再学python3(四)：python-装饰器、迭代器、生成器

2024-06-04 19:38
文章标签 python python3 生成器 迭代 装饰 再学

本文主要是介绍再学python3(四)：python-装饰器、迭代器、生成器，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、装饰器  详见这里

1.1 什么是装饰器？

装饰器本质上就是一个python函数，他可以让其他函数在不需要做任何代码变动的前提下，增加额外的功能，装饰器的返回值也是一个函数对象。

装饰器的应用场景：比如插入日志，性能测试，事务处理，缓存等等场景。

1.2 装饰器的形成过程。

现在我有一个需求，我想让你测试这个函数的执行时间，在不改变这个函数代码的情况下

import timedef func1():print('in func1')def timer(func):def inner():start = time.time()func()print(time.time() - start)return innerfunc1 = timer(func1)
func1()

 

但是如果有多个函数，我都想让你测试他们的执行时间，你每次是不是都得func1 = timer(func1)?这样还是有点麻烦，因为这些函数的函数名可能是不相同，有func1，func2,graph,等等，所以更简单的方法，python给你提供了，那就是语法糖。

 

 

import time
def timer(func):def inner():start = time.time()func()print(time.time() - start)return inner@timer   #==> func1 = timer(func1)
def func1():print('in func1')func1()

 

 刚刚我们讨论的装饰器都是装饰不带参数的函数，现在要装饰一个带参数的函数怎么办呢？

 装饰器---带参数的装饰器

 

 

import time
def timer(func):def inner(*args,**kwargs):start = time.time()re = func(*args,**kwargs)print(time.time() - start)return rereturn inner@timer   #==> func1 = timer(func1)
def func1(a,b):print('in func1')@timer   #==> func2 = timer(func2)
def func2(a):print('in func2 and get a:%s'%(a))return 'fun2 over'func1('aaaaaa','bbbbbb')
print(func2('aaaaaa'))

 

上面的装饰器已经非常完美了，但是有我们正常情况下查看函数信息的方法在此处都会失效：

 

def index():'''这是一个主页信息'''print('from index')print(index.__doc__)    #查看函数注释的方法
print(index.__name__)   #查看函数名的方法

 

如何解决呢？

 

from functools import wrapsdef deco(func):@wraps(func) #加在最内层函数正上方def wrapper(*args,**kwargs):return func(*args,**kwargs)return wrapper@deco
def index():'''哈哈哈哈'''print('from index')print(index.__doc__)
print(index.__name__)

 

1.3 开放封闭原则。

1.对扩展是开放的

　　　　为什么要对扩展开放呢？

　　　　我们说，任何一个程序，不可能在设计之初就已经想好了所有的功能并且未来不做任何更新和修改。所以我们必须允许代码扩展、添加新功能。

　　2.对修改是封闭的

　　　　为什么要对修改封闭呢？

　　　　就像我们刚刚提到的，因为我们写的一个函数，很有可能已经交付给其他人使用了，如果这个时候我们对其进行了修改，很有可能影响其他已经在使用该函数的用户。

装饰器完美的遵循了这个开放封闭原则。

1.4 装饰器的主要功能和固定结构。

 

 

def timer(func):def inner(*args,**kwargs):'''执行函数之前要做的'''re = func(*args,**kwargs)'''执行函数之后要做的'''return rereturn inner

 

 

 

from functools import wrapsdef deco(func):@wraps(func) #加在最内层函数正上方def wrapper(*args,**kwargs):return func(*args,**kwargs)return wrapper

 

1.5 带参数的装饰器。

假如你有成千上万个函数使用了一个装饰器，现在你想把这些装饰器都取消掉，你要怎么做？

一个一个的取消掉？ 没日没夜忙活3天。。。

过两天你领导想通了，再让你加上。。。

 

 

def outer(flag):def timer(func):def inner(*args,**kwargs):if flag:print('''执行函数之前要做的''')re = func(*args,**kwargs)if flag:print('''执行函数之后要做的''')return rereturn innerreturn timer@outer(False)
def func():print(111)func()

