3.5 Python 基础语法之高级特性

[ShannonChenCHN]

日期：2018.07.10 周二

• 切片
• 迭代
• 列表生成式
• 生成器
• 迭代器

[ShannonChenCHN]

切片(Slice)

List

有了切片（Slice）操作，很多需要取指定索引范围的地方，就不再需要循环来实现了。Python的切片非常灵活，一行代码就可以实现很多行循环才能完成的操作。

L = ['Michael', 'Sarah', 'Tracy', 'Bob', 'Jack']

取前 3 个：

>>> L[0:3]
['Michael', 'Sarah', 'Tracy']

前 5 个中，每隔一个取一个

>>> L[:5:2]
['Michael', 'Tracy', Jack']

Tuple

tuple也是一种list，唯一区别是tuple不可变。因此，tuple也可以用切片操作，只是操作的结果仍是tuple。

T = (0, 1, 2, 3, 4, 5)
>>> T[:3]
(0, 1, 2)

字符串

字符串 'xxx' 也可以看成是一种 list，每个元素就是一个字符。因此，字符串也可以用切片操作，只是操作结果仍是字符串。（不同于其他语言，Python 没有针对字符串的截取函数，只需要切片一个操作就可以完成）

>>> 'ABCDEFG'[:3]
'ABC'
>>> 'ABCDEFG'[::2]
'ACEG'

参考

• 切片 - 廖雪峰的官方网站
• 3.2 Python 基础语法之数据类型和变量 - ShannonChenCHN/APythonTour

[ShannonChenCHN]

迭代（Iteration）

如果给定一个list或tuple，我们可以通过for循环来遍历这个list或tuple，这种遍历我们称为迭代（Iteration）。

任何可迭代对象都可以作用于for循环，包括我们自定义的数据类型，只要符合迭代条件，就可以使用for循环。在Python中，迭代是通过for ... in来完成的。

字典

默认情况下，dict迭代的是key。

d = {'a': 1, 'b': 2, 'c': 3}
for key in d:
    print(key, ':',  d[key])

for value in d.values():
    print(value)

for key, value in d.items():
    print(key, ':', value)

字符串

字符串也是可迭代对象：

for c in 'English':
    print(c)

数组

for num in [2, 56, 23]:
    print(num)

# Python内置的enumerate函数可以把一个list变成索引-元素对
for i, value in enumerate([3, 56, 23]):
    print(i, value)


for x, y in [(1, 1), (2, 3), (5, 8)]:
    print(x, y)

Iterable

如何判断一个对象是可迭代对象呢？方法是通过collections模块的Iterable类型判断：

from collections.abc import Iterable

print(isinstance('abc', Iterable))
print(isinstance([1, 2, 3], Iterable))
print(isinstance(123, Iterable))

参考

• 迭代 - 廖雪峰的官方网站

[ShannonChenCHN]

列表生成式（List Comprehensions）

什么是列表生成式？

列表生成式，是 Python 内置的非常简单却强大的可以用来创建 list 的生成式。

运用列表生成式，可以快速生成 list，可以通过一个 list 推导出另一个 list，而代码却十分简洁。

个人理解：列表生成式的作用有点类似于高阶函数，给定一个 list，提供一个变换操作或者筛选条件，生成一个新数组。

示例代码

L1 = list(range(1, 11))
print(L1)

L2 = [x * x for x in range(1, 11)]
print(L2)

使用筛选条件：

L3 = [x * x for x in range(1, 11) if x % 2 == 0]
print(L3)

使用双循环：

L4 = [m + n for m in 'ABC' for n in 'XYZ']
print(L4)

使用两个变量来生成 list：

d = {'baidu': 'www.baidu.com', 'tencent': 'www.qq.com', 'amazon': 'www.amazon.com'}
[k + '=' + v for k, v in d.items()]
print(d)

大写转小写：

L5 = ['Hello', 'World', 'IBM', 'Apple']
L5_lower = [s.lower() for s in L5]
print(L5_lower)

打印当前目录下的所有文件名：

import os
ls = [d for d in os.listdir('.')]
print(ls)

[ShannonChenCHN]

生成器（Generator）

在Python中，这种一边循环一边计算的机制，称为生成器（generator）。

创建生成器的两种方法

1. 只要把一个列表生成式的 [] 改成 ()，就创建了一个生成器：

g = (x * x for x in range(10))
print(g)  # <generator object <genexpr> at 0x101240c00>


print(g.__next__())
print(next(g))
print(next(g))
print(next(g))
print(next(g))

# 可以使用 for 循环遍历生成器，因为generator也是可迭代对象。
for n in g:
    print(n)

可以使用 for 循环遍历生成器，因为generator也是可迭代对象。

2. 通过定义一个包含 yield 关键字的函数来创建生成器：

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        yield b  # 
        a, b = b, a + b
        n = n + 1
        if n > 2:
            return
    return 'done'

for i in fib(6):
    print(i)
# 打印结果： 1 1 2

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。

在执行过程中，遇到 yield 就中断执行并返回，再次执行时从上次返回的 yield 语句处继续执行，直到已经没有 yield 可以执行了，再调用 next(o) 就会报错。

generator 的工作原理

• generator 保存的是算法，每次调用 next(g)，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。
• generator 是在for循环的过程中不断计算出下一个元素，并在适当的条件结束for循环。对于函数改成的generator来说，遇到return语句或者执行到函数体最后一行语句，就是结束generator的指令，for循环随之结束。

普通函数和 generator 函数的区别：

• 普通函数调用直接返回结果
• generator 函数的“调用”实际返回一个 generator 对象

参考

• 生成器 - 廖雪峰的官方网站
• 9.9. Generators - Python 3.7.0 documentation

[ShannonChenCHN]

迭代器（Iterator）

可迭代对象 VS. 迭代器

可迭代对象

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）。

生成器

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）。

几个知识点

• 可以使用 isinstance() 判断一个对象是否是 Iterable 对象
• 可以使用 isinstance() 判断一个对象是否是 Iterator 对象
• 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，不过可以通过 iter() 函数获得一个Iterator对象。

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。

如何让自定义类也具备 Iterator 特性？

跟 Objective-C 中实现 NSFastEnumeration 协议就可以支持快速枚举类似，在 Python 中，实现 iterator 协议的 __iter__ 方法和 __next__ 方法，即可让自定义类也具备 Iterator 特性：

class Reverse:
    """Iterator for looping over a sequence backwards."""
    def __init__(self, data):
        self.data = data
        self.index = len(data)

    def __iter__(self):
        return self

    def __next__(self):
        if self.index == 0:
            raise StopIteration
        self.index = self.index - 1
        return self.data[self.index]

>>> rev = Reverse('spam')
>>> iter(rev)
<__main__.Reverse object at 0x00A1DB50>
>>> for char in rev:
...     print(char)
...
m
a
p
s

参考

• 迭代器 - 廖雪峰的官方网站
• 9.8. Iterators - Python 3.7.0 documentation