮箱服务器
    发送邮件
    关闭连接

while True：

    if cpu利用率 > 90%:
        发送邮件('CPU报警')

    if 硬盘使用空间 > 90%:
        发送邮件('硬盘报警')

    if 内存占用 > 80%:
        发送邮件('内存报警')

总结使用函数的好处：

1.代码重用

2.保持一致性，易维护

3.可扩展性

python的函数有两种：

内置函数与自定义函数

内置函数：

在文章的最下面

自定义函数：

def funcname(test):
    '''
    文档注释
    :return:
    '''
    print ('hello',test)
    return 123

funcname('lhc')

#函数的定义与调用

只有函数名后面有()才会调用函数的内容。如果后面不接()那么这个名字只是显示出这个函数的内存地址

print (funcname)

<function funcname at 0x00000000026A7518>

return意义

return代表着返回值，表示在函数运行结束后的一个值。将返回值赋予一个变量，那么可以看到打印结果。在函数中如果出现return，那么就代表这这个函数运行结束，后面的操作将不会在执行例2

def funcname(test):
    '''
    文档注释
    :return:
    '''
    print ('hello',test)
    return 123

res=funcname('lhc')
print (res)

例2
def funcname(test):
    '''
    文档注释
    :return:
    '''
    print ('hello',test)
    return 123
    print ('*'*20)
    print ('*'*20)
    print ('*'*20)
res=funcname('lhc')
print (res)

注意：即使不加返回值的话，那么python也会自动返回一个值为None

返回值：

　　0个——>None

　　1个——>该返回什么返回什么

　　多个——>返回元组形式

返回值可以是任意类型

三种函数的定义：

无参函数
def f1():
    '''
    文档注释
    :return:
    '''
    print ('In the f1')
f1()

有参函数
def f2(x,y,z):
    '''
    文档注释
    :return:
    '''
    print ('In the f2',x,y,z)
f2(1,2,3)

空函数
def f3():
    '''
    文档注释
    :return:
    '''
    pass
f3()　　　　　　　　　　　　　　#开发工程常用函数

def my_sum2(x,y):
    '''
    定义两个相加之和
    :param x:
    :param y:
    :return:
    '''
    # res=x+y
    # return res
    return x+y          #也可以这么写
print (my_sum2(1,2))
#return可以返回任何数据类型，也可以return任何表达式

def my_max(x,y):
    '''
    比较两个数字最小值
    :param x:
    :param y:
    :return:
    '''
    # if x>y:
    #     return x
    # else:
    #     return y
    return x if x>y else y
print (my_max(1,2))

三种函数的调用形式：

def my_max(x,y):
    return x if x>y else y

# print (my_max(1,2))
#语句形式
my_max(1,2)
# 常用语没有返回值的函数

#表达式形式
res=my_max(1,2)
print (res)
# 需要拿到返回值

#作为参数
res=my_max(10,my_max(11,12))
print (res)

形式参数与实际参数：

这个就是形式参数

只有在被调用（或者被传值）才会暂用内存空间

这个就是实际参数。真实占用内存空间

PS：在python中名字没有任何的储值功能，任何的赋值都是绑定一个名字到一个值

 参数的动态性：

#参数的动态性
def foo(x,y):
    return x+y
print (foo(1.2,3))
print (foo('a','b'))
print (foo(1,'a'))
这样做有好处也有坏处，同类型想加没有问题，但是像print(foo(1,'a'))那么就会报错。怎么解决请往下看

解决方法：

1
def foo(x,y):
    '''

    :param x: int
    :param y: int
    :return: int
    '''
    return x+y
定义文档注释，但是起不到限定作用
2
def foo(x,y):
    if type(x) is int and type(y) is int:
        return x+y
print (foo(1,2))
进行判断
3
def foo(x:int,y:int)->int:
    return x+y
print(foo(1,2))

 实际参数与形式参数的调用：

#实参：按位置传值（受位置影响）
def foo(x,y):
    print (x)
    print (y)
foo(1,2)

#实参：安关键字传值(不受位置影响）
def foo(x,y):
    print (x)
    print (y)
foo(y=1,x=2)

# 注意问题一：针对同一个形式参数，你可以按照位置或者按照关键字传值，但是只能用一种方式
foo(1,x=1,y=2) #报错
#注意问题二：按关键字传值，必须在按位置传值的右边
foo(x=1,2)  #报错

#位置参数,默认参数，*args可变参数，**kwargs

def foo(x,y,z):
    print (x)
    print (y)
    print (z)
#位置参数，必须要传值
foo(1,2,3)

