python第二轮学习

对前面的基础进行跟更加精细的讲解，对内容进行补充讲解以及拓展！

列表推导式和字典推导式

在 Python 中推导式是一种非常 Pythonic 的知识，本篇文章将为你详细解答列表推导式与字典推导式相关的技术知识。

列表推导式

列表推导式可以利用列表，元组，字典，集合等数据类型，快速的生成一个特定需要的列表。
语法格式如下：

[表达式 for 迭代变量 in 可迭代对象 [if 条件表达式]]

if 条件表达式 非必选，学完列表推导式之后，你可以发现它就是 for 循环的一个变种语句，例如咱们现有一个需求是将一个列表中的所有元素都变成原值的 2 倍。

for 循环写法

my_list = [1,2,3]
new_list = []
for i in my_list:
    new_list.append(i*2)
print(new_list)

列表推导式写法

nn_list = [i*2 for i in my_list]
print(nn_list)

是不是对比看就是将 for 循环语句做了变形之后，增加了一个 []，不过需要注意的是，列表推导式最终会将得到的各个结果组成一个新的列表。
再看一下列表推导式语法构成 nn_list = [i*2 for i in my_list] ，for 关键字后面就是一个普通的循环，前面的表达式 i*2 其中的 i 就是 for 循环中的变量，也就是说表达式可以用后面 for 循环迭代产生的变量，理解这个内容列表推导式就已经掌握 9 成内容了，剩下的是熟练度的问题。

在将 if 语句包含进代码中，运行之后，你也能掌握基本技巧，if 语句是一个判断，其中 i 也是前面循环产生的迭代变量。

nn_list = [i*2 for i in my_list if i>1]
print(nn_list)

这些都是一般技能，列表推导式能支持两层 for 循环，例如下述代码：

nn_list = [(x,y) for x in range(3) for y in range(3) ]
print(nn_list)

当然如果你想加密（谁都看不懂你的代码）你的代码，你可以无限套娃下去，列表推导式并没有限制循环层数，多层循环就是一层一层的嵌套，你可以展开一个三层的列表推导式，就都明白了

nn_list = [(x,y,z,m) for x in range(3) for y in range(3) for z in range(3) for m in range(3)]
print(nn_list)

当然在多层列表推导式里面，依旧支持 if 语句，并且 if 后面可以用前面所有迭代产生的变量，不过不建议超过 2 成，超过之后会大幅度降低你代码的可阅读性。

当然如果你希望你代码更加难读，下面的写法都是正确的。

nn_list = [(x, y, z, m) for x in range(3) if x > 1 for y in range(3) if y > 1 for z in range(3) for m in range(3)]
print(nn_list)
nn_list = [(x, y, z, m) for x in range(3) for y in range(3) for z in range(3) for m in range(3) if x > 1 and y > 1]
print(nn_list)
nn_list = [(x, y, z, m) for x in range(3) for y in range(3) for z in range(3) for m in range(3) if x > 1 if y > 1]
print(nn_list)

现在你已经对列表推导式有比较直观的概念了，列表推导式对应的英文是 list comprehension，有的地方写作列表解析式，基于它最后的结果，它是一种创建列表的语法，并且是很简洁的语法。

有了两种不同的写法，那咱们必须要对比一下效率，经测试小数据范围影响不大，当循环次数到千万级时候，出现了一些差异。

import time
def demo1():
    new_list = []
    for i in range(10000000):
        new_list.append(i*2)

def demo2():
    new_list = [i*2 for i in range(10000000)]
s_time = time.perf_counter()
demo2()
e_time = time.perf_counter()
print("代码运行时间：", e_time-s_time)

运行结果：

# for 循环

代码运行时间： 1.3431036140000001

# 列表推导式

代码运行时间： 0.9749278849999999

在 Python3 中列表推导式具备局部作用域，表达式内部的变量和赋值只在局部起作用，表达式的上下文里的同名变量还可以被正常引用，局部变量并不会影响到它们。所以其不会有变量泄漏的问题。例如下述代码：

x = 6
my_var = [x*2 for x in range(3)]

print(my_var)
print(x)

列表推导式还支持嵌套
参考代码如下，只有想不到，没有做不到的。

my_var = [y*4 for y in [x*2 for x in range(3)]]
print(my_var)

字典推导式
有了列表推导式的概念，字典推导式学起来就非常简单了，语法格式如下：

{键:值 for 迭代变量 in 可迭代对象 [if 条件表达式]}

直接看案例即可

my_dict = {key: value for key in range(3) for value in range(2)}
print(my_dict)

得到的结果如下：

{0: 1, 1: 1, 2: 1}

此时需要注意的是字典中不能出现同名的 key，第二次出现就把第一个值覆盖掉了，所以得到的 value 都是 1。

最常见的哪里还是下述的代码，遍历一个具有键值关系的可迭代对象。

my_tuple_list = [('name', '酒笙'), ('age', 18),('class', 'no1'), ('like', 'python')]
my_dict = {key: value for key, value in my_tuple_list}
print(my_dict)

元组推导式与集合推导式

其实你应该能猜到，在 Python 中是具备这两种推导式的，而且语法相信你已经掌握了。不过语法虽然差不多，但是元组推导式运行结果却不同，具体如下。

my_tuple = (i for i in range(10))
print(my_tuple)

运行之后产生的结果：

<generator object <genexpr> at 0x0000000001DE45E8>

使用元组推导式生成的结果并不是一个元组，而是一个生成器对象，需要特别注意下，这种写法在有的地方会把它叫做生成器语法，不叫做元组推导式。

集合推导式也有一个需要注意的地方，先看代码：

my_set = {value for value in 'HelloWorld'}
print(my_set)

因为集合是无序且不重复的，所以会自动去掉重复的元素，并且每次运行显示的顺序不一样，使用的时候很容易晕掉。

字典和集合

字典和集合那些基础操作
先说字典
字典是由键值对组成的，键为 Key，值为 Value，标记一下，在 Python3.6 之前字典是无需的，长度大小可变，元素也可以任意的删除和改变，在 Python 3.7 之后，字典有序了。

为了测试字典的无序性，我专门在 Python 线上环境进行了测试，代码如下：

my_dict = {}
my_dict["A"] = "A"
my_dict["B"] = "B"
my_dict["C"] = "C"
my_dict["D"] = "D"

for key in my_dict:
    print(key)

运行结果也证明了无序性。

在本地 Python 3.9 版本测试，没有出现乱序的情况

所以再有人问 Python 里面的字典有没有顺序呀，不要直接回答无序了，这玩意现在有顺序。

字典这种键值对结构，相较于列表与元组更加适合添加元素、删除元素、查找元素等操作。

字典的创建不在细说，滚雪球第一遍学习的时候，已经涉及了，需要注意的是索引键的时候，如果键不存在，会出现 KeyError 错误，该错误属于极其常见错误。

my_dict = {}
my_dict["A"] = "A"
my_dict["B"] = "B"
my_dict["C"] = "C"
my_dict["D"] = "D"

print(my_dict["F"])

错误提示如下：

Traceback (most recent call last):
  File ".\demo.py", line 7, in <module>
    print(my_dict["F"])
KeyError: 'F'

如果你不希望此异常出现，在索引键的时候使用 get(key,default) 函数即可。

print(my_dict.get("F","None"))

再聊集合
集合和字典基本结构相同，最大的区别是集合没有键值对，它是一系列无序且唯一的元素组合。
集合不支持索引操作，也就是说下面的代码肯定是会报错的。

my_set = {"A","B","C"}
print(my_set[0])

异常提示为类型错误：TypeError: 'set' object is not subscriptable。

其余重点记忆的就是集合经常用在去重操作上，掌握即可。

字典与集合的排序
基本操作依旧不在过多解释，需要的可以去第一遍滚雪球学习，这里强调一下排序函数，因为涉及了一些扩展知识点，可以先接触一下，后面对于部分内容还会细讲。

学习之前，你要记住，对集合进行 pop 操作，得到的元素是不确定的，因为集合无序，具体你可以测试如下代码：

my_set = {"A","B","C"}
print(my_set.pop())

如果希望对字典排序，按照咱们已知的技术，可以这样进行。

直接使用 sorted 函数即可对字典排序，排序的时候，还可以指定按照键或者值进行排序，例如按照字典值升序排序。

my_dict = {}
my_dict["A"] = "4"
my_dict["B"] = "3"
my_dict["C"] = "2"
my_dict["D"] = "1"
sorted_dict = sorted(my_dict.items(),key=lambda x:x[1])
print(sorted_dict)

输出结果如下，得到的结果是按照字典的值进行排序的，这里需要注意的是 lambda 匿名函数在后续的课程将逐步展开

[('D', '1'), ('C', '2'), ('B', '3'), ('A', '4')]

集合排序无特别说明，直接使用 sorted 函数即可。

字典与集合的效率问题
字典与集合的效率问题，主要对比的对象是列表，假设现在有一堆学号和体重的数据，咱们需要判断出不同体重数的学生人数。
需求描述如下：
有 4 个学生，按照学号排序形成的元组为 (1,90)，(2,90)，(3,60)，(4,100)，最终的结果输出 3（存在三个不同的体重）
按照需求编写代码如下：
列表写法

def find_unique_weight(students):
    # 声明一个统计列表
    unique_list = []
    # 循环所有学生数据
    for id, weight in students:
        # 如果体重没有在统计列表中
        if weight not in unique_list:
            # 新增体重数据
            unique_list.append(weight)
    # 计算列表长度
    ret = len(unique_list)
    return ret

students = [
    (1, 90),
    (2, 90),
    (3, 60),
    (4, 100)
]
print(find_unique_weight(students))

接下来上述代码修改为集合写法

def find_unique_weight(students):
声明一个统计集合
    unique_set = set()
    # 循环所有学生数据
    for id, weight in students:
        # 集合会自动过滤重复数据
        unique_set.add(weight)
    # 计算集合长度
    ret = len(unique_set)
    return ret

代码写完之后，并未发现有太大的差异，但是如果把数据扩大到更大的两集，例如上万数据。
以下代码时间计算函数应用的是 time.perf_counter() 该函数第一次调用时，从计算机系统里随机选一个时间点 A，计算其距离当前时间点 B1 有多少秒。当第二次调用该函数时，默认从第一次调用的时间点 A 算起，距离当前时间点 B2 有多少秒。两个函数取差，即实现从时间点 B1 到 B2 的计时功能，首先结合列表计算的函数，运行下述代码

import time
id = [x for x in range(1, 10000)]

# 体重数据为了计算，也只能从 1 到 10000 了

weight = [x for x in range(1, 10000)]
students = list(zip(id, weight))

start_time = time.perf_counter()

# 调用列表计算函数

find_unique_weight(students)
end_time = time.perf_counter()
print("运算时间为：{}".format(end_time - start_time))

运行时间为 1.7326523，每台电脑运行速度不一致，具体看差异。
修改上述代码运行到集合编写的函数上，最终得到的结果为 0.0030606，可以看到在 10000 条数据的量级下就已经产生了如此大的差异，如果数量级在进行上升，差异会再次加大，所以你了解到该用什么内容了吗？

列表和元组

列表与元组那些事儿

列表和元组为何要总放在一起
列表和元组在基础篇已经好好的研究了基础用法，你应该保留一个基本印象就是列表和元组，就是一个可以放置任意数据类型的有序集合，或者当成一个容器也可以。