 

1.6 多个装饰器装饰一个函数。

def wrapper1(func):def inner():print('wrapper1 ,before func')func()print('wrapper1 ,after func')return innerdef wrapper2(func):def inner():print('wrapper2 ,before func')func()print('wrapper2 ,after func')return inner@wrapper2
@wrapper1
def f():print('in f')f()

 

二、迭代器

# 迭代器
'''
可被for循环的数据类型
list
dic
str
set
tuple
f = open()
range
enumerate 枚举'''# 可用dir()函数打印出数据类型的可用函数
print(dir({})) # ['__class__', '__contains__',  …… , 'clear', 'copy', 'fromkeys', 'update', 'values']# 双下划线方法
print([1].__add__([2]))
print([1]+[2])'''
迭代器：
Iterable 可迭代的  ---> __iter__ 只要含有__iter__方法都是可迭代的
[].__iter__()迭代器 --> __next__ 可从迭代器中一个一个的取值可迭代协议：只要含有__iter__方法都是可迭代的
迭代器协议：内部含有__iter__和 __next__的方法就是迭代器
可for循环的都是可迭代的
可迭代的.__iter__()方法就可以得到一个迭代器迭代器的好处
1. 可以一个一个取值
2.节省内存空间
'''

 

三、生成器

 

# 生成器函数'''
1.含有yield的函数就是生成器函数
2.yield不能与return共存
3.yield只能用在函数中
'''# def generator():
#     print('1')
#     yield 'aaaaa'
#     print('2')
#     yield 'bbbb'# g = generator()
#g()  # 输出为错误 与return 不同，yield是返回的一个迭代器，不能直接调用#g.__next__()   # 输出为1
#g.__next__()   # 输出为2# print(g.__next__())   # 输出为1
# print(g.__next__())   # 输出为2# 可用for循环
# for i in g:
#      print(i)# 文件监听输入   如果输入的一行字符串中包含hhh  着输出此行内容
def tail(filename):f = open(filename, encoding='utf-8')while True:line = f.readline()if line.strip():  # 去回车yield line.strip()g = tail('1.txt')
for i in g:if 'hhh' in i:print('11111', i)

生成器例题等

# 列表推导式和生成器表达式
'''
区别
1.有无括号
2.返回值不一样
3.生成器表达式几乎不占内存
'''
# list1 = ['hhh%s'%i for i in range(10)]  # 列表推导式  ['hhh0', 'hhh1',…, 'hhh9']
# print(list1)
#
# g = ('hhh%s' % i for i in range(10))
# for i in g:
#     print(i)  # 生成器表达式  hhh0 … hhh9# 推导式进阶
'''
[每个元素或元素的相关操作 for 元素 in 可迭代数据类型]    遍历处理
[每个元素或元素的相关操作 for 元素 in 可迭代数据类型 if 元素相关条件 ]    遍历处理'''# list2 = [i for i in range(31) if i % 3 == 0]
# print('31以内可被3整除的数%s' % list2)  # 31以内可被3整除的数[0, 3, 6, 9, 12, 15, 18, 21, 24, 27, 30]#生成器只能取一次，再取就为空# 例1
def fun1():for i in range(4):yield ig = fun1()
g1 = (i for i in g)
g2 = (i for i in g1)'''
#case1
print(list(g1))  # [0, 1, 2, 3]
print(list(g2))  #g1已经取过了，g2要再从g1取 所以为  []
''''''
#case2
print(list(g1))  # [0, 1, 2, 3]
print(list(g1))  #g1已经取过了所以为 []
print(list(g2))  # []
''''''
#case3
print(list(g))  # [0, 1, 2, 3]
print(list(g1))  #g 已经取过了，g1要再从g取 所以为 []
print(list(g2))  # []
'''# 例2def fun1(n,i):return n+idef fun2():for i in range(4):yield ig = fun2()
for n in [1, 10]:g = (fun1(n, i) for i in g)print(list(g))  # [20, 21, 22, 23]'''
for n in [1, 10]:g = (fun1(n, i) for i in g)
可替换为
n = 1g = (fun1(n, i) for i in g) 但是此时g不执行n = 10
g = (fun1(n, i) for i in g)当list(g)时，会执行
n = 10
g = (fun1(n, i) for i in g) 寻找g
从
n = 1
g = (fun1(n, i) for i in g)取g
此时g从生成器取(0 1 2 3)
则
n = 10
g = (fun1(n, i) for i in g) 可化为
g = (fun1(n, i) for i in (fun1(n, i) for i in g)) 化为
g = (fun1(n, i) for i in (fun1(n, i) for i in (0 1 2 3)))
即：
g = (fun1(10, i) for i in (fun1(10, i) for i in (0 1 2 3)))
即：[20, 21, 22, 23]意思就是当list的时候才从下到上寻找g  执行上面的代码，不list的时候 不做操作
'''