#默认参数，在定义参数的时候给一个默认的值。
def foo(x,y=10):
    print (x)
    print (y)
foo(1)
foo(1,3)
foo(1,y=1)
#默认参数通常是把那种变化比较小的参数定义成默认参数。
#默认参数一定要定义成一个不可变的类型

#注意默认参数必须要写的位置参数右边
def foo(x=1,y):
    pass    #报错

#默认参数在定义时就已经被赋了一个明确的值。后期的变化对其无效
name=123
def foo(x,y=name):
    print (x)
    print (y)
name='abc'
foo(1)

# 注意针对任何形式的参数都有两种传值操作(位置与关键字)

总结默认参数的好处：

1.降低了函数调用的复杂性

2.可用来扩展函数功能

*args 

def foo(x,y,*args):
    print(x)
    print(y)
    print(args)
foo(1,2,3,4)

将函数剩余的参数变成元组，即使函数与参数相等，那么将会输出一个空元组

def foo(x,y,*args):
    print(x)
    print(y)
    print(args)
foo(1,2,*[3,4,5])

*的作用是‘监听’位置参数，*args等待接收的参数必须是按位置来的

凡事遇到带*的参数，那么我们就把它看着是位置参数

例如：

def foo(x,y,a,b,c):
    print(x)
    print(y)
    print(a,b,c)
foo(*[1,2,3,4,5])

如果多一个参数或者少一个参数 那么就会报错

如果*的后面参数是一个数据类型，而不是一个具体的参数名，那么就把那个数据类型打散

**kwargs

def foo(x,y,**kwargs):
    print(x)
    print(y)
    print(kwargs)
foo(1,y=2,z=1,b=2,c=5)

**kwargs会将多的关键字参数组合成一个字典格式，与上面的*args作用一样。但是，要在*args后面。因为*args可以看做一个位置参数，而**kwargs可以看成一个关键字参数。基于我们上面说的，关键字参数要在位置参数的后面。它们两个可以一起组合使用。

组合使用后，后期函数的扩展性将会很好

def foo(x,y,z):
    print(x)
    print(y)
    print(z)
foo(**{'x':1,'z':3,'y':2})

在实参上操作：看到实参前面有**后面接入一个字典{'x':1,'z':3,'y':2}，那么就把它看做x=1，z=3，y=2.就变成了关键字传值了，那么如果多一个值或者少一个值的话会报错

def foo(x,y,z=3):
    print(x)
    print(y)
    print(z)

def bar(*args,**kwargs):    #args=(1,2,3) kwargs={'x':1,'y':2,'z':3}
    foo(*args,**kwargs)      #foo(*(1,2,3),**{'x':1,'y':2,'z':3})
                                         #foo(1,2,3,x=1,y=2,z=3)
bar(1,2,3,x=1,y=2,z=3)

test

函数是第一类对象（函数对象）

在python中所有的名字都没有储值功能，什么是名字，比如说定义函数的名字，定义变量的名字等等。

概念：指的是函数可以被当做数据来处理。

数据值的处理方式：

可以被引用

def foo():
    print('foo')
f1=foo
f1()

可以当做另外一个参数的值

def foo():
    print('foo')

def bar(func):
    print(func)
bar(foo)

可以当做返回值

def foo():
    print('foo')

def bar(func):
    return func
f=bar(foo)
print(f)
f()

*注意：如果函数当做参数，或者返回值当做参数，满足了其中一个，这个函数可以称作为高级函数

一个值可以当做容器类型的一个元素

def foo():
    print('foo')
func_dic={
    'foo':foo
}
func_dic['foo']()