它们两个最直接的区别就是，列表长度大小不固定，可变，元组长度大小固定，不可变。

在很多地方，会把这种区别叫做动态与静态。

这里最常见的一个错误就是给元组赋值或者修改值了，错误提示如下，出现了要知道原因是啥？

TypeError: 'tuple' object does not support item assignment

如何去给元组增加数据呢，我想你应该也比较清楚了，就是新创建一个元组，把新的数据和旧的数据一拼接，搞定。

my_old_tuple = (1, 2, "a", "b")
my_new_tuple = ("c", "d")

my_tuple = my_old_tuple+my_new_tuple
print(my_tuple)

对于基础部分，还有要注意的就是，元组如果只有一个元素，一定要这么写 (1,) ，逗号不要遗漏，遗漏了括号里面是啥数据类型，最后得到的就是那个数据类型的数据了。

列表和元组的切片
列表和元组都是有序的，有序就能切片，而切片记住是顾头不顾尾的操作，例如下述代码。

my_tuple = my_old_tuple+my_new_tuple
print(my_tuple[1:3])

在刚学习切片的时候，一个比较常见的错误如下，该错误产生的原因是，[] 中括号里面的 : 写成其他符号了。

TypeError: tuple indices must be integers or slices, not tuple

负数索引与二者相互转换
列表与切片二者都支持负数索引取值，但是需要知道负数索引是从 -1 开始的，为啥？自己琢磨。

小声嘀咕：还不是因为 0 只有一个

二者也可以互相转换，转换应用的是内置的函数 list 和 tuple，顺着函数学习下去，列表与元组都有一些可以应用的内置函数，这部分在滚雪球第一遍学习的时候，咱已经都搞定了，很简单的知识点。

列表与元组的存储方式
运行下述代码查看运行结果，列表与元组元素数目保持一致。

my_list = ["a", "b", "c"]
print(my_list.__sizeof__())

my_tuple = ("a", "b", "c")
print(my_tuple.__sizeof__())

输出的结果存在差异，相同元素数据的列表与元组，系统给列表分配的空间要大一些

64
48

第一个知识点是 __sizeof__(): 表示的打印系统分配空间的大小。

接下来我们对其进行一下基本的测试，从列表检测系统分配是如何进行空间分配的。

my_list = []
print("初始化大小",my_list.__sizeof__())

my_list.append("a")
print("追加1个元素之后的大小",my_list.__sizeof__())

my_list.append("b")
print("追加2个元素之后的大小",my_list.__sizeof__())

my_list.append("c")
print("追加3个元素之后的大小",my_list.__sizeof__())

my_list.append("d")
print("追加4个元素之后的大小",my_list.__sizeof__())

my_list.append("e")
print("追加5个元素之后的大小",my_list.__sizeof__())

运行结果为：

初始化大小 40
追加1个元素之后的大小 72
追加2个元素之后的大小 72
追加3个元素之后的大小 72
追加4个元素之后的大小 72
追加5个元素之后的大小 104

增加一个元素之后，大小变成了 72，然后连续增加 4 个元素，系统分配的大小都没有变化地 5 个元素，又增加了 32 字节空间，这样已经可以得到结论了：
列表会一次性的增加 4 个元素的空间，当空间使用完毕之后，才会继续增加。

上述代码的原理：
列表从本质上看，是一个动态的数组，列表中并不是存储的真实数据，而是每个元素在内存中的地址（引用），因为列表存储是元素的引用这个特性，所以引用占用的内存空间是相同的，也就是 8 个字节，并且这样可以存储不同类型的数据。

在 64 位的操作系统中，地址占用 8 个字节，如果你的电脑是 32 位，那地址占用的是 4 个字节，注意下即可。

列表和元组的应用场景
简单来说，元组用在固定元素内容的数据上，列表用在可变的数据上，在希望记忆的简单一些，可以直接记成如果只需要 2、3 个元素，就使用 tuple，元素在多就使用 namedtuple，它是一个函数。

使用 namedtuple 需要先进行导入。

from collections import namedtuple
help(namedtuple)

函数原型如下：

namedtuple(typename, field_names, *, rename=False, defaults=None, module=None)

# Returns a new subclass of tuple with named fields.

先写一段测试代码：

from collections import namedtuple
Point = namedtuple('Point', ['x', 'y'])
p = Point(10, 20)
print(p.x)
print(p.y)

前面两个参数需要简单学习一下。

typename：字符串类型的参数，这个参数理解起来比较绕，贴一下官方的解释，namedtuple() 会根据这个 typename， 创建一个子类类名返回出去，例如上文的测试代码中的 Point，创建好的类名称就是 Point ，第二个参数就是以后的类属性了。
field_names：用于为创建的元组的每个元素命名，可以传入列表或者元组，例如 ['a', 'b'] 、(a,b)，也可以传入'a b' 或 'a,b' 这种被逗号或空格分割的单字符串。
上文中如果你希望看到类被构建的过程，可以增加参数 verbose，但是这个参数在官网也有相关的说明，有的版本是不支持的，在 Python 3.7 之后就没有该属性了。

Changed in version 3.6: The verbose and rename parameters became keyword-only arguments.
Changed in version 3.6: Added the module parameter.
Changed in version 3.7: Removed the verbose parameter and the _source attribute.
Changed in version 3.7: Added the defaults parameter and the _field_defaults attribute.

初始化空列表是使用 list() 还是使用 []

该内容可以使用下述代码进行一下效率的测试。

import timeit
a = timeit.timeit('a=list()', number=10000000 )
b = timeit.timeit('a=[]', number=10000000 )
print(a)
print(b)

运行结果：

1.6634819
0.5888171999999998

结论是 [] 速度更快，因为 list() 是函数调用，效率肯定要低一些。

有了上述函数，你也可以测试一下相同的元素在列表与元组初始化的时候，哪个效率更好。

import timeit
a = timeit.timeit('a=("a","b","c")', number=10000)
b = timeit.timeit('b=["a","b","c"]', number=10000)
print(a)
print(b)

运行结果如下：

# 初始化元组

0.0005571000000000048

# 初始化列表

0.002022099999999999

类函数、成员函数、静态函数、抽象函数、方法伪装属性

类函数 @classmethod

先直接看代码，再对代码内容进行分析与学习。

class My_Class(object):

    # 在类定义中定义变量
    cls_var = "类变量"

    def __init__(self):
        print("构造函数")
        self.x = "构造函数中的属于实例变量"

    # 类方法，第一个参数必须默认传类，一般习惯用 cls。
    @classmethod
    def class_method(cls):
        print("class_method 是类方法，类名直接调用")
        # 类方法不可以调用类内部的对象变量（实例变量）
        # print(cls.x)


# 类方法可以通过类名直接调用，也可以通过对象来调用
# 即使通过实例调用类方法，Python 自动传递的也是类，而不是实例
My_Class.class_method()
my_class_dom = My_Class()
# 通过类的对象调用
my_class_dom.class_method()

首先要掌握的是类函数的定义格式，在普通函数的前面添加装饰器 @classmethod，该函数就会转换为类函数，同时函数的第一个参数默认是 cls，该变量名可以任意，建议使用成 cls，这个是程序员之间的约定。

 @classmethod
    def class_method(cls):

同时类函数在调用的时候，可以通过 类名. 的形式进行调用，也可以通过 对象. 的形式调用，不过这两种调用都只是将类传递到了函数内部，不存在差异。
类函数不能调用实例变量，只能调用类变量，所谓类变量就是在类中独立声明，不在任何函数中出现的变量。在上述代码中，类变量声明部分代码如下：

class My_Class(object):
在类定义中定义变量
    cls_var = "类变量"

在 Python 中，大部分 @classmethod 装饰的函数末尾都是 return cls(XXX)， return XXX.__new__ () 也就是 @classmethod 的一个主要用途是作为构造函数。

静态函数 @staticmethod
先掌握一个概念，静态函数不属于它所在的那个类，它是独立于类的一个单独函数，只是寄存在一个类名下，先建立这个基本概念，后面学起来就简单很多了。

class My_Class(object):
    # 类变量
    cls_var = "类变量"

    def __init__(self):
        # 在构造函数中创建变量
        self.var = "实例变量"

    # 普通的对象实例函数
    def instance_method(self):
        # 可以访问类变量
        print(self.cls_var)
        # 可以访问实例变量
        print(self.var)
        print("实例化方法")

    @staticmethod
    def static_method():
        print(My_Class.cls_var)
        # 无法访问到实例变量
        # print(My_Class.var)
        # print(self.var)
        print("静态方法")


my_class = My_Class()
my_class.instance_method()

# 通过对象访问
my_class.static_method()
# 类名直接访问
My_Class.static_method()

即使修改成下述代码，也是错误的，静态函数的第一个参数不是实例对象 self，或者可以理解为静态函数没有隐形参数，如需要传递参数，在参数列表中声明即可。

@staticmethod
def static_method(self):
    print(My_Class.cls_var)
    # 无法访问到实例变量
    # print(My_Class.var)
    print(self.var)
    print("静态方法")

在同一个类中，调用静态方法，使用 类名.函数名() 的格式。

类函数与静态函数在继承类中的表现

先创建一个父类，其中包含两个静态函数与一个类函数。

class F(object):

    @staticmethod
    def f_static(x):
        print("静态方法，有 1 个参数")
        print(f"f_static：✅")
    
    @staticmethod
    def f_static_1():
        print("静态方法，无参数")
        return F.f_static(10)
    
    @classmethod
    def class_method(cls):
        print("父类中的类方法")
        return F.f_static(12)


f = F()
f.f_static(11)
f.f_static_1()

f.class_method()

再编写一个 S 类继承自 F 类：

class S(F):

    @staticmethod
    def f_static(y):
        print("子类中重载了父类的静态方法")
        print(f"子类中的参数{y}")
    
    @classmethod
    def class_method(cls):
        print("子类中的类方法")


s = S()
s.f_static(110)
s.class_method()
S.class_method()

测试之后，基本结论如下：
如果在子类中覆盖了父类的静态函数，那调用时使用的是子类自己的静态函数，
如果在子类中没有覆盖父类的静态函数，那调用时使用的是父类的静态函数，
类函数同样遵循该规则

如果希望在子类中调用父类的属性或者函数，请使用 父类名. 的形式实现。

抽象函数 @abstractmethod

被 @abstractmethod 装饰的函数为抽象函数，含抽象函数的类不能实例化，继承了含抽象函数的子类必须覆盖所有抽象函数装饰的方法，未被装饰的可以不重写。

抽象类是一个特殊的类，它的特殊之处在于只能被继承，不能被实例化，实现代码如下：

import abc

class My_Class(abc.ABC):

    @abc.abstractmethod
    def abs_method(self):
        pass
    
    def show(self):
        print("普通")

class M(My_Class):
    def abs_method(self):
        print('xxx')

mm = M()
mm.abs_method()

抽象基类中学习还需要了解元类相关知识，在第三轮滚雪球学 Python 中将为你展开这部分内容。

方法伪装属性
在 Python 面向对象的编码过程中，对象.属性 来获取属性的值，使用 对象.方法() 来调用方法，通过装饰器 @property 可以将一个方法伪装成属性，从而使用 对象.方法 没有括号的形式调用。代码非常简单：

class My_Class(object):

    def __init__(self, name):
        self.__name = name
    
    @property
    def name(self):
        return self.__name

m = My_Class("酒笙")
print(m.name)

这种写法最直接的应用，就是将部分属性变成只读属性，例如，上述代码，你无法通过下述代码对 name 进行修改。

class My_Class(object):
    def __init__(self, name):
        self.__name = name

    @property
    def name(self):
        return self.__name

m = My_Class("酒笙")
m.name = "土豆白菜"
print(m.name)

