Python高级特性

Python的代码不是越复杂越好，而是越简单越好，开发效率越简单越高

切片

1 2	L = ['Michael', 'Sarah', 'Tracy', 'Bob', 'Jack'] [L[0], L[1], L[2]]

另一种方法

L[0:3]

L[0:3]表示，从索引0开始取，直到索引3为止，但不包括索引3。即索引0，1，2，正好是3个元素。
如果第一个索引是0，还可以省略：

L[:3]

负数的情况

L[-2:-1]

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
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

总结：有了切片操作，很多地方循环就不再需要了。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。

迭代

在Python中，迭代是通过for … in来完成的

Python的for循环抽象程度要高于Java的for循环，因为Python的for循环不仅可以用在list或tuple上，还可以作用在其他可迭代对象上
Python内置的一种数据类型是列表：list。list是一种有序的集合，可以随时添加和删除其中的元素。
默认情况下，dict迭代的是key。如果要迭代value，可以用for value in d.values()，如果要同时迭代key和value，可以用for k, v in d.items()

1
2
3

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

由于字符串也是可迭代对象，因此，也可以作用于for循环

1 2	for ch in 'ABC': print(ch)

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

1 2	from collections import Iterable isinstance('abc', Iterable) # str是否可迭代

Python内置的enumerate函数可以把一个list变成索引-元素对，这样就可以在for循环中同时迭代索引和元素本身

1 2	for i, value in enumerate(['A', 'B', 'C']): print(i, value)

列表生成式

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

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

[m + n for m in 'ABC' for n in 'XYZ']

用两个for实现全排列

for循环其实可以同时使用两个甚至多个变量，比如dict的items()可以同时迭代key和value

1
2
3

d = {'x': 'A', 'y': 'B', 'z': 'C' }
for k, v in d.items():
      print(k, '=', v)

生成器
受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了

一边循环一边计算的机制，称为生成器：generator

创建generator

只要把一个列表生成式的[]改成()，就创建了一个generator

g = (x * x for x in range(10))

如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值

next(g)

使用for循环，因为generator也是可迭代对象

1
2
3

g = (x * x for x in range(10))
 for n in g:
         print(n)

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        print(b)
        a, b = b, a + b
        n = n + 1
    return 'done'

这就是定义generator的另一种方法。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

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

- 最难理解的就是generator和函数的执行流程不一样。函数是顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行

def odd():
print(‘step 1’)
yield 1
print(‘step 2’)
yield(3)
print(‘step 3’)
yield(5)


``` 
o = odd()
 next(o)

同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代

迭代器

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。

可以使用isinstance()判断一个对象是否是Iterable对象

1 2	from collections import Iterable isinstance([], Iterable)

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。

可以使用isinstance()判断一个对象是否是Iterator对象：

1
2
3

from collections import Iterator
 isinstance((x for x in range(10)), Iterator)
 isinstance([], Iterator)

生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。

把list、dict、str等Iterable变成Iterator可以使用iter()函数：

isinstance(iter([]), 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。