函数嵌套

1.函数的嵌套调用

在一个函数内部调用另一个函数

面向过程的编程

def my_max2(x,y):
    if x>y:
        return x
    else:return y

def my_max4(a,b,c,d):
    res1=my_max2(a,b)
    res2=my_max2(res1,c)
    res3=my_max2(res2,d)
    return res3
print(my_max4(1,23423,5435,0))

def my_max2(x,y):
    return x if x>y else y

def my_max4(a,b,c,d):
    return my_max2(my_max2(my_max2(a,b),c),d)
print(my_max4(1,23423,54353,0))
函数的可读性很差  不推荐

e,g

2.函数的嵌套定义

在函数内部再定义一个函数

def f1():
    def f2():
        print('in the f2')
    f2()
f1()

e,g

命名空间（Namespaces）

命名空间即名称空间，存放名字的地方，反映的是名字与值的绑定

x=1
#就是将x与1绑定
del x
#则是将x与1的绑定删除

在Python中分三种命名空间

1.局部命名空间

def foo():
    x=1
    def bar():pass
#foo()函数中的定义就说局部命名空间，可以理解为有缩进的

2.全局命名空间

import time
x=1
class ClassName:pass
def foo():pass
#顶头写，没有缩进，只要Python这个代码一执行，他们就会放到全局命名空间中

3.內建命名空间

python程序要想运行，需要靠python解释器来执行，解释器属于一个软件，而解释器中写好的名字就叫內建名字，比如：sum，print 等等。

Python加载名字顺序

內建命名空间-->全局命名空间-->局部命名空间(在函数名被调用的时候才会加载，执行完毕后进行释放)

globals() 与 locals()

使用上面两个函数可以查看全局名称与局部名称

x=1
def func():
    y=2
    x=3
    print('in the func')

print(globals())
print(locals())

执行结果：
{'__name__': '__main__', '__doc__': None, '__package__': None, '__loader__': <_frozen_importlib_external.SourceFileLoader object at 0x0043A410>, '__spec__': None, '__annotations__': {}, '__builtins__': <module 'builtins' (built-in)>, '__file__': 'C:/Users/Administrator/PycharmProjects/untitled/day5/命名空间与作用域.py', '__cached__': None, 'x': 1, 'func': <function func at 0x006567C8>}
{'__name__': '__main__', '__doc__': None, '__package__': None, '__loader__': <_frozen_importlib_external.SourceFileLoader object at 0x0043A410>, '__spec__': None, '__annotations__': {}, '__builtins__': <module 'builtins' (built-in)>, '__file__': 'C:/Users/Administrator/PycharmProjects/untitled/day5/命名空间与作用域.py', '__cached__': None, 'x': 1, 'func': <function func at 0x006567C8>}

可以发现上面两行一模一样，因为gloabls在全局中输出，所以全局的局部还是全局

在局部中打印

x=1
def func():
    y=2
    x=3
    def bar():pass
    print(locals())
    print(globals())

func()

{'bar': <function func.<locals>.bar at 0x003FD780>, 'x': 3, 'y': 2}
{'__name__': '__main__', '__doc__': None, '__package__': None, '__loader__': <_frozen_importlib_external.SourceFileLoader object at 0x0043A410>, '__spec__': None, '__annotations__': {}, '__builtins__': <module 'builtins' (built-in)>, '__file__': 'C:/Users/Administrator/PycharmProjects/untitled/day5/命名空间与作用域.py', '__cached__': None, 'x': 1, 'func': <function func at 0x004C6738>}

同样的在局部中打印局部变量。

特殊的if

x=1
if 1:
    aaaaaaaaaaaaaaaaaaaaaaa=1
def func():
    y=2
    x=3
    def bar():pass
    print(locals())
    print(globals())
func()

{'bar': <function func.<locals>.bar at 0x0041D780>, 'x': 3, 'y': 2}
{'__name__': '__main__', '__doc__': None, '__package__': None, '__loader__': <_frozen_importlib_external.SourceFileLoader object at 0x0045A410>, '__spec__': None, '__annotations__': {}, '__builtins__': <module 'builtins' (built-in)>, '__file__': 'C:/Users/Administrator/PycharmProjects/untitled/day5/命名空间与作用域.py', '__cached__': None, 'x': 1, 'aaaaaaaaaaaaaaaaaaaaaaa': 1, 'func': <function func at 0x004967C8>}
虽然if下面的子代码没有顶头写，但是也属于全局变量