如果希望方法伪装的属性具备修改和删除功能，需要参考下述代码：

class My_Class(object):
    def __init__(self, name):
        self.__name = name

    @property
    def name(self):
        return self.__name

    @name.setter
    def name(self, name):
        self.__name = name

    @name.deleter
    def name(self):
        del self.__name

m = My_Class("酒笙")
m.name = "土豆白菜"
print(m.name)

上述代码在将 name 方法伪装成属性之后，可以通过 @name.setter 和 @name.deleter 对同名的 name 方法进行装饰，从而实现了修改与删除功能。

所以一般使用方法伪装属性的步骤是：

• @property 装饰器，可以用来将类中的方法伪装成属性；
• @方法名.setter 装饰器，在修改伪装成属性的方法值时会调用它；
• @方法名.deleter 装饰器，在删除伪装成属性的方法值时会调用它。

如果你觉得这个比较麻烦，还存在一种方法伪装属性的方式。使用 property 函数，原型如下

# 最后一个参数是字符串，调用 实例.属性.__doc__ 时的描述信息

property(fget=None, fset=None, fdel=None, doc=None)

通过上述函数将方法伪装成属性的代码为：

class My_Class(object):
    def __init__(self, name):
        self.__name = name

    def del_name(self):
        del self.__name
    
    def set_name(self, name):
        self.__name = name
    
    def get_name(self):
        return self.__name
    # 将方法伪装成属性
    name = property(get_name, set_name, del_name)

m = My_Class("酒笙")
print(m.name)
m.name = "土豆白菜"
print(m.name)

del m.name

sys 库、os 库、 getopt 库 与 filecmp 库

os库

在 Python 中 os 库提供了基本的操作系统交互功能，该库下包含大量与文件系统、操作系统相关的函数，通过 dir 函数可以查看。

import os
print(dir(os))

这些函数主要分为几类。

1. 路径操作：os.path 子库，处理文件路径及信息；
2. 进程管理：启动系统中其它程序；
3. 环境参数：获得系统软硬件信息等环境参数。

os 库路径操作

os.path 在 os 库中用于提供操作和处理文件路径相关函数，常见的函数清单如下：

模块导入使用下述方式：

import os.path

# import os.path as op

variate = os.path.abspath(__file__)
print(variate)

函数的参数都是 path，在传入的时候，特备要注意原生字符串的应用，还有要区分绝对路径和相对路径的问题。

由于 path 相关的库比较简单，每个内容都尝试一遍即可掌握，其它内容可以在 手册 进行学习。

os 库进程管理

该内容主要用于在 Python 中执行程序或命令 Command，函数原型为：

os.system(command)

例如，在 Python 中唤醒画板程序。

os.system("c:\windows/system32/mspaint.exe")

除了 system 函数以外，还有一个 os.exec 函数族相关知识。具体可以查看下述函数的用法：

os.execl(path, arg0, arg1, …)
os.execle(path, arg0, arg1, …, env)
os.execlp(file, arg0, arg1, …)
os.execlpe(file, arg0, arg1, …, env)
os.execv(path, args)
os.execve(path, args, env)
os.execvp(file, args)
os.execvpe(file, args, env)

这些函数都将执行一个新程序，以替换当前进程

os 库运行环境相关参数
环境参数顾名思义就是改变系统环境信息，或者理解为 Python 运行环境相关信息。

通过下述属性，可以获取环境变量：

os.environ

如果希望获取操作系统类型，使用 os.name，目前只有 3 个值：分别是 posix , nt , java

函数部分，主要掌握的函数有：

• os.chdir(path)：修改当前程序操作的路径；
• os.getcwd()：返回程序运行的路径；
• os.getlogin()：获取当前登录用户名称；
• os.cpu_count()：获得当前系统的 CPU 数量；
• os.urandom(n)：返回一个有 n 个 byte 长的一个随机字符串，用于加密运算。

sys 库
该库主要维护一些与 Python 解释器相关的参数变量和方法。

常见属性如下
sys.argv
获取命令行参数列表，第一个元素是程序本身。

使用方式如下：

import sys
print(sys.argv)

接下来通过控制台运行 python 程序时，需要携带参数，下述代码 312.py 是 python 文件名，1、2、3 是后缀的参数。

python 312.py 1 2 3

执行程序之后，得到的结果为：

['312.py', '1', '2', '3']

第一个是文件名，后面依次是传递进来的参数。

sys.platform
获取 Python 运行平台的信息，结果比 os.name 要准确。

sys.path

获取 PYTHONPATH 环境变量的值，一般用作模块搜索路径。

import sys
print(sys.path)

sys.modules
以字典的形式获取所有当前 Python 环境中已经导入的模块。

sys.stdin，sys.stdout，sys.stderr
sys.stdin , sys.stdout ，sys.stderr 变量包含与标准 I/O 流对应的流对象。

import sys

# 标准输出, sys.stdout.write() 的形式就是 print() 不加'\n' 的形式。

sys.stdout.write("hello")
sys.stdout.write("world")

sys.stdin 标准输入，等价于 input。

sys.ps1 和 sys.ps2
指定解释器的首要和次要提示符。仅当解释器处于交互模式时，它们才有定义。具体测试如下：

PS > python
Python 3.7.3 (v3.7.3:xxxxxx, Mar 25 2019, 22:22:05) [MSC v.1916 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.

import sys
sys.ps1
'>>> '
sys.ps1 = "***"
***print("hello")
hello

常见方法如下
sys.exit(n)
退出 Python 程序，exit(0)表示正常退出。
当参数非 0 时，会引发一个 SystemExit 异常，可以在程序中捕获该异常。参数也可以称为状态码。

常见方法如下
sys.exit(n)
退出 Python 程序，exit(0)表示正常退出。
当参数非 0 时，会引发一个 SystemExit 异常，可以在程序中捕获该异常。参数也可以称为状态码。

sys.getdefaultencoding()、sys.setdefaultencoding() 、sys.getfilesystemencoding()

• sys.getdefaultencoding()：获取系统当前编码，有的博客中写默认为 ascii，但是我本地默认为 utf-8；
• sys.setdefaultencoding()：设置系统的默认编码；
• sys.getfilesystemencoding()：获取文件系统使用编码方式，默认 utf-8。

sys.getrecursionlimit() 、 sys.setrecursionlimit()

获取 Python 的最大递归数目和设置最大递归数目

sys.getswitchinterval()、sys.setswitchinterval(interval)
获取和设置解释器的线程切换间隔时间（单位为秒）

还有很多方法，也是记忆层面的知识，备注下备注下 官方手册 地址。

getopt 库
在控制台运行命令的时候，存在一种需求是传递参数，例如安装第三方模块，使用的命令是：

pip install xxxx -i http://xxxxxx

在 Python中也可以实现类似的效果，getopt 库提供了解析命令行参数 sys.argv 的功能。

通过 dir 查看该库中提供的方法不多，具体如下：

'do_longs', 'do_shorts', 'error', 'getopt', 'gnu_getopt', 'long_has_args', 'os', 'short_has_arg'

重点函数是 getopt.getopt() 该函数原型如下：

getopt(args, shortopts, longopts=[])

• args：程序的命令行参数，不包括程序文件名称，一般传递 sys.argv[1:]；
• shortopts：定义 -x 或者 -x <值> 形式的短参数，带值的增加 :，例如 xyz:m:，表示可解析 -x -y -z <值> -d <值> 的参数；
• longopts：定义 --name，--name <值> 形式的长参数，带值的增加 =。

下面通过一个列表直接模拟 sys.argv 接收到的参数。

import getopt
import sys

sys.argv = ["demo.py", "-i", "-d", "baidu.com", "arg1"]

opts, args = getopt.getopt(sys.argv[1:], "id:")
print(opts)
print(args)

返回值由两个元素组成：第一个是 (option, value)对的列表；
第二个是在去除该选项列表后余下的程序参数列表（这也就是 args 的尾部切片）。

除了短参数以外，还有长参数，测试代码如下：

my_str = "demo.py -i -d baidu.com --name bai arg1"
sys.argv = my_str.split()
print(sys.argv)

opts, args = getopt.getopt(sys.argv[1:], "id:",["name="])
print(opts)
print(args)

运行代码之后，参数也成功的被解析了出来。

['demo.py', '-i', '-d', 'baidu.com', '--name', 'bai', 'arg1']
[('-i', ''), ('-d', 'baidu.com'), ('--name', 'bai')]
['arg1']

如果程序异常，会出现参数解析错误，异常类为 getopt.GetoptError。

my_str = "demo.py -i -d baidu.com --name bai arg1"
sys.argv = my_str.split()
print(sys.argv)

opts, args = getopt.getopt(sys.argv[1:], "id:")
print(opts)
print(args)

该代码由于没有匹配长参数，出现错误为：

getopt.GetoptError: option --name not recognized

filecmp 库
该库用来提供比较目录和文件的功能。

文件比较函数有 cmp()、cmpfiles()，
目录比较使用 filecmp 库中的 dircmp 类。

filecmp.cmp()、filecmp.cmpfiles()
filecmp.cmp() 用于比较两个文件内容是否一致，如果文件内容匹配，函数返回 True，否则返回 False。

import filecmp
x = filecmp.cmp("312.py","312.py")
print(x)

filecmp.cmpfiles() 函数用于比较两个文件夹内指定文件是否相等。
函数原型如下：

filecmp.cmpfiles(dir1, dir2, common[, shallow])
#参数 dir1, dir2 指定要比较的文件夹，参数 common 指定要比较的文件名列表。
#函数返回包含 3 个 list 元素的元组，分别表示匹配、不匹配以及错误的文件列表。
#错误的文件指的是不存在的文件，或文件被琐定不可读，或没权限读文件，或者由于其他原因访问不了该文件。

测试代码如下：

import filecmp
x = filecmp.cmpfiles("../53","../54",["demo.py","demo1.py"])
print(x)

目录比较
主要看类的构造函数就可以了。

class filecmp.dircmp(a, b, ignore=None, hide=None)
参数说明如下：

• a, b：目录；
• ignore：关键字参数，需要忽略的文件名列表, 默认为 filecmp.DEFAULT_IGNORES；
• hide：关键字参数，需要隐藏的文件名列表, 默认为 [os.curdir, os.pardir]。

使用 dircmp 生成一个比较对象之后，就可以获取各个属性值了。具体可以直接在这个网页进行查询。

Python 内置模块之 re 库

re 库的应用

re 库是 Python 中处理正则表达式的标准库，本篇博客介绍 re 库的同时，会简单介绍一下正则表达式语法，如果想深入学习正则表达式，还需要好好下一番功夫。

正则表达式语法

正则表达式语法由字符和操作符构成，初期阶段掌握下述这些内容即可。

以上表示仅仅为正则表达最基础部分内容，如果希望深入研究正则表达式，建议寻找更加全面的资料进行学习，本文只做药引。

re 库基本用法

re 库主要函数如下：

• 基础函数：compile；
• 功能函数：search、match、findall、split、finditer、sub。

在正式学习之前，先了解一下原生字符串。

在 Python 中，表示原生字符串，需要在字符串前面加上 r。
例如 my_str = 'i'am xiangpica' 在程序中会直接报错，如果希望字符串中 ' 可以正常运行，需要加上转移字符 \，修改为 my_str = 'i\'am xiangpica'。
但这样结合上文正则表达式中的操作符，就会出现问题，因为 \ 在正则表达式中是有真实含义的，如果你使用 re 库去匹配字符串中的 \，那需要使用 4 个反斜杠，为了避免这种情况出现，引入了原生字符串概念。

