Python高阶用法总结
前言： 接触python有一段时间了，从开始的看菜鸟的python教程，看了一些视频，一些书。很多人感觉python很简单，确实相比其他语言，python可能稍微简单一点，但是不能说只学了python基础语法就说自己python水平可以了。最近在阅读YOLOv3的pytorch版本源码，就遇到很多瓶颈，很多是与python相关的。所以这篇进行总结一下，收集一下所有的问题，更深入理解python高阶用法，并且尽量每个都附上例子，做一个认真的coder,bloger。
1. lambda匿名函数
lambda匿名函数在一些工程项目中经常出现，理解该用法是读懂项目的前提。如：
lf = lambda x: 1 - 10 ** (hyp['lrf'] * (1 - x / epochs))
匿名函数就是没有定义函数的名称，用来实现简单的功能。
语法结构：lambda param_list: expression
param_list 就是参数列表，相当于函数的参数
expression 就是表达式，相当于函数体，用一行进行表示
举个简单的例子：
>>> func=lambda x, y: x+y
>>> func(3,4)
7
应用场景：
1.1 函数式编程
python提供了很多函数式编程特性，如map, reduce, filter, sorted等内置函数，都支持函数作为参数。
-
map会根据提供的函数对指定序列做映射。
-
map(function, iterable, ...)
-
>>> func2=lambda x: x**x >>> L=[1,2,3] >>> map(func2, L) <map object at 0x00000218C07F0080> >>> list(map(func2, L)) # 注意要显示内容需要转为list类型，因为py3中返回的是迭代器对象 [1, 4, 27] >>> -
其中function可以使lambda函数对象，也可以是str等类型
-
>>> L=[1,2,3,4] >>> list(map(str, L)) ['1', '2', '3', '4'] >>> list(map(float, L)) [1.0, 2.0, 3.0, 4.0]
-
-
reduce 函数会对参数序列中元素进行累积。
-
语法：
reduce(function, iterable[, initializer]) -
>>> reduce(lambda x, y: x+y, [1,2,3,4,5]) # 使用 lambda 匿名函数 15 -
注意python3使用前要加上：from functools import reduce , reduce函数在python3中被移除，放入了functools模块。
-
-
filter内置函数用于过滤序列，过滤掉不符合条件的元素，返回由符合条件元素组成的新列表。
-
filter(function, iterable) -
>>> filter(lambda x: x % 2 == 0, [1,2,3,4,5,6,7,8,9,10]) <filter object at 0x00000218C07F0080> >>> list(filter(lambda x: x % 2 == 0, [1,2,3,4,5,6,7,8,9,10])) [2, 4, 6, 8, 10] >>> -
这里function智能返回true or false, 将满足true的放入最终列表。
-
-
sorted函数对所有可迭代的对象进行排序操作。
-
sorted(iterable, key=None, reverse=False) -
>>> sorted([[3,4],[2,1],[5,3],[7,4],[9,0]], key=lambda x:x[0]) [[2, 1], [3, 4], [5, 3], [7, 4], [9, 0]]
-
1.2 应用在闭包
def get_y(a,b):
return lambda x:ax+b
y1 = get_y(1,1)
y1(1) # 结果为2
用常规函数实现闭包，如下：
def get_y(a,b):
def func(x):
return ax+b
return func
y1 = get_y(1,1)
y1(1) # 结果为2
2. 列表解析式
列表解析式是Python内置的非常简单却强大的可以用来创建list的生成式。在深度学习项目中也可以经常看到这种用法。
(1) 语法1：[表达式 for 变量 in 列表]，表示把得到的每一个变量值都放到 for 前面的表达式中计算 ，然后生成一个列表
(2) 语法2：[表达式 for 变量 in 列表 if 条件]，如果加上 if 判断，则表示把每一个变量值进行判断，如果判断正确再交给表达式进行计算，然后生成一个列表
举例：
>>> items=[1,2,3,4,5,6,7]
>>> [item*2 for item in items]
[2, 4, 6, 8, 10, 12, 14]
>>> [item*2 for item in items if item % 2 == 0]
[4, 8, 12]
使用列表解析式的写法更加简短，除此之外，因为是Python内置的用法，底层使用C语言实现，相较于编写Python代码而言，运行速度更快。
3. enumerate内建函数
对于一个列表，既要遍历索引又要遍历元素。
>>> days=['mon','tus','wed','ths','fri','sat','sun']
>>> for i,day in enumerate(days):
... print(i,day)
...