查看內建名称

作用域

按照作用范围以及产生消亡的时间，可以把这三个命名空间分成两个区域

反映就是一种查找顺序，比如说在局部域查找名字，局部域没有，查找全局，全局没有查找內建

定义在全局的变量为全局变量。全局变量全局有效。

定义在局部的变量为局部变量，局部变量局部有效，函数执行的时候存活，函数结束后被释放

x=1
def f1():
    x=10
    def f2():
        x=20000
        print (x)
    return f2
f=f1()
print(f)
x=20
f()

x=1
def f1():
    x=10
    def f2():
    #     x=20000
        print (x)
    return f2
f=f1()
print(f)
x=20
f()

e,g

闭包

定义函数其实就是命名一个名字，然后把函数的代码打包赋值给这个名字，定义函数就是一个打包的过程。

而闭包的概念是：本质就是一个内部函数。特点，必须包含对外部函数作用域(非全局作用域)名字的引用

def f1():
    x=1
    def f2():
        print(x)
    return f2
func=f1()
x=10
func()

e,g

也就是f2函数打包了一段代码，特殊之处是，他是一个包含对外部函数状态引用的函数。在返回f2的时候，并不是单纯的再返回里面的代码，是返回这个代码并且把这个代码外面想要的值一并返回。如果自己的函数体内有值，那么它就不是闭包函数。

如何查看是不是闭包函数

def f1():
    x=1
    y=2
    def f2():
        print(x)
        print(y)
    return f2
func=f1()
print(func.__closure__[0].cell_contents)
print(func.__closure__[1].cell_contents)

e,g

闭包的厉害之处——惰性计算

from urllib.request import urlopen
def page(url):
    def get():
        return urlopen(url).read()
    return get   #通常来说闭包函数定义完后应该返回来

baidu=page('http://www.baidu.com')
print(baidu())

e,g

什么时候调用，直接就加括号可以

装饰器

比如公司写入一个软件后，稳定后就要遵循开放封闭原则。（就是开放了就要关闭，类似于上线后，项目的源代码就不能再更改了，能不动就净量别动。可能会导致连锁反应，进而导致程序崩溃），但是上线后不可能就不扩展，扩展还不能修改源代码包括函数的调用方式，那么就出现了'装饰器'

装饰器：本身功能是装饰别人，被装饰着可以是任何可调用对象。装饰器本身也可以是任何可调用对象

#需求，统计函数执行时间
#装饰器需要遵循的原则：1：不能修改源代码
#2：不能修改调用方式
#装饰器功能是在遵循1和2的前提下为被装饰对象添加新功能

import time
def timer(func): #2.这一步是把下面的index给了func，而这一步index是属于最原始的，最原始的意思就是还没装饰的
    def wapper():
        start_time=time.time()
        func()
        time.sleep(3)
        stop_time=time.time()
        print('run time is %s' %(start_time -start_time))
    return wapper

@timer #1.index=timer(index)  3.最后闭包函数执行结束后，会return返回一个wapper，这个wapper就是此时的index
def index():
    print('welcome to index')
index()  # 4最后这里index的调用就是在调用wapper

添加功能后的结果

#无参装饰器
@timer  #@后面跟一个新名字。timer()是装饰器，就是一个函数。
#@timer就是把正下方的函数名传进去‘@timer(index)'执行后会得到一个结果，这个结果重新赋值给index 'index=@timer(index)'
def index():
    print('welcome to index')
index()


#有参数装饰器
@auth(auth_type='file') #只要是名字加括号，第一件事就是立马执行，有返回值则返回值，没有则返回None
#auth(auth_type='file')会的到一个结果 --->比如 func --->在转换成上面的@func ---> 会读正下方的函数名 index=func(index)
def index():
    print('welcome to index')
index()

import time
def timer(func): #这一步是把下面的home给了func，而这一步home是属于最原始的，最原始的意思就是还没装饰的
    def wapper(user):
        start_time=time.time()
        func(user)              #2.这个func就是下面的home源代码，给一个参数user，但是func属于wapper 所以还要给wapper一个参数
        stop_time=time.time()
        print('run time is %s' %(start_time -start_time))
    return wapper

@timer
def home(user):
    time.sleep(2)
    print('home %s'%user)
home('lhc') #1.运行home就是运行装饰后的home即上面的wapper 即wapper('lhc').但是运行会报错，因为上面的装饰器函数中没有定义参数
#所以就要变成有参的装饰器
#3.最后home执行就变成了wapper执行

有参函数添加功能后的结果

整合有参与无参

import time
def timer(func):
    def wapper(*args,**kwargs):
        start_time=time.time()
        func(*args,**kwargs)
        stop_time=time.time()
        print('run time is %s'%(start_time-stop_time))
    return wapper

@timer
def index():
    print('welcome index')
index()