# 不使用原生字符串的正则表达式  "\\\\"
# 使用原生字符串的正则表达式 r"\\"

在后文会有实际的应用。

接下来在学习一个案例，例如下述代码：

my_str='C:\number'

print(my_str)

C:
umber

本段代码的输出效果如下，\n 被解析成了换行，如果想要屏蔽这种现象，使用 r 即可：

my_str=r'C:\number'

print(my_str)

输出 C:\number。

re 库相关函数说明

re.search 函数

该函数用于，在字符串中搜索正则表达式匹配到的第一个位置的值，返回 match 对象。
函数原型如下：

re.search(pattern,string,flags=0)

需求：在字符串 酒笙 good good 中匹配 酒笙。

import re
my_str='酒笙 good good'
pattern = r'酒笙'

ret = re.search(pattern,my_str)
print(ret)

返回结果：<re.Match object; span=(2, 5), match='酒笙'>。

search 函数的第三个参数 flags 表示正则表达式使用时的控制标记。

• re.I，re.IGNORECASE：忽略正则表达式的大小写；
• re.M，re.MULTILINE：正则表达式中的 ^ 操作符能够将给定字符串的每行当做匹配的开始；
• re.S，re.DOTALL：正则表达式中的 . 操作符能够匹配所有字符。

最后将匹配到的字符串进行输出，使用下述代码即可实现。

import re
my_str = '酒笙 good good'
pattern = r'酒笙'

ret = re.search(pattern, my_str)
if ret:
    print(ret.group(0))

re.match 函数

该函数用于在目标字符串开始位置去匹配正则表达式，返回 match 对象，未匹配成功返回 None，函数原型如下：

re.match(pattern,string,flags=0)

一定要注意是目标字符串开始位置。

import re
my_str = '酒笙 good good'
pattern = r'梦' # 匹配到数据
pattern = r'good' # 匹配不到数据

ret = re.match(pattern, my_str)
if ret:
    print(ret.group(0))

re.match 和 re.search 方法都是一次最多返回一个匹配对象，如果希望返回多个值，可以通过在 pattern 里加括号构造匹配组返回多个字符串。

re.findall 函数

该函数用于搜索字符串，以列表格式返回全部匹配到的字符串，函数原型如下：

re.findall(pattern,string,flags=0)

测试代码如下：

import re
my_str = '酒笙 good good'
pattern = r'good'
ret = re.findall(pattern, my_str)
print(ret)

re.split 函数

该函数将一个字符串按照正则表达式匹配结果进行分割，返回一个列表。
函数原型如下：

re.split(pattern, string, maxsplit=0, flags=0)

re.split 函数进行分割的时候，如果正则表达式匹配到的字符恰好在字符串开头或者结尾，返回分割后的字符串列表首尾都多了空格，需要手动去除，例如下述代码：

import re
my_str = '1酒笙1good1good1'

pattern = r'\d'

ret = re.split(pattern, my_str)

print(ret)

运行结果：

['', '酒笙', 'good', 'good', '']

切换为中间的内容，则能正确的分割字符串。

import re
my_str = '1酒笙1good1good1'

pattern = r'good'

ret = re.split(pattern, my_str)

print(ret)

如果在 pattern 中捕获到括号，那括号中匹配到的结果也会在返回的列表中。

import re
my_str = '1酒笙1good1good1'

pattern = r'(good)'

ret = re.split(pattern, my_str)

print(ret)

运行结果，你可以对比带括号和不带括号的区别进行学习：

['1酒笙1', 'good', '1', 'good', '1']

maxsplit 参数表示最多进行分割次数， 剩下的字符全部返回到列表的最后一个元素，例如设置匹配 1 次，得到的结果是 ['1酒笙1', '1good1']。

re.finditer 函数

搜索字符串，并返回一个匹配结果的迭代器，每个迭代元素都是 match 对象。函数原型如下：

re.finditer(pattern,string,flags=0)

测试代码如下：

import re
my_str = '1酒笙1good1good1'

pattern = r'good'

# ret = re.split(pattern, my_str,maxsplit=1)
ret =re.finditer(pattern, my_str)
print(ret)

re.sub 函数

在一个字符串中替换被正则表达式匹配到的字符串，返回替换后的字符串，函数原型如下：

re.sub(pattern,repl,string,count=0,flags=0)

其中 repl 参数是替换匹配字符串的字符串，count 参数是匹配的最大替换次数。

import re
my_str = '1酒笙1good1good1'

pattern = r'good'

ret = re.sub(pattern, "nice", my_str)
print(ret)

运行之后，得到替换之后的字符串：

1酒笙1nice1nice1

re 库其它函数

其它比较常见的函数有：re.fullmatch()，re.subn()，re.escape()，更多内容可以查阅 官方文档，获取一手资料。

re 库的面向对象写法

上文都是函数式写法，re 库可以采用面向对象的写法，将正则表达式进行编译之后，多次操作。核心用到的函数是 re.compile。

该函数原型如下：

regex = re.compile(pattern,flags=0)

其中 pattern 是正则表达式字符串或者原生字符串。

测试代码如下：

import re
my_str = '1酒笙1good1good1'
# 正则对象
regex = re.compile(pattern = r'good')

ret = regex.sub("nice", my_str)
print(ret)

上述代码将正则表达式编译为一个正则对象，后面在 regex.sub 函数中就不需要在写正则表达式了，使用时，只需要将编译好的 regex 对象替换所有的 re 对象，再去调用对应的方法。

re 库的 match 对象

使用 re 库匹配字符串之后，会返回 match 对象，该对象具备以下属性和方法。

match 对象的属性

• .string：待匹配的文本；
• .re：匹配时使用的 pattern 对象；
• .pos：正则表达式搜索文本的开始位置；
• .endpos：正则表达式搜索文本的结束位置。

测试代码如下：

import re
my_str = '1酒笙1good1good1'

regex = re.compile(pattern = r'g\w+d')

ret = regex.search(my_str)
print(ret)
print(ret.string)
print(ret.re)
print(ret.pos)
print(ret.endpos)

结果输出：

<re.Match object; span=(7, 16), match='good1good'>
1酒笙1good1good1
re.compile('g\\w+d')
0
17

match 对象的方法

• .group(0)：获取匹配后的字符串；
• .start()：匹配字符串在原始字符串的开始位置；
• .end()：匹配字符串在原始字符串的结尾位置；
• .span()：返回(.start(),.end())

因为内容比较简单，具体代码不再展示。

Python 内置模块之 random

random 库是 Python 中生成随机数的标准库，包含的函数清单如下：

• 基本随机函数：seed、random、getstate、setstate；
• 扩展随机函数：randint、getrandbits、randrange、choice、shuffle、sample；
• 分布随机函数：uniform、triangular、betavariate、expovariate、gammavariate、gauss、lognormvariate、normalvariate、vonmisesvariate、paretovariate、weibullvariate。
  发现单词 variate 出现频率比较高，该但是是变量的意思。

基本随机函数

seed 与 random 函数

seed 函数初始化一个随机种子，默认是当前系统时间。
random 函数 生成一个 [0.0,1.0) 之间的随机小数 。

具体代码如下：

import random

random.seed(10)

x = random.random()
print(x)

其中需要说明的是 random.seed 函数， 通过 seed 函数 可以每次生成相同的随机数，例如下述代码：

import random

random.seed(10)
x = random.random()
print(x)

random.seed(10)
y = random.random()
print(y)

在不同的代码上获取到的值是不同的，但是 x 与 y 是相同的。

0.5714025946899135
0.5714025946899135

getstate() 和 setstate(state)

getstate 函数用来记录随机数生成器的状态，setstate 函数用来将生成器恢复到上次记录的状态。

# 记录生成器的状态
state_tuple = random.getstate()
for i in range(4):
    print(random.random())
print("*"*10)
# 传入参数后恢复之前状态
random.setstate(state_tuple)
for j in range(4):
    print(random.random())

输出的随机数两次一致。

0.10043296140791758
0.6183668665504062
0.6964328590693109
0.6702494141830372
**********
0.10043296140791758
0.6183668665504062
0.6964328590693109
0.6702494141830372

扩展随机函数

random 扩展随机函数有如下几个：

`randint`、`getrandbits`、`randrange`、`choice`、`shuffle`、`sample`

randint 和 randrange

randint 生成一个 [x,y] 区间之内的整数。
randrange 生成一个 [m,n) 区间之内以 k 为步长的随机整数。

测试代码如下：

x = random.randint(1,10)
print(x)

y = random.randrange(1,10,2)
print(y)

这两个函数比较简单，randint 函数原型如下：

random.randint(start,stop)

参数 start 表示最小值，参数 stop 表示最大值，两头都是闭区间，也就是 start 和 stop 都能被获取到。

randrange 函数原型如下：

random.randrange(start,stop,step)

如果函数调用时只有一个参数，默认是从 0 到该参数值，该函数与 randint 区别在于，函数是左闭右开，最后一个参数是步长。

查阅效果，可以复制下述代码运行：

for i in range(3):
    print("*"*20)
    print(random.randrange(10))
    print(random.randrange(5,10))
    print(random.randrange(5,100,5))

getrandbits(k) 和 choice(seq)

getrandbits 生成一个 k 比特长的随机整数，实际输出的是 k 位二进制数转换成的十进制数。
choice 从序列中随机选择一个元素。

x =  random.getrandbits(5)
print(x)
# 生成的长度是 00000-11111

getrandbits(k) 函数可以简单描述如下：输出一个 [ 0 , 2 k − 1 ] [0,2^k-1] [0,2k−1] 范围内一个随机整数，k 表示的是 2 进制的位数。

choice 就比较简单了，从列表中返回一个随机元素。

import random

my_list = ["a", "b", "c"]

print(random.choice(my_list))

shuffle(seq) 和 sample(pop,k)

shuffle 函数用于将序列中的元素随机排序，并且原序列被修改。
sample 函数用于从序列或者集合中随机选择 k 个选择，原序列不变。

my_list = [1,2,3,4,5,6,7,8,9]
random.shuffle(my_list)

print(my_list)

shuffle 函数只能用于可变序列，不可变序列（如元组）会出现错误。

my_list = ["梦想", "酒笙", 1, 2, [3, 4]]
print(my_list)
ls = random.sample(my_list, 4)
print(ls)

分布随机函数

该部分涉及的比较多，重点展示重要和常见的一些函数。

uniform(a,b) 、betavariate 和 triangular 函数

uniform 生成一个 [a,b] 之间的随机小数，采用等概率分布。
betavariate 生成一个 [0,1] 之间的随机小数，采用 beta 分布。
triangular 生成一个 [low,high] 之间的随机小数，采用三角分布。

在使用 uniform 时候需要注意，如果 a<b，那么生成一个 b-a 之间的小数。

for i in range(3):
    print(random.uniform(4, 1))

其它分布随机函数

以下都是生成随机数的方法，只是底层核心算法不同。

1. expovariate：生成一个 (0,∞) 之间的随机整数，指数分布；
2. gammavariate：采用 gamma 分布；
3. gauss：采用高斯（正太）分布；
4. lognormvariate：对数正太分布；
5. normalvariate：正太分布；
6. vonmisesvariate：冯米赛斯分布；
7. paretovariate：帕累托分布；
8. weibullvariate：韦伯分布。

Python 哈希表与可哈希对象

哈希表（散列表）

哈希是从 Hash 音译过来的，哈希表（hashtable），也叫做散列表。

哈希表是键值对的无序集合，其每个键都是唯一的，核心算法是通过索引去查找值，Python 中的字典符合哈希表结构，字典中每个键对应一个值，my_dict={"key1":"value1","key2":"value2"}。