 

这篇关于再学python3(四)：python-装饰器、迭代器、生成器的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1030933。

相关文章

python: 多模块(.py)中全局变量的导入

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别： 当你在一个模块（文件）中使用 global 声明变量时，这个变量只在该模块的全局命名空
阅读更多...
【Python编程】Linux创建虚拟环境并配置与notebook相连接

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如，在当前目录下创建一个名为 myenv 的虚拟环境： python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行： source myenv/bin/activate 3.与notebook连接 在虚拟环境中，使用 pip 安装 Jupyter 和 ipykernel： pip instal
阅读更多...
【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程（Gaussian Process，简称GP）是一种概率模型，用于描述一组随机变量的联合概率分布，其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数（或核函数） 1.3 核函数1.4 高斯过程回归（Gauss
阅读更多...
【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

系列文章目录 监督学习：参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归（SAheart.csv） 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学
阅读更多...
nudepy，一个有趣的 Python 库！

nudepy，一个有趣的 Python 库！

更多资料获取 📚 个人网站：ipengtao.com 大家好，今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址：https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中，检测图像中的不适当内容（例如裸露图像）是一个重要的任务。nudepy 是一个基于 Python 的库，专门用于检测图像中的不适当内容。该
阅读更多...
pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定

pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定

在 Python 开发中，管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等，都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools？ pip-tools 是一组命令行工具，旨在简化 Python 依赖关系的管理，确保项目环境的稳定性和可重复性。它主要包含两个核心工具：pip-compile 和 pip
阅读更多...
HTML提交表单给python

HTML提交表单给python

python 代码 from flask import Flask, request, render_template, redirect, url_forapp = Flask(__name__)@app.route('/')def form():# 渲染表单页面return render_template('./index.html')@app.route('/submit_form',
阅读更多...
Python3 BeautifulSoup爬虫 POJ自动提交

Python3 BeautifulSoup爬虫 POJ自动提交

POJ 提交代码采用Base64加密方式 import http.cookiejarimport loggingimport urllib.parseimport urllib.requestimport base64from bs4 import BeautifulSoupfrom submitcode import SubmitCodeclass SubmitPoj():de
阅读更多...
迭代器模式iterator

迭代器模式iterator

学习笔记，原文链接 https://refactoringguru.cn/design-patterns/iterator 不暴露集合底层表现形式 （列表、 栈和树等） 的情况下遍历集合中所有的元素
阅读更多...
Python QT实现A-star寻路算法

Python QT实现A-star寻路算法

目录 1、界面使用方法 2、注意事项 3、补充说明 用Qt5搭建一个图形化测试寻路算法的测试环境。 1、界面使用方法 设定起点： 鼠标左键双击，设定红色的起点。左键双击设定起点，用红色标记。 设定终点： 鼠标右键双击，设定蓝色的终点。右键双击设定终点，用蓝色标记。 设置障碍点： 鼠标左键或者右键按着不放，拖动可以设置黑色的障碍点。按住左键或右键并拖动，设置一系列黑色障碍点
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2