@timer
def home(user):
    print('welecome to home %s'%user)
home('lhc')

有参与无参之*args **kwargs

如果一个装饰器装饰了两个函数，那么都没偶参数或者都有参数，那么很简单，但是其中一个有参另一个无参，那么就无法写死了，这时候就可以用*args和**kwargs 通过*args来接受位置参数，**kwargs来接受关键字参数，在
定义wapper参数为*args和**kwargs那么不论你之前传入的参数是什么样的wapper都会将你原封不动的打开。

认证装饰器

user_l=[
    {'user':'lhc','passwd':''},
    {'user':'zxb','passwd':''},
    {'user':'hj','passwd':''},
]

def auth(func):
    # def func(func):
    def wapper(*args,**kwargs):
        name=input('name').strip()
        passwd=input('passwd').strip()
        for i in user_l:
            if name != i['user'] or passwd != i['passwd']:
                print('gun')
                break
                res = func(*args, **kwargs)
            else:
                print('auth successful')
                res = func(*args, **kwargs)
                return res
    return wapper

@auth
def home(user):
    print('welcome to home %s'%user)
    return user+''
res=home(user='lhc')
print(res)

e,g

认证装饰器2

#!/usr/bin/env python
#coding=utf-8

import time
user_l=[
    {'user':'lhc','passwd':''},
    {'user':'zxb','passwd':''},
    {'user':'hj','passwd':''},
]
login_user={'username':None,'login':False}

def auth(auth_type):
    def deco(func):
        def wapper(*args,**kwargs):
            # print('====================',auth_type)
            if auth_type =='file':
                if login_user['username'] and login_user['login']:
                    res = func(*args, **kwargs)
                    return res
                name=input('name:').strip()
                passwd=input('passwd:').strip()
                for i in user_l:
                    if name == i['user'] and passwd == i['passwd']:
                        print('auth successful')
                        print('auth type is file')
                        login_user['username'] = name
                        login_user['login'] = True
                        res = func(*args, **kwargs)
                        return res

            elif auth_type=='ladp':
                print('login type is ladp successfull')
                res=func(*args,**kwargs)
        return wapper
    return deco

@auth(auth_type='ladp')   #func---->@func---->index=func(index)
def index():
    print('welcome index')
index()

@auth(auth_type='file')
def home(user):
    print('welecome to home %s'%user)
    return user+''
res=home('lhc')
print(res)

e,g

注意：如果原函数里面有文档注释信息的话，那么要导入一个functools模块中的functools.wraps(func)并装饰到wrapper函数上面

import functools
def temer(func):
    @functools.wraps(func)
    def wrapper(*args,**kwargs):
        '这是wrapper函数'
        g=func(*args,**kwargs)
        return g
    return wrapper

@temer
def index():
    '这是index函数'
    print('welcome')
# index()
print(help(index))

e,g

上面中装饰器的意思就是让wrapper保持原函数的注释信息.记住就行

迭代器

迭代：更新换代，描述的是一种重复的过程，在Python中跟重复动作有关的关键字有for，while。

l=[1,2,3,4]
for i in range(len(l)):
    print(l[i])

i=0
while i <len(l):
    print(l[i])
    i+=1

e,g

按照上面的方法进行循环的通过下标来实现的

但是针对没有下标的数据类型，我们再想迭代他们的，就必须提供一种不按下标取值的方式，针对这种情况，python已经为很多数据类型内置了一个叫__iter__的方法

例

d={'a':1,'b':2}
print(d.__iter__)
print([].__iter__)

数据类型凡是有__iter__方法都是可迭代的iterable，执行这个方法得到的结果就是迭代器iterator

只要是迭代器，他下面内置一个__next__方法

通过执行这个__next__方法得到的结果

循环字典的key值，

如果再次循环一次会出现一个叫StopIteration的“错误”，但是这个StopIteration并不是报错，是代表一种结束的标志。

代表字典没有值了

包括列表也是一样的

l=[1,2,3,4]
i=iter(l)   #1.__iter__()
while l:
    print(next(i))  #i.__next__()

列表迭代

l=[1,2,3,4]
i=iter(l)   #1.__iter__()
while l:
    try:
        print(next(i))  #i.__next__()
    except StopIteration as e:
        break