哈希是使用算法将任意大小的数据映射到固定长度输出的过程，该输出就是哈希值。

哈希算法可以创建高性能的数据结构，该结构可以快速存储和访问大量数据，哈希值通过哈希函数计算。

哈希函数，本质上是键到值的映射关系；

哈希表本质上就是一个数组，存储的是经过哈希函数运算之后得到的值；

哈希值是唯一标识数据的固定长度的数值。

这些都属于概念层面的知识，初期了解即可，后面随着应用会逐步掌握。

可哈希与不可哈希

这部分在 官方文档 说的比较绕，简单说一下的结论（也是大家共识的），一个对象（Python 中万物皆对象）在生命周期内，保持不变，就是可哈希的（hashable）。

还有一个更简单的证明办法，在 Python 中能插入 set 集合的元素是可哈希的，例如下述代码：

my_set = set()

test = [1, 3.14, 'hello', (2, 3), {'key': 1}, [1, 2], {3,6}]
my_set.add(test[0])
my_set.add(test[1])
my_set.add(test[2])
my_set.add(test[3])
# my_set.add(test[4])
# my_set.add(test[5])
# my_set.add(test[6])

测试之后得到的结论是：

• 可以被哈希的数据结构：int、float、str、tuple；
• 不可以被哈希的数据结构：dict、list、set。

加上之前滚雪球学到的知识，可以了解到，可以被哈希的数据类型都是不可变的，而不可以被哈希的数据类型是可变的，有点绕，稍微停顿一下，多读两遍即可。

可哈希的对象通常用作字典的键和集合的成员，因为这些数据结构在内部使用哈希值。

最终结论： 可哈希 ≈ 不可变。

Python hash() 函数

hash 函数用于获取一个对象的哈希值，语法结果为 hash(object)，返回值是对象的哈希值， 哈希值是整数。
使用方式非常简单：

print(hash('test'))
print(hash(1))
# 注意下面使用不可哈希对象会出现错误
# hash([1,2,3])

hashlib 模块

hashlib 提供了常见的摘要算法，具体如下：

md5()、sha1()、sha224()、sha256()、sha384()、sha512()、blake2b()、blake2s()、sha3\_224()、sha3\_256()、sha3\_384()、 sha3\_512()、 shake\_128()、shake\_256()

使用 dir(hashlib) 即可获取上述所有可用方法。

MD5 是最常见的摘要算法，生成结果是固定的 16 字节，通常用一个 32 位的 16 进制字符串表示，示例代码如下：

import hashlib
# MD5算法
md5 = hashlib.md5()
data = "hello world"
md5.update(data.encode('utf-8'))
# 计算 hash 值,拿到加密字符串
print(md5.hexdigest())

SHA1 算法更安全，它的结果是 20 字节长度，通常用一个 40 位的 16 进制字符串表示。而比 SHA1 更安全的算法是 SHA256 和 SHA512 等，不过越安全的算法越慢，并且摘要长度更长。

Python 之作用域下的 global 和 nonlocal 关键字

global 和 nonlocal 作用域

该部分内容涉及 Python 变量作用域相关知识，变量作用域指的是变量的有效作用范围，直接理解就是 Python 中的变量不是任意位置都可以访问的，有限制条件。

一般情况下变量的作用域变化范围是 块级、函数、类、模块、包等，级别是从小到达。Python 中是没有块级作用域的，所以我们在写代码的时候，下面的代码是正确的。

if True:
    x = "hello world"
# 因为没有块级作用域，故 if 代码块中的变量 x 可以被外部访问到
print(x)

在 Python 中常见的块级作用域有 if 语句、for 语句、while 语句、with 上下文语句。

Python 中的作用域

上文已经提及了作用域是 Python 程序可以直接访问一个变量的作用范围，Python 的作用域一共有 4 种，分别如下：

1. L（Local）：最内层，包含局部变量，例如函数（方法）内部；
2. E（Enclosing）：包含非局部（nonlocal）也非全局（nonglobal）的变量，在嵌套函数中，函数 A 包含函数 B，在 B 中去访问 A 中的变量，作用域就是 nonlocal，直白理解就是闭包函数外的函数中的变量；
3. G（Global）：代码最外层，全局变量；
4. B（Built-in）：包含内建变量。

一个比较经典的案例如下：

# 内建作用域 Built-in
x = int(5/2)

# 全局作用域 Global
global_var = 0

def outer():
    # 闭包函数外的函数中 Enclosing
    out_var = 1

    def inner():
        # 局部作用域 Local
        inner_var = 2

在 Python 中变量寻找的顺序是从内到外，先局部，然后外部，在全局，在内建，这种规则叫做 LEGB 规则。

增加以下学习的趣味性，你可以研究下述代码中变量是如何变化的。

len = len([])
def a():
    len = 1
    def b():
        len = 2
        print(len)
    b()
a()

global 关键字

定义在函数内部的变量拥有一个局部作用域，定义在函数外部的变量拥有全局作用域。

局部变量只能在其被声明的函数内部访问，而全局变量可以在整个程序范围内访问。

# 全局变量
x = 0
def demo():
    # 此时的 x 是局部变量
    x = 123
    print("函数内是局部变量 x = ", x)

demo()
print("函数外是全局变量 x= ", x)

输出结果，函数内部是 123，函数外部依旧是 0。

如果希望函数内部（内部作用域）可以修改外部作用域的变量，需要使用 global 关键字。

# 全局变量
x = 0

def demo():
    # 此时的 x 是全局变量
    global x
    x = 123
    print("函数内是局部变量 x = ", x)

demo()
print("函数外是全局变量 x= ", x)

此时输出的就都是 123 了，还有一点需要注意，在函数内容如果希望修改全局变量的值，global 关键字一定要写在变量操作前。

def demo():
    # 此时的 x 是全局变量

    x = 123
    global x
    print("函数内是局部变量 x = ", x)

该代码会出现语法错误：

SyntaxError: name 'x' is assigned to before global declaration

除了以上知识外，要记住在函数内部使用一个变量，不修改值的前提下，没有声明，默认获取的是全局变量的值。

x = "全局变量"

def demo():
    print(x)

demo()

全局变量还存在一个面试真题，经常出现，请问下述代码运行结果。

x = 10

def demo():
    x += 1
    print(x)

demo()

结论是报错，原因就是 demo 函数运行时，会先计算 x+1，对变量进行计算之前需要进行声明与赋值，但是函数内部对 x 没有初始化操作，故报错。

nonlocal 关键字

如果要修改嵌套作用域（Enclosing 作用域）中的变量，需要 nonlocal 关键字，测试代码如下：

def outer():
    num = 10

    def inner():
        # nonlocal 关键字
        nonlocal num
        num = 100
        print(num)
    inner()
    print(num)

outer()

输出结果自行测试，注意 nonlocal 关键字必须是 Python3.X+版本，Python 2.X 版本会出现语法错误：

 nonlocal num
         ^
SyntaxError: invalid syntax`

nonlocal 不能代替 global，例如下述代码，注释掉外层函数的变量声明，此时会出现 SyntaxError: no binding for nonlocal 'num' found 错误。

num = 10
def outer():
    # 注释掉本行
    # num = 10

    def inner():
        # nonlocal 关键字
        nonlocal num
        num = 100
        print(num)

    inner()
    print(num)

outer()

在多重嵌套中，nonlocal 只会上溯一层，如果上一层没有，则会继续上溯，下述代码你可以分别注释查看结果。

num = 10
def outer():

    num = 100

    def inner():

        num = 1000
        def inner1():
            nonlocal num
            num = 10000
            print(num)
        inner1()
        print(num)

    inner()
    print(num)

outer()

局部变量和全局变量具体有哪些，可以通过 locals() 和 globals() 两个内置函数获取。

x = "全局变量"

def demo():
    y = "局部变量"
    print(locals())
    print(x)

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

Python 之怎么玩转时间和日期库

Python 日期与时间

在 Python 中是没有原生数据类型支持时间的，日期与时间的操作需要借助三个模块，分别是 time、datetime、calendar。

time 模块可以操作 C 语言库中的时间相关函数，时钟时间与处理器运行时间都可以获取。
datetime 模块提供了日期与时间的高级接口。
calendar 模块为通用日历相关函数，用于创建数周、数月、数年的周期性事件。

在学习之前，还有一些术语要补充一下，这些术语你当成惯例即可。这里在 Python 官方文档中也有相关说明，不过信息比较多，酒笙为你摘录必须知道的一部分。

epoch（纪元） 是时间开始的点，其值取决于平台。
对于 Unix， epoch（纪元） 是 1970年1月1日00:00:00（UTC）。要找出给定平台上的 epoch ，请使用 time.gmtime(0) 进行查看，例如酒笙电脑显示：

time.struct_time(tm_year=1970, tm_mon=1, tm_mday=1, tm_hour=0, tm_min=0, tm_sec=0, tm_wday=3, tm_yday=1, tm_isdst=0)

术语 纪元秒数 是指自 epoch （纪元）时间点以来经过的总秒数，通常不包括闰秒。 在所有符合 POSIX 标准的平台上，闰秒都不会记录在总秒数中。

程序员中常把 纪元秒数 称为 时间戳。

time 时间模块

该模块核心为控制时钟时间。

get\_clock\_info 函数

该函数获取时钟的基本信息，得到的值因不同系统存在差异，函数原型比较简单：

time.get_clock_info(name)

其中 name 可以取下述值：

• monotonic：time.monotonic()
• perf_counter： time.perf\_counter()
• process_time： time.process\_time()
• thread_time： time.thread\_time()
• time： time.time()

该函数的返回值具有以下属性：

• adjustable ： 返回 True 或者 False。如果时钟可以自动更改（例如通过 NTP 守护程序）或由系统管理员手动更改，则为 True ，否则为 False ;
• implementation ： 用于获取时钟值的基础 C 函数的名称，就是调用底层 C 的函数；
• monotonic ：如果时钟不能倒退，则为 True ，否则为 False；
• resolution ： 以秒为单位的时钟分辨率（ float ）。

import time

available_clocks = [
    ('clock', time.clock),
    ('monotonic', time.monotonic),
    ('perf_counter', time.perf_counter),
    ('process_time', time.process_time),
    ('time', time.time),
]

for clock_name, func in available_clocks:
    print('''
    {name}:
        adjustable    : {info.adjustable}
        implementation: {info.implementation}
        monotonic     : {info.monotonic}
        resolution    : {info.resolution}
        current       : {current}
    '''.format(
        name=clock_name,
        info=time.get_clock_info(clock_name),
        current=func()))

运行结果如下图所示。

上图显示酒笙的计算机在 clock 与 perf_counter 中，调用底层 C 函数是一致的。

获取时间戳

在 Python 中通过 time.time() 函数获取纪元秒数，它可以把从 epoch 开始之后的秒数以浮点数格式返回。

import time
print(time.time())
# 输出结果 1615257195.558105

时间戳大量用于计算时间相关程序，属于必须掌握内容。

获取可读时间

时间戳主要用于时间上的方便计算，对于人们阅读是比较难理解的，如果希望获取可读时间，使用 ctime() 函数获取。

import time
print(time.ctime())
# 输出内容：Tue Mar  9 10:35:51 2021

如何将时间戳转换为可读时间，使用 localtime 函数即可。

localtime = time.localtime(time.time())
print("本地时间为 :", localtime)

输出结果为 <class 'time.struct_time'> 类型数据，后文将对其进行格式化操作：

本地时间为 : time.struct_time(tm_year=2021, tm_mon=3, tm_mday=9, tm_hour=10, tm_min=37, tm_sec=27, tm_wday=1, tm_yday=68, tm_isdst=0)