0 mon
1 tus
2 wed
3 ths
4 fri
5 sat
6 sun
>>> for i,day in enumerate(days, start=1):
... print(i,day)
...
1 mon
2 tus
3 wed
4 ths
5 fri
6 sat
7 sun
>>>
4. 迭代器与生成器
有时候项目会使用到这种语法，如果不了解这两种用法，可能很难读懂代码，可能会直接懵B o((⊙﹏⊙))o。下面分别看看这两个的用法：
4.1 迭代器
迭代器指的是可以使用next()方法来回调的对象，可以对可迭代对象使用iter()方法，将其转换为迭代器。
>>> L=[1,2,3,4,5]
>>> lst = iter(L)
>>> type(lst)
<class 'list_iterator'>
>>> L1=(1,2,3,4,5)
>>> lst1 = iter(L1)
>>> type(lst1)
<class 'tuple_iterator'>
>>> next(lst)
1
>>> next(lst1)
1
>>>
迭代器优势： 所有的元素不是一次性加载的，在调用next方法才会返回，不需要考虑内存问题。next()只能往后进行访问。
迭代器应用场景：
- list规模过大，出于对内存的考虑使用迭代器。
- 有规律，但是不能使用列表推导式描述
迭代器的创建：
- __iter__() 方法返回一个特殊的迭代器对象， 这个迭代器对象实现了 next() 方法并通过 StopIteration 异常标识迭代的完成。
- __next__() 方法（Python 2 里是 next()）会返回下一个迭代器对象。
class MyNumbers:
def __iter__(self):
self.a = 1
return self
def __next__(self):
x = self.a
self.a += 1
return x
myclass = MyNumbers()
myiter = iter(myclass)
print(next(myiter))
print(next(myiter))
例子来自菜鸟教程：https://www.runoob.com/python3/python3-iterator-generator.html
4.3 生成器
生成器是一个返回迭代器的函数，只能用于迭代操作，更简单点理解生成器就是一个迭代器。
使用了yield的函数被称为生成器。
在调用生成器运行的过程中，每次遇到 yield 时函数会暂停并保存当前所有的运行信息，返回 yield 的值, 并在下一次执行 next() 方法时从当前位置继续运行。（之前也遇见过yolo的代码中使用了这种用法，需要仔细理解并掌握）
#!/usr/bin/python3
import sys
def fibonacci(n): # 生成器函数 - 斐波那契
a, b, counter = 0, 1, 0
while True:
if (counter > n):
return
yield a
a, b = b, a + b
counter += 1
f = fibonacci(10) # f 是一个迭代器，由生成器返回生成
while True:
try:
print (next(f), end=" ")
except StopIteration:
sys.exit()
例子来自菜鸟教程：https://www.runoob.com/python3/python3-iterator-generator.html
生成器的优点是延迟计算，一次返回一个结果，这样非常适用于大数据量的计算。但是，使用生成器必须要注意的一点是：生成器只能遍历一次。
5. 装饰器
装饰器本质是一个python函数，如果学过flask就知道，里边装饰器是必须的，经常用到。
装饰器的作用：抽离大量和函数功能本身无关的代码进行重用
一个简单的装饰器，用于计数，由于对不同的函数运行时间进行计数的需要，所以要对时间计数这部分进行处理。
def get_time(func):
def wrapper():
startTime = time.time()
func()
endTime = time.time()
print("spend %f" % (endTime-startTime))
return wrapper
myFunction = get_time(myFunction)
精简一下，使用@语法来进行精简：
import time
def get_time(func):
startTime = time.time()
func()
endTime = time.time()
processTime = (endTime - startTime) * 1000
print ("The function timing is %f ms" %processTime)
@get_time
def myfunc():
print("start")
time.sleep(0.8)
print("end")
if __name__ == "__main__":
myfunc
output：
start
end
The function timing is 800.058126 ms
理解为：get_time(myfun()) ,将myfunc()函数包裹
装饰器可以叠加使用，若多个装饰器同时装饰一个函数，那么装饰器的调用顺序和@语法糖的声明顺序相反，也就是：
@decorator1
@decorator2
def func():
pass
等效于：
func = decorator1(decorator2(func()))
内置装饰器
Python中，常见的类装饰器包括：@staticmathod、@classmethod和@property
- @staticmethod：类的静态方法，跟成员方法的区别是没有self参数，并且可以在类不进行实例化的情况下调用。
- @classmethod：跟成员方法的区别是接收的第一个参数不是self，而是cls（当前类的具体类型）
- @property：表示可以直接通过类实例直接访问的信息。