异常处理

dict={'a':1,'b':2,'c':3}
d=iter(dict)
while 1:
    try:
        # print(next(d))
        print(dict[next(d)])
    except StopIteration:
        break

while迭代字典

迭代器的厉害之处就是对于那种没有下标的数据类型进行循环，包括文件

dict={'a':1,'b':2,'c':3}dict={'a':1,'b':2,'c':3}dict={'a':1,'b':2,'c':3}dict={'a':1,'b':2,'c':3}dict={'a':1,'b':2,'c':3}
dict={'a':1,'b':2,'c':3}dict={'a':1,'b':2,'c':3}dict={'a':1,'b':2,'c':3}
dict={'a':1,'b':2,'c':3}dict={'a':1,'b':2,'c':3}dict={'a':1,'b':2,'c':3}dict={'a':1,'b':2,'c':3}
dict={'a':1,'b':2,'c':3}

test

with open('test') as f:
    print (f)
    print(f.__iter__)
    for line in f:
        print(line)

for循环迭代文件

前提是必须是可迭代的，也就是__iter__方法

这样做的好处是

1：提供了一种同意的迭代方式，（之前只能按照下标去迭代，现在可以用next方法来执行）

2：惰性计算：可以省内存。对比列表来说，迭代器是一次取一个值读到内存中，而列表是将列表中所有的元素都读到内存中。

有好就有坏，他的缺点是

1：迭代器看起来就像一个序列，但是你永远无法预知迭代器的长度。因为它一次取一次值，永远不知它取多少次值，因为它每次只取一个值

2：不能倒着迭代，更像是一次性的，只能有一遍

可迭代的：只要有__iter__方法，都是可迭代的，只要能被for循环迭代的都是可迭代的对象

迭代器：既有__iter__方法又有__next__

验证是否可迭代

from collections import Iterable,Iterator
print(isinstance('abcsdad',Iterable))
from collections import Iterable,Iterator
print(isinstance('[]',Iterable))
from collections import Iterable,Iterator
print(isinstance('()',Iterable))
from collections import Iterable,Iterator
print(isinstance('{}',Iterable))
#通过上面的命令可以查看是否可迭代

print(isinstance({}.__iter__(),Iterator))
print(isinstance(().__iter__(),Iterator))
print(isinstance([].__iter__(),Iterator))
print(isinstance('asdasd'.__iter__(),Iterator))
#通过使用__iter__变成迭代器

with open('test') as f:
    print(f.__next__())
    print(isinstance(f,Iterable))
    print(isinstance(f,Iterator))
#文件就是一个迭代器

生成器

凡事在函数内部有yield关键字，那么这个函数就是一个生成器

def foo():
    print('第一次执行')
    yield 1
    print('第二次执行')
    yield 2
    print('第三次执行')
    yield 3
    print('第四次执行')
    yield 4
g=foo()
print(g)

e,g

得到的结果是

<generator object foo at 0x0065A030>   #generator就是生成器

函数加括号调用首相会检查语法有没有错误，其次是执行 然后检查函数当中有没有yield 于是这个执行会变成一个生成器

print(isinstance(g,Iterator))
#通过这个命令来查看发现生成器就是一个迭代器，那么它就是一个序列，跟字典列表..一样 也就可以用next取值

例子中的函数加括号并不会执行，而是通过next来执行

注意：这个执行并不会全部执行，而是遇到一个yield后停止执行，通过next进行执行，然后继续执行，直到遇到一个新的yield后又会停止，再通过next来执行。下一次的执行基于上一次执行的位置开始

如果函数中有yield那么就可以把函数当成序列来看（迭代器来看）

def foo():
    print('第一次执行')
    yield 1
    print('第二次执行')
    yield 2
    print('第三次执行')
    yield 3
    print('第四次执行')
    yield 4
g=foo()
for i in g:
    print(i)

#通过生成器来for循环函数

这个的厉害之处就是函数已经不是函数了 而是一段数据流 ，取一个值，然后暂停，下一次在取一个值...。（节约内存）

yield的功能：

1.yield是为函数定制__iter__和__next__方法，这就提供了一种自定义迭代器的优雅的方法

2.yield就像于return，return可以返回什么yield也可以。但是可以返回多次

3.生成器本质就是一个数据流，next(生成器)才会触发生成器函数的一次执行，下一次next会从上次暂停的位置继续执行，直到重新遇到一个yield

协程函数

协助程序函数，本质就是生成器（包含yield）

def eater():
    print('start to eat')
    while True:
        food=yield
        print('is eating food:%s' %food)

test=eater()
next(test)  #先next一次 来"唤醒"协成函数
#然后下面的操作都是test.send(值)
test.send('bread')#将值发给yield
...