上述代码中的时间戳最小值是 0，最大值由于 Python 环境和操作系统决定，我本地 64 位操作系统进行测试的时候，得到的数据如下：

import time

localtime = time.localtime(0)
print("时间为 :", localtime)
# 时间为 : time.struct_time(tm_year=1970, tm_mon=1, tm_mday=1, tm_hour=8, tm_min=0, tm_sec=0, tm_wday=3, tm_yday=1, tm_isdst=0)
localtime = time.localtime(32536799999)
print("时间为 :", localtime)
# 时间为 : time.struct_time(tm_year=3001, tm_mon=1, tm_mday=19, tm_hour=15, tm_min=59, tm_sec=59, tm_wday=0, tm_yday=19, tm_isdst=0)
localtime = time.localtime(99999999999)
print("时间为 :", localtime)
# OSError: [Errno 22] Invalid argument
print(type(localtime))

单调时间 monotonic time

monotonic time 从系统启动开始计时，从 0 开始单调递增。

操作系统的时间可能不是从 0 开始，而且会因为时间出错而回调。

该函数原型如下，不需要任何参数，返回一个浮点数，表示小数秒内的单调时钟的值：

time.monotonic()

测试代码如下：

print("单调时间",time.monotonic())
# 输出：单调时间 12279.244

处理器时钟时间

time() 函数返回的是纪元秒数（时间戳）， clock() 函数返回的是处理器时钟时间。
该函数函数的返回值：

• 在第一次调用的时候，返回的是程序运行的实际时间；
• 在第二次之后的调用，返回的是自第一次调用后到这次调用的时间间隔。

需要注意的是 Python 3.8 已移除 clock() 函数，用 time.perf_counter() 或 time.process_time() 方法替代。

t0 = time.clock()
# 运行一段代码
print(time.clock() - t0, "程序运行时间")

我使用的 Python 版本较高，提示异常如下：

time.clock has been deprecated in Python 3.3 and will be removed from Python 3.8: use time.perf_counter or time.process_time instead t0 = time.clock()

性能计数器 time.perf\_counter

perf_counter() 函数的 epoch （纪元）是未定义的。一般使用该函数都是为了比较和计算，不是为了用作绝对时间，该点需要注意下。

该函数用于测量较短持续时间的具有最高有效精度的时钟，包括睡眠状态消耗的时间，使用两次调用才会有效。

测试代码如下：

t0 = time.perf_counter()
# 运行一段代码
for i in range(100000):
    pass
print("程序运行时间", time.perf_counter() - t0)

与其类似的函数有 perf_counter_ns()、process_time()、process_time_ns()，具体可以查询手册进行学习，先掌握 perf_counter() 函数即可。

时间组件

上文已经涉及了时间组件相关的知识，通过 localtime 得到的 struct_time 类型的数据。

这里涉及到的函数有 gmtime() 返回 UTC 中的当前时间，localtime() 返回当前时区对应的时间，mktime() 接收 struce_time 类型数据并将其转换成浮点型数值，即时间戳。

print("*"*10)
print(time.gmtime())
print("*"*10)
print(time.localtime())

print("*"*10)
print(time.mktime(time.localtime()))

struct\_time 类型包含的内容

上述代码返回的数据格式为：

time.struct_time(tm_year=2021, tm_mon=3, tm_mday=9, tm_hour=12, tm_min=50, tm_sec=35, tm_wday=1, tm_yday=68, tm_isdst=0)

其中各值可以根据英文含义进行理解 ：tm_year 年份（range[1,12]），tm_mon 月份（range[1,12]），tm_mday 天数（range[1,31]），tm_hour 天数（range[0,23]），tm_min 分钟 （range[0,59]）， tm_sec 秒数 （range[0,61]）， tm_wday 星期 （range[0,6]，0 是星期日）， tm_yday 一年中的一天（range[1,366] ），tm_isdst 在夏令时生效时设置为 1，而在夏令时不生效时设置为 0，值-1 表示这是未知的。

解析和格式化时间

strptime() 和 strftime() 函数可以使时间值在 struct_time 表示和字符串表示之间相互转换。

对于 strftime 函数，其中的参数参考官方即可。

x = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
print(x)

strptime 函数的应用

x = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
print(x)
# 方向操作，字符串格式化成 time.struct_time
struct_time = time.strptime(x, "%Y-%m-%d %H:%M:%S")
print(struct_time)

需要记忆的就是 strftime 与 strptime 函数只有中间的字符不同，一个是 f ，另一个是 p。

time 小节

对于 time 模块，sleep 函数属于必备知识点，但是太常用了，你肯定已经很熟悉了。
对于模块的学习，最权威的就是官方手册了，time 模块

datetime 模块

该模块比 time 模块高级了很多，并且对 time 模块进行了封装，提供的功能更加强大了。

在 datetime 模块中，Python 提供了 5 个主要的对象类，分别如下：

• datetime：允许同时操作时间和日期；
• date：只操作日期；
• time：只操作时间；
• timedelta：用于操作日期以及测量时间跨度；
• tzinfo：处理时区。

date 类

优先展示部分该类的属性和方法，都是记忆层面的知识。

• min、max：date 对象能表示的最大、最小日期；
• resolution：date 对象表示日期的最小单位，返回天；
• today()：返回表示当前本地日期的 date 对象；
• fromtimestamp(timestamp)：根据时间戳，返回一个 date 对象。

测试代码如下：

from datetime import date
import time
print('date.min:', date.min)
print('date.max:', date.max)
print('date.resolution:', date.resolution)
print('date.today():', date.today())
print('date.fromtimestamp():', date.fromtimestamp(time.time()))

输出结果：

date.min: 0001-01-01
date.max: 9999-12-31
date.resolution: 1 day, 0:00:00
date.today(): 2021-03-09
date.fromtimestamp(): 2021-03-09

date 对象的属性和方法

通过下述代码创建一个 date 对象：

d = date(year=2021,month=3,day=9)
print(d)

该对象具备下述属性和方法：

• d.year：返回年；
• d.month：返回月；
• d.day：返回日；
• d.weekday()：返回 weekday，如果是星期一，返回 0；如果是星期 2，返回 1，以此类推；
• d.isoweekday()：返回 weekday，如果是星期一，返回 1；如果是星期 2，返回 2，以此类推；
• d.isocalendar()：返回格式如(year, wk num, wk day)；
• d.isoformat()：返回格式如’YYYY-MM-DD’的字符串；
• d.strftime(fmt)：自定义格式化字符串，与 time 模块中的 strftime 类似。

time 类

time 类定义的类属性：

• min、max：time 类所能表示的最小、最大时间。其中，time.min = time(0, 0, 0, 0)， time.max = time(23, 59, 59, 999999)；
• resolution：时间的最小单位，这里是 1 微秒；

通过其构造函数可以创建一个 time 对象。

t = time(hour=20, minute=20, second=40)
print(t)

time 类提供的实例方法和属性：

• t.hour、t.minute、t.second、t.microsecond：时、分、秒、微秒；
• t.tzinfo：时区信息；
• t.isoformat()：返回型如”HH:MM:SS”格式的字符串时间表示；
• t.strftime(fmt)：返回自定义格式化字符串。

datetime 类

该类是 date 类与 time 类的结合体，很多属性和方法前文已经介绍，再补充一些比较常用的属性和方法。

获取当前的日期与时间：

from datetime import datetime
dt = datetime.now()
print(dt)

获取时间戳：

dt = datetime.now()
# 使用 datetime 的内置函数 timestamp()
stamp = datetime.timestamp(dt)
print(stamp)

timedelta 类

通过 timedelta 函数返回一个 timedelta 时间间隔对象，该函数没有必填参数，如果写入一个整数就是间隔多少天的的意思。

# 间隔 10 天
timedelta(10)
# 跨度为1 周
timedelta(weeks=1)

两个时间间隔对象可以彼此之间相加或相减，返回的仍是一个时间间隔对象。
一个 datetime 对象如果减去一个时间间隔对象，那么返回的对应减去之后的 datetime 对象，然后两个 datetime 对象如果相减，返回的是一个时间间隔对象。

更多关于 datetime 类使用的知识，可以参考 官方手册。

calendar 模块（日历）

此模块的函数都是日历相关的，例如打印某月的字符月历。

calendar 模块定义了 Calendar 类，它封装了值的计算， 例如给定月份或年份中周的日期。通过 TextCalendar 和 HTMLCalendar 类可以生成预格式化的输出。

基本代码：

import calendar

c = calendar.TextCalendar(calendar.SUNDAY)
c.prmonth(2021, 3)

上述代码，默认是从周日开始的，输出结果：

     March 2021
Su Mo Tu We Th Fr Sa
    1  2  3  4  5  6
 7  8  9 10 11 12 13
14 15 16 17 18 19 20
21 22 23 24 25 26 27
28 29 30 31

该模块使用频率较低，详细使用参考地址 进行学习。

Python 之 lambda 表达式

lambda 表达式基本使用

lambda 表达式也叫做匿名函数，在定义它的时候，没有具体的名称，一般用来快速定义单行函数，直接看一下基本的使用：

fun = lambda x:x+1
print(fun(1))

查看上面的代码就会发现，使用 lambda 表达式定义了一行函数，没有函数名，后面是是函数的功能，对 x 进行 +1 操作。
稍微整理一下语法格式：

lambda [参数列表]:表达式
# 英文语法格式
lambda [arg1[,arg2,arg3....argN]]:expression

语法格式中有一些注意事项：

1. lambda 表达式必须使用 lambda 关键字定义；
2. lambda 关键字后面，冒号前面是参数列表，参数数量可以从 0 到任意。多个参数用逗号分隔，冒号右边是 lambda 表达式的返回值。

本文开始的代码，如果你希望进行改写成一般函数形式，对应如下：

fun = lambda x:x+1
# 改写为函数形式如下：
def fun(x):return x+1

当然，如果你决定上述 fun 也多余，匿名函数就不该出现这些多余的内容，你也可以写成下面这个样子，不过代码的可读性就变低了。

print((lambda x:x+1)(1))

lambda 表达式一般用于无需多次使用的函数，并且该函数使用完毕就释放了所占用的空间。

lambda 表达式与 def 定义函数的区别

第一点：一个有函数名，一个没有函数名

第二点：lambda 表达式 : 后面，只能有一个表达式，多个会出现错误，也就是下面的代码是不会出现的。

# 都是错误的
lambda x:x+1 x+2

由于这个原因的存在，很多人也会把 lambda 表达式称为单表达式函数。

第三点：for 语句不能用在 lambda 中
有的地方写成了 if 语句和 print 语句不能应用在 lambda 表达式中，该描述不准确，例如 下述代码就是正确的。

lambda a: 1 if a > 10 else 0

基本结论就是：lambda 表达式只允许包含一个表达式，不能包含复杂语句，该表达式的运算结果就是函数的返回值。

第四点：lambda 表达式不能共享给别的程序调用

第五点：lambda 表达式能作为其它数据类型的值
例如下述代码，用 lambda 表达式是没有问题的。

my_list = [lambda a: a**2, lambda b: b**2]
fun = my_list[0]
print(fun(2))

lambda 表达式应用场景

在具体的编码场景中，lambda 表达式常见的应用如下：

1. 将 lambda 表达式赋值给一个变量，然后调用这个变量
上文涉及的写法多是该用法。

fun = lambda a: a**2
print(fun(2))

2. 将 lambda 表达赋值给其它函数，从而替换其它函数功能
一般这种情况是为了屏蔽某些功能，例如，可以屏蔽内置 sorted 函数。

sorted = lambda *args:None
x = sorted([3,2,1])
print(x)

3. 将 lambda 表达式作为参数传递给其它函数
在某些函数中，函数设置中是可以接受匿名函数的，例如下述排序代码：

my_list = [(1, 2), (3, 1), (4, 0), (11, 4)]
my_list.sort(key=lambda x: x[1])
print(my_list)

my_list 变量调用 sort 函数，参数 key 赋值了一个 lambda 表达式，该式子表示依据列表中每个元素的第二项进行排序。

4. 将 lambda 表达式应用在 filter、map、reduce 高阶函数中
这个地方先挖下一个小坑，后续讲解 filter、map、reduce 相应内容的时候，我们进行补充。

5. 将 lambda 表达式应用在函数的返回值里面
这种技巧导致的结论就是函数的返回值也是一个函数，具体测试代码如下：

def fun(n):
    return lambda x:x+n

new_fun = fun(2)
print(new_fun)
# 输出内容：<function fun.<locals>.<lambda> at 0x00000000028A42F0>

上述代码中，lambda 表达式实际是定义在某个函数内部的函数，称之为嵌套函数，或者内部函数。
对应的将包含嵌套函数的函数称之为外部函数。内部函数能够访问外部函数的局部变量，这个特性是闭包(Closure)编程的基础，Python第二轮也会有专门的一篇博客去介绍闭包编程相关知识。

不要滥用 lambda

lambda 表达式虽然有一些有点，但是不应过度使用 lambda，最新的官方 Python 风格指南 PEP8 建议永远不要编写下述代码：

normalize_case = lambda s: s.casefold()

因此你想创建一个函数并存储到变量中, 请使用 def 来定义。

不必要的封装
我们实现一个列表排序，按照绝对值大小进行。

my_list = [-1,2,0,-3,1,1,2,5]
sorted_list = sorted(my_list, key=lambda n: abs(n))
print(sorted_list)

上述貌似用到了 lambda 表达式，但是确忘记了，在 Python 中所有的函数都可以当做参数传递。

my_list = [-1,2,0,-3,1,1,2,5]
sorted_list = sorted(my_list, key=abs)
print(sorted_list)

也就是当我们有一个满足要求的函数的时候，没有必要在额外的去使用 lambda 表达式了。

更多的内容，酒笙也发现了一篇不错的博客，你可以专门的去阅读学习一下：参考地址

lambda 表达式并不会带来程序运行效率的提高，只会使代码更简洁。
lambda 表达式是为了减少单行函数的定义而存在的。

Python 之内置函数：filter、map、reduce、zip、enumerate

filter、map、reduce、zip、enumerate

这几个函数在 Python 里面被称为高阶函数，本文主要学习它们的用法。

filter

filter 函数原型如下：

filter(function or None, iterable) --> filter object

第一个参数是判断函数（返回结果需要是 True 或者 False），第二个为序列，该函数将对 iterable 序列依次执行 function(item) 操作，返回结果是过滤之后结果组成的序列。
简单记忆：对序列中的元素进行筛选，获取符合条件的序列。

my_list = [1, 2, 3]
my_new_list = filter(lambda x: x > 2, my_list)
print(my_new_list)

返回结果为：<filter object at 0x0000000001DC4F98>，使用 list 函数可以输入序列内容。

map

map 函数原型如下：

map(func, *iterables) --> map object

该函数运行之后生成一个 list，第一个参数是函数、第二个参数是一个或多个序列；
下述代码是一个简单的测试案例：

my_list = [-1,2,-3]
my_new_list = map(abs,my_list)
print(my_new_list)

上述代码运行完毕，得到的结果是：<map object at 0x0000000002860390>。使用 print(list(my_new_list)) 可以得到结果。

map 函数的第一个参数，可以有多个参数，当这种情况出现后，后面的第二个参数需要是多个序列。

def fun(x, y):
    return x+y
# fun 函数有2个参数，故需要两个序列
my_new_list = map(fun, [1, 2, 3], [4, 4, 4])
print(my_new_list)
print(list(my_new_list))

map 函数解决的问题：

1. 使用 map 函数，不需要创建一个空列表；
2. 调用函数的时候，不需要带括号了，map 函数会自动调用目标函数；
3. map 函数会自动匹配序列中的所有元素。

reduce

reduce 函数原型如下：

reduce(function, sequence[, initial]) -> value

第一个参数是函数，第二个参数是序列，返回计算结果之后的值。该函数价值在于滚动计算应用于列表中的连续值。
测试代码如下：

from functools import reduce
my_list = [1, 2, 3]

def add(x, y):
    return x+y

my_new_list = reduce(add, my_list)
print(my_list)
print(my_new_list)

最终的结果是 6，如果设置第三个参数为 4，可以运行代码查看结果，最后得到的结论是，第三个参数表示初始值，即累加操作初始的数值。

my_new_list = reduce(add, my_list,4)
print(my_list)
print(my_new_list)

简单记忆：对序列内所有元素进行累计操作。

zip

zip 函数原型如下：

zip(iter1 [,iter2 [...]]) --> zip object

zip 函数将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。
如果各个迭代器的元素个数不一样，则返回列表长度与最短的对象相同，利用星号（*）操作符，可以将元组解压为列表。
测试代码如下：

my_list1 = [1,2,3]
my_list2 = ["a","b","c"]
print(zip(my_list1,my_list2))
print(list(zip(my_list1,my_list2)))

展示如何利用 * 操作符：

my_list = [(1, 'a'), (2, 'b'), (3, 'c')]
print(zip(*my_list))
print(list(zip(*my_list)))

输出结果如下：

<zip object at 0x0000000002844788>
[(1, 2, 3), ('a', 'b', 'c')]

简单记忆：zip 的功能是映射多个容器的相似索引，可以方便用于来构造字典。

enumerate

enumerate 函数原型如下：

enumerate(iterable, start=0)

参数说明：

• sequence：一个序列、迭代器或其他支持迭代对象；
• start：下标起始位置。

该函数用于将一个可遍历的数据对象组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。
测试代码如下：

weekdays = ['Mon', 'Tus', 'Wen', 'Thir']
print(enumerate(weekdays))
print(list(enumerate(weekdays)))

返回结果为：<enumerate object at 0x0000000002803AB0>。

Python 之闭包操作

闭包的知识点

闭包，又叫做闭包函数、闭合函数，写法类似函数嵌套。

闭包的基本操作

从复杂的概念中抽离出来，在 Python 中，闭包就是你调用一个函数 X，这个函数返回一个 Y 函数给你，这个返回的函数 Y 就是闭包。

掌握任何技术前，都要先看一下最基本的案例代码：

def func(parmas):
    # 内部函数
    def inner_func(p):
        print(f"外部函数参数{parmas}，内部函数参数{p}")

    return inner_func


inner = func("外")
inner("内")

对上述代码的说明如下，在调用 func("外") 的时候产生了一个闭包 inner_func 函数，该闭包函数内调用了外部函数 func 的参数 parmas，此时的 parmas 参数被称为自由变量（概念性名词，了解即可）。当函数 func 的声明周期结束后，parmas 这个变量依然存在，原因就是被闭包函数 inner_func 调用了，所以不会被回收。

再次对上文代码进行注释，帮助你理解闭包函数的实现。

# 定义外部（外层）函数
def func(parmas):
    # 定义内部（内层）函数
    def inner_func(p):
        print(f"外部函数参数{parmas}，内部函数参数{p}")
    # 一定要返回内层函数
    return inner_func

# 调用外层函数，赋值给一个新变量 inner，此时的 inner 相当于内层函数，并且保留了自由变量 params
inner = func("外")
inner("内")

总结下来，实现一个闭包需要以下几步：

1. 必须有一个内层函数 ；
2. 内层函数必须使用外层函数的变量，不使用外层函数的变量，闭包毫无意义；
3. 外层函数的返回值必须是内层函数。

闭包作用域

先看代码：

def outer_func():
    my_list = []

    def inner_func(x):
        my_list.append(len(my_list)+1)
        print(f"✅-my_list:{my_list}")

    return inner_func


test1 = outer_func()
test1("i1")
test1("i1")
test1("i1")
test1("i1")

test2 = outer_func()
test2("i2")
test2("i2")
test2("i2")
test2("i2")

上述代码中的自由变量 my_list 的作用域，只跟每次调用外层函数，生成的变量有关，闭包每个实例引用的变量互相不存在干扰。

闭包的作用

再上文中，你是否已经对闭包的作用有初步了解了？
接下来再强调一下，闭包操作中会涉及作用域相关问题，最终实现的目标是脱离了函数本身的作用范围，局部变量还可以被访问到。

def outer_func():

    msg = "梦想酒笙"
    def inner_func():
        print(msg)

    return inner_func

outer = outer_func()
outer()

如果你对滚雪球第一遍还有印象，会了解到局部变量仅在函数的执行期间可用，也就说 outer_func 函数执行过之后，msg 变量就不可用了，但是上面执行了 outer_func 之后，再调用 outer 的时候，msg 变量也被输出了，这就是闭包的作用，闭包实现了局部变量可以在函数外部访问。
相应的理论再扩展一下，就是在该种情况下可以把局部变量当做全局变量用。

最后再备注一句，说明一下闭包的作用吧：闭包，保存了一些非全局变量，即保存局部信息不被销毁。

判断闭包函数

通过 函数名.__closure__ 判断一个函数是否是闭包函数。

def outer_func():

    msg = "梦想酒笙"
    def inner_func():
        print(msg)

    return inner_func

outer = outer_func()
outer()
print(outer.__closure__)

(<cell at 0x0000000002806D68: str object at 0x0000000001D46718>,)

返回的元组中，第一项是 CELL 即为闭包函数。

闭包存在的问题

这个问题是地址和值的问题，是操作系统底层原理导致的问题，具体实现先看代码，一个非常经典的案例。

def count():
    fs = []
    for i in range(1, 4):
        def f():
            return i
        fs.append(f)
    return fs

f1, f2, f3 = count()
print(f1())
print(f2())
print(f3())

上述代码不是简单的返回了一个闭包函数，而是返回的一个包含三个闭包函数的序列 list。
运行代码，输出 3 个 3，学过引用和值相关知识同学会比较容易掌握，上述代码中的 i 指向的是一个地址，而不是具体的值，这就导致当循环结束之后，i 指向那个地址的值等于 3。

本案例你记住下面这句话也可。

尽量避免在闭包中引用循环变量，或者后续会发生变化的变量。

Python 之装饰器

函数装饰器

装饰器（Decorators）在 Python 中，主要作用是修改函数的功能，而且修改前提是不变动原函数代码，装饰器会返回一个函数对象，所以有的地方会把装饰器叫做 “函数的函数”。
还存在一种设计模式叫做 “装饰器模式”，这个后续的课程会有所涉及。

装饰器调用的时候，使用 @，它是 Python 提供的一种编程语法糖，使用了之后会让你的代码看起来更加 Pythonic。

装饰器基本使用

在学习装饰器的时候，最常见的一个案例，就是统计某个函数的运行时间，接下来就为你分享一下。
计算函数运行时间：

import time

def fun():
    i = 0
    while i < 1000:
        i += 1
def fun1():
    i = 0
    while i < 10000:
        i += 1
s_time = time.perf_counter()
fun()
e_time = time.perf_counter()
print(f"函数{fun.__name__}运行时间是：{e_time-s_time}")