例子

函数间交互

def eater():
    print('start to eat')
    while True:
        food=yield
        print('is eating food:%s' %food)

def Send():
    test = eater()
    next(test)   #这函数中的这个操作触发上面的函数
    test.send('bread')  #send操作传值给上面函数
    test.send('milk')
Send()
#区别在于两个函数间的交互

两个函数的交互

函数交互的关键就是第一步唤起操作，有的时候很多人都容易忘记这步操作。

所以定义为成一个装饰器，那样可以通过装饰器直接唤起初始化操作

def init(func):
    def wapper(*args,**kwargs):
        g=func(*args,**kwargs)
        next(g)
        return g
    return wapper

@init
def eater():
    print('start to eat')
    while True:
        food=yield
        print('is eating food:%s' %food)
e=eater()
e.send('')

e,g

协程函数模仿grep -rl '想要查问的字符串'

首先在E盘下面建立一个test文件夹，然后在test下面递归的创建几个文件夹和文件进行测试

import os
import functools
def init(func):
    @functools.wraps(func)
    def wapper(*args,**kwargs):
        '这是wrapper'
        g=func(*args,**kwargs)
        next(g)
        return g
    return wapper

def get_file(abs_path,target):
    '生产一个个的文件绝对路径'
    g=os.walk(abs_path)
    for topdir,cdir,files in g:
        for file in files:
            abs_file_path=r'%s\%s' %(topdir,file)
            target.send(abs_file_path)
@init
def opener(target):
    '打开文件获取句柄'
    while True:
        abs_file_path=yield
        with open(abs_file_path) as f:
            target.send((f,abs_file_path))
@init
def get_lines(target):
    '读取文件每一行'
    while True:
        f,abs_file_path=yield
        for line in f:
            target.send((line,abs_file_path))
@init
def grep(pattern,target):
    '过滤行得到想要的信息'
    while True:
        line,abs_file_path=yield
        if pattern in line:
            target.send((abs_file_path))
@init
def printer():
    while True:
        abs_file_path=yield
        print(abs_file_path)

file_name=get_file(r'E:\test',opener(get_lines(grep('python',printer()))))

e,g

上面这种方法属于一种面向过程的编写思路。核心就面向过程，将大问题分成多个小步骤，然后一步一步的进行执行，最后再穿插起来。

面向过程包括（liunx内核c语言写的，c语言就是典型的面向过程，github，apache等等都是典型的代表）。最开始编程就是面向过程。

凡事必有好坏

优势：

　　将复杂的问题变得清晰。解决程序复杂度

劣势：

　　可扩展性极其差，无法修改。这个过程建成后，无法执行别的操作，只能执行grep -rl

基本不变的场景最适合面向过程（例如操作系统，数据库这种软件）

对于现在的互联网状况，需求经常改变的情况，出现了另外一种编程思想：面向对象

在python中还有一种函数就是內建函数

內建函数随着解释器的启动而启动

print(abs(-1))  #求绝对值

print(all([1,2,3,'a',0,[]])) #for循环查看迭代器中所有的元素，如果有一个元素为False那么则为Flash，除非所有元素都为True则为True,或者迭代器为空
print(all(''))#for循环查看迭代器中所有的元素，如果有一个元素为False那么则为Flash，除非所有元素都为True则为True,或者迭代器为空

print(any([1,2,3,'a',0,[]]))    #同上面一样，但是迭代器中有一个元素是True则返回Ture
print(any(''))

print(bin(123))    #10进制转二进制

print(bytes('你好',encoding='utf-8'))  #将字符串转行成二进制，后面要指定一个编码格式

s='你好'
print(bytes(s,encoding='utf-8'))
print(s.encode(encoding='utf-8'))
print(s.encode(encoding='utf-8').decode(encoding='utf-8'))

print(callable(all)) #是否可调用,只要名字加()就是可调用

print(chr(123))   #字符编码表：一张表中数字所对应的字符串
print(ord('{'))   #字符编码表：将字符串转换成数字

compile。#python的执行过程是通过解释器，在解释之前会进行一个编译过程。
s='for i in range(10):print("i")'
code=compile(s,'','exec')    #'' 可以指定代码来自哪个文件，加不加都行。exec代表着一组语句
print(code)
exec(code)
模拟语句