如果你希望给每个函授都加上调用时间，那工作量是巨大的，你需要重复的修改函数内部代码，或者修改函数调用位置的代码。在这种需求下，装饰器语法出现了。

先看一下第一种修改方法，这种方法没有增加装饰器，但是编写了一个通用的函数，利用 Python 中函数可以作为参数这一特性，完成了代码的可复用性。

import time
def fun():
    i = 0
    while i < 1000:
        i += 1

def fun1():
    i = 0
    while i < 10000:
        i += 1

def go(fun):
    s_time = time.perf_counter()
    fun()
    e_time = time.perf_counter()
    print(f"函数{fun.__name__}运行时间是：{e_time-s_time}")

if __name__ == "__main__":
    go(fun1)

接下来这种技巧扩展到 Python 中的装饰器语法，具体修改如下：

import time

def go(func):
    # 这里的 wrapper 函数名可以为任意名称
    def wrapper():
        s_time = time.perf_counter()
        func()
        e_time = time.perf_counter()
        print(f"函数{func.__name__}运行时间是：{e_time-s_time}")
    return wrapper

@go
def func():
    i = 0
    while i < 1000:
        i += 1
@go
def func1():
    i = 0
    while i < 10000:
        i += 1

if __name__ == '__main__':
    func()

在上述代码中，注意看 go 函数部分，它的参数 func 是一个函数，返回值是一个内部函数，执行代码之后相当于给原函数注入了计算时间的代码。在代码调用部分，你没有做任何修改，函数 func 就具备了更多的功能（计算运行时间的功能）。

装饰器函数成功拓展了原函数的功能，又不需要修改原函数代码，这个案例学会之后，你就已经初步了解了装饰器。

对带参数的函数进行装饰

直接看代码，了解如何对带参数的函数进行装饰：

import time

def go(func):
    def wrapper(x, y):
        s_time = time.perf_counter()
        func(x, y)
        e_time = time.perf_counter()
        print(f"函数{func.__name__}运行时间是：{e_time-s_time}")
    return wrapper

@go
def func(x, y):
    i = 0
    while i < 1000:
        i += 1
    print(f"x=✅,y={y}")

if __name__ == '__main__':
    func(33, 55)

如果你看着晕乎了，我给你标记一下参数的重点传递过程。

还有一种情况是装饰器本身带有参数，例如下述代码：

def log(text):
    def decorator(func):
        def wrapper(x):
            print('%s %s():' % (text, func.__name__))
            func(x)
        return wrapper
    return decorator

@log('执行')
def my_fun(x):
    print(f"我是 my_fun 函数，我的参数 ✅")

my_fun(123)

上述代码在编写装饰器函数的时候，在装饰器函数外层又嵌套了一层函数，最终代码的运行顺序如下所示：

my_fun = log('执行')(my_fun)

此时如果我们总结一下，就能得到结论了：使用带有参数的装饰器，是在装饰器外面又包裹了一个函数，使用该函数接收参数，并且返回一个装饰器函数。
还有一点要注意的是装饰器只能接收一个参数，而且必须是函数类型。

多个装饰器

先临摹一下下述代码，再进行学习与研究。

import time

def go(func):
    def wrapper(x, y):
        s_time = time.perf_counter()
        func(x, y)
        e_time = time.perf_counter()
        print(f"函数{func.__name__}运行时间是：{e_time-s_time}")
    return wrapper

def gogo(func):
    def wrapper(x, y):
        print("我是第二个装饰器")
    return wrapper

@go
@gogo
def func(x, y):
    i = 0
    while i < 1000:
        i += 1
    print(f"x=✅,y={y}")

if __name__ == '__main__':
    func(33, 55)

代码运行之后，输出结果为：

我是第二个装饰器
函数wrapper运行时间是：0.0034401339999999975

虽说多个装饰器使用起来非常简单，但是问题也出现了，print(f"x=✅,y={y}") 这段代码运行结果丢失了，这里就涉及多个装饰器执行顺序问题了。

先解释一下装饰器的装饰顺序。

import time
def d1(func):
    def wrapper1():
        print("装饰器1开始装饰")
        func()
        print("装饰器1结束装饰")
    return wrapper1

def d2(func):
    def wrapper2():
        print("装饰器2开始装饰")
        func()
        print("装饰器2结束装饰")
    return wrapper2

@d1
@d2
def func():
    print("被装饰的函数")

if __name__ == '__main__':
    func()

上述代码运行的结果为：

装饰器1开始装饰
装饰器2开始装饰
被装饰的函数
装饰器2结束装饰
装饰器1结束装饰

可以看到非常对称的输出，同时证明被装饰的函数在最内层，转换成函数调用的代码如下：

d1(d2(func))

你在这部分需要注意的是，装饰器的外函数和内函数之间的语句，是没有装饰到目标函数上的，而是在装载装饰器时的附加操作。
在对函数进行装饰的时候，外函数与内函数之间的代码会被运行。

测试效果如下：

import time

def d1(func):
    print("我是 d1 内外函数之间的代码")
    def wrapper1():
        print("装饰器1开始装饰")
        func()
        print("装饰器1结束装饰")
    return wrapper1

def d2(func):
    print("我是 d2 内外函数之间的代码")
    def wrapper2():
        print("装饰器2开始装饰")
        func()
        print("装饰器2结束装饰")
    return wrapper2

@d1
@d2
def func():
    print("被装饰的函数")

运行之后，你就能发现输出结果如下：

我是 d2 内外函数之间的代码
我是 d1 内外函数之间的代码

d2 函数早于 d1 函数运行。

接下来在回顾一下装饰器的概念：
被装饰的函数的名字会被当作参数传递给装饰函数。
装饰函数执行它自己内部的代码后，会将它的返回值赋值给被装饰的函数。

这样看上文中的代码运行过程是这样的，d1(d2(func)) 执行 d2(func) 之后，原来的 func 这个函数名会指向 wrapper2 函数，执行 d1(wrapper2) 函数之后，wrapper2 这个函数名又会指向 wrapper1。因此最后的 func 被调用的时候，相当于代码已经切换成如下内容了。

# 第一步
def wrapper2():
     print("装饰器2开始装饰")
     print("被装饰的函数")
     print("装饰器2结束装饰")

# 第二步
print("装饰器1开始装饰")
wrapper2()
print("装饰器1结束装饰")

# 第三步
def wrapper1():
    print("装饰器1开始装饰")
    print("装饰器2开始装饰")
    print("被装饰的函数")
    print("装饰器2结束装饰")
    print("装饰器1结束装饰")

上述第三步运行之后的代码，恰好与我们的代码输出一致。

那现在再回到本小节一开始的案例，为何输出数据丢失掉了。

import time

def go(func):
    def wrapper(x, y):
        s_time = time.perf_counter()
        func(x, y)
        e_time = time.perf_counter()
        print(f"函数{func.__name__}运行时间是：{e_time-s_time}")
    return wrapper

def gogo(func):
    def wrapper(x, y):
        print("我是第二个装饰器")
    return wrapper

@go
@gogo
def func(x, y):
    i = 0
    while i < 1000:
        i += 1
    print(f"x=✅,y={y}")

if __name__ == '__main__':
    func(33, 55)

在执行装饰器代码装饰之后，调用 func(33,55) 已经切换为 go(gogo(func))，运行 gogo(func) 代码转换为下述内容：

def wrapper(x, y):
    print("我是第二个装饰器")

在运行 go(wrapper)，代码转换为：

s_time = time.perf_counter()
print("我是第二个装饰器")
e_time = time.perf_counter()
print(f"函数{func.__name__}运行时间是：{e_time-s_time}")

此时，你会发现参数在运行过程被丢掉了。

functools.wraps

使用装饰器可以大幅度提高代码的复用性，但是缺点就是原函数的元信息丢失了，比如函数的 __doc__、__name__：

# 装饰器
def logged(func):
    def logging(*args, **kwargs):
        print(func.__name__)
        print(func.__doc__)
        func(*args, **kwargs)
    return logging

# 函数
@logged
def f(x):
    """函数文档，说明"""
    return x * x

print(f.__name__) # 输出 logging
print(f.__doc__) # 输出 None

解决办法非常简单，导入 from functools import wraps ，修改代码为下述内容：

from functools import wraps
# 装饰器
def logged(func):
    @wraps(func)
    def logging(*args, **kwargs):
        print(func.__name__)
        print(func.__doc__)
        func(*args, **kwargs)
    return logging

# 函数
@logged
def f(x):
    """函数文档，说明"""
    return x * x

print(f.__name__) # 输出 f
print(f.__doc__)  # 输出 函数文档，说明

基于类的装饰器

在实际编码中 一般 “函数装饰器” 最为常见，“类装饰器” 出现的频率要少很多。

基于类的装饰器与基于函数的基本用法一致，先看一段代码：

class H1(object):
    def __init__(self, func):
        self.func = func

    def __call__(self, *args, **kwargs):
        return '<h1>' + self.func(*args, **kwargs) + '</h1>'

@H1
def text(name):
    return f'text {name}'

s = text('class')
print(s)

类 H1 有两个方法：

• __init__：接收一个函数作为参数，就是待被装饰的函数；
• __call__：让类对象可以调用，类似函数调用，触发点是被装饰的函数调用时触发。

最后在附录一篇写的不错的 博客，可以去学习。

在这里类装饰器的细节就不在展开了，等到后面滚雪球相关项目实操环节再说。

装饰器为类和类的装饰器在细节上是不同的，上文提及的是装饰器为类，你可以在思考一下如何给类添加装饰器。

内置装饰器

常见的内置装饰器有 @property、@staticmethod、@classmethod。该部分内容在细化面向对象部分进行说明，本文只做简单的备注。

@property

把类内方法当成属性来使用，必须要有返回值，相当于 getter，如果没有定义 @func.setter 修饰方法，是只读属性。

@staticmethod

静态方法，不需要表示自身对象的 self 和自身类的 cls 参数，就跟使用函数一样。

@classmethod

类方法，不需要 self 参数，但第一个参数需要是表示自身类的 cls 参数。

Python里面的字符串知识补充

Python 中最高频被使用的一个数据类型，就是字符串，本篇博客不在讨论字符串的基本使用，哪些在第一遍滚雪球的时候就已经被强调了，这次在增加 2 个细节的知识点

字符串是不可变的

字符串是不可变的，对此有一个疑问是下述代码，貌似字符串变量 my_str 发生了改变，但是你可以修改代码，获取一下代码的内存地址，会发现下述代码，其实是新创建了一个同名的字符串。

my_str = "hello "
my_str += "world"
print(my_str)

比较内存地址。

my_str = "hello "
print(id(my_str))
my_str += "world"
print(id(my_str))
print(my_str)

运行结果如下：

30801624
42418864
hello world

字符串拼接效率问题

对比下述几段代码比较字符串拼接的效率问题。

import time

# += 写法
def m0():
    s = ' '
    for n in range(0, 100000):
        s += str(n)

# join 写法
def m1():
    l = []
    for n in range(0, 100000):
        l.append(str(n))
    s = ' '.join(l)

# pythonic 写法
def m2():
    s = ' '.join(map(str, range(0, 100000)))

start_time = time.perf_counter()
m0()
end_time = time.perf_counter()
print("代码运行时间为：", end_time-start_time)

在循环 100000 次的情况下，前 2 份代码消耗时间差异不大，但是 m2 效率高了一些，随着循环次数增大，会发现 m2 逐渐拉开差距，甚至数据到一千万的时候，m0 没有计算出结果，因为电脑原因，卡住了。

• m0：代码运行时间为： 0.026987474000000004
• m1：代码运行时间为： 0.025112976000000002
• m2：代码运行时间为： 0.019118731

从字符串这种数据类型本身出发，join 函数比 += 快，最后一种写法，其实是 map 遍历提高的效率，这点需要注意下，不过第三种写法确实比较 pythonic。