s='1+2+3'
code=compile(s,'','eval')
eval(code)
print(eval(code))
模拟表达式

exec跟eval都是在字符串中提取有用的信息

b=complex(1-2j)
print(b,type(b))
print(b.real,b.imag)  #实部运算与需部运算

dir() #查看函数下面方法

print(divmod(10,3)) #得到元组，前面为余数，后面为商，前端分页功能

format()     #格式化字符串和数字
print('{}::::::::{}'.format(1,2))
print('{1}::::{1}::::{0}'.format(1,2))
 frozenset        #定义集合

print(globals())    #查看全局变量
print(locals())     #查看局部变量

res='123abc'
print(hash(res))      #生成hash值

print(max(1,2,3,4)) #比较最大值 比较类型为可迭代，只能同类型比较
print(min(1,2,3,4)) #比较最大值 比较类型为可迭代，只能同类型比较
lambda
sorted

print(pow(2,3,3))   #第一个数字代表一个数字，后面的数字代表他的几次方，最后一个数为前两个数的结果取余

a=[1,2,3]
print(reversed(a))
for i in reversed(a):
    print(i)                  #取反

print(round(3.5))   #四舍五入

l=[1,2,3,4,5,6,7]
print(l[2:5:2])
s=slice(2,5,2)
print(l[s])           #大量列表都用切割[2:5:2]那样可以使用slice，节约代码。没啥软用

print(sum([-1,2,3,4]))    #只能接受纯数字的迭代器，可以设定初始值

zip #拉链
name=['tom','jack','lucy']
age=['','','']
a=zip(name,age)
for i in a:
    print(i)              #一一对应，组成一个个元组,如果无法对应，将停止zip，不会报错

内建函数详细讲解1

# salaries={
#     'lhc':3000,
#     'hj':100000000,
#     'dh':10000,
#     'ys':2000
# }
#取出工资最高的人名
# d=zip(salaries.values(),salaries.keys())
# print(max(d)[1])        #虽然可以这么实现但是，但是用下面的方法更好些

# def get_val(k):
#     return salaries[k]
# print(max(salaries,key=get_val))  #max salaries就是在for循环salaries 将key传给上面的函数，然后返回一个value进行对比，得出的结果输出key值
                                    #这么虽然实现了，但是特别麻烦不能每次都顶一个函数，特别的low
#后来有个新的方法，如果定义的函数的函数体就是一条return（一次性函数）就是lambda(匿名函数)
# func=lambda k:salaries[k]
# lambda 的参数不需要括号,return也不需要写
# print(func('lhc'))
# 这么玩就没意思了，lmabda本身的含义就是没有名字

# print(max(salaries,key=lambda k:salaries[k]))
#最终的结果
# min与max是一样的

#排序
# print(sorted(salaries))
# print(sorted(salaries,key=lambda x:salaries[x])) #从小到大排序
# print(sorted(salaries,key=lambda x:salaries[x],reverse=True)) #从大到小

内建函数详细讲解lambda

salaries={
    'lhc':8000,
    'hj':100000000,
    'dh':10000,
    'ys':1000
}

# filter 过滤
res=filter(lambda k:salaries[k] > 3000,salaries)        #两个参数第二个属于一个可迭代对象，前面是一个函数名，这个函数的返回值一定是True或者False，
for i in res:
    print(i)

内建函数详解filter

l=['lhc','hj','dh','ys']
#给其他人都加上123
# 正常定义
# n_l=[]
# for i in l:
#     i+='123'
#     n_l.append(i)
# print(n_l)
#代码非常冗长，所以请看下面
res=map(lambda i:i+'_123',l)        #通过map函数可也用一行代码写出结果，首先后面还是传入一个列表，然后for循环一次取值赋给i，i加上123返回 最后输出
print(res)

在lambda中无法加入if判断，只能全部都加123

内建函数详解map

from functools import reduce
#需求1加到一百
res=reduce(lambda x,y:x+y,range(101),10)   #后面的10 位初始值因为for循环相加就是通过一个初始值然后依次循环相加，所以可以指定初始值也可以不指定初始值
print(res)

#在python2.7中可以直接调用reduce，但是在python3.0中将reduce添加到functools模块中

内建函数详解reduce