内容基本上来自于廖雪峰老师的blog相当于自己手打了一遍，加强加强理解吧。

http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000

Python的一些高级特性

Slot

python是动态语言，所谓动态，就是可以先创建类的实例，之后再动态绑定属性或方法，比如下边这个例子：

class Student(object)

    pass

s=Student()

s.name="asd"

注意这里的pass就是相当于空语句，表示什么都不做。

还可以进行方法的动态绑定，比如定义下面的方法，有点像java中反射的感觉。

def set_age(self,age)

    self.age=age

from types import MethodType

s.set_age=MethodType(set_age,s,Student)

其中三个形参的含义：

将已经定义好的 set_age方法，绑定在Student类的实例s上。

绑定的时候，仅仅是将set_age方法与实例s进行了绑定，这里的绑定，只能是与固定实例进行，要是通过s2=Student() s2.set_age()来进行方法调用，就是不起作用的，因为方法仅仅与s1实例进行了绑定。

如果希望使得所有的类都适用，需要给class类绑定类方法：

def set_score(self,score)

    self.score=score

Student.set_score=MethodType(set_score,None,Student)

这里的None表示这个类还没有实例

注意前面的不同，这里再具体进行绑定的时候，前面直接写成了，类名.set_score的形式。

实际情况中，有些时候，并不希望对实例的任意绑定都能够进行，这样随随便便就进行绑定想来也总是不太安全的行为。

可以通过下面的方法来解决:在定义class的时候，通过添加__slot__变量，来限制该class类所能够添加的属性。

class Student(object)

    __slot__=(‘name‘,‘age‘)

注意通过__slot__定义仅对当前的类起作用，对继承的子类是不起作用的。

除非在子类中也加上__slot__ ，这样就相当于子类的__slot__范围加上父类的__slot__范围。

这样的话，能动态绑定的属性，就只有name和age两个。

如果绑定一个超出__slot__中所限制的范围的属性进去，比如：

s=Student()

s.score=90

这样就会报错。

函数式编程以及高阶函数

所谓高阶函数，就是函数本身也能作为参数传入，很多语言中都有高阶函数的相关机制。

能接受一个函数作为传递参数的函数，就称为高阶函数，所谓的函数式编程，就是指在程序中使用这种更高抽象程度的编程范式。

比如MapReduce中的map函数

map(f,[1,2,3,4,5])

这个就是说把f 函数作用于[1,2,3,4,5]中的每个元素，当然也可以通过别的方式来执行类似的操作，比如把list循环一下，每个元素都作为参数传递给f 最后输出的结果，

之后再放在一个新的list当中，但是这样并不是太简洁。

map作为一个高阶函数，事实上是把运算规则抽象化了，想想，有点想泛函分析的感觉，就是某种更高程度的抽象，像是直接提炼了算子出来的那种。估计自己以后不太有机会学数学上更高程度的课程了，想想当初老师上课说，如果工科方面再往高学，泛函分析是必须要学的，想想有点可惜，题外话。

运算规则抽象之后，不但可以对简单的f(x)=x^2计算，还可以按照算子的计算规则，对序列或者是矩阵，进行类似的运算，确实方便好多。

reduce也是一个高阶函数，对于reduce而言，reduce可以把一个函数作用在一个序列[x1, x2, x3...]上，这个函数必须接收两个参数，reduce把当前这一步的结果继续和序列的下一个元素做累积计算，其效果就是：reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)

比方说一个序列求和的reduce的实现：

def add(x,y)

    return x+y

reduce(add,[1,3,5,7,9])

这样，返回结果是25。

感觉高阶函数的主要好处还是体现在数学性比较强的运算上，比如结合mapreduce把str转化为int：

def fn(x,y)

    return x*10+y

def char2num(s)

    return {‘0‘: 0, ‘1‘: 1, ‘2‘: 2, ‘3‘: 3, ‘4‘: 4, ‘5‘: 5, ‘6‘: 6, ‘7‘: 7, ‘8‘: 8, ‘9‘: 9}[s]

reduce(fn,map(char2num,‘13579‘))

先用map函数把序列中的每个元素转化为实际的数字，返回的结果可能是一个数字的列表之后再用fn函数进行数字结果的reduce操作，不断向后进行迭代每次都是之前得到的结果乘以10再加上后面的一个数字，这样不断进行累计，最后可以把分散的数字序列拼成一个实际的数字。

函数式编程在排序算法中的应用：

这个算是比较典型的，将比较结果抽象出来：两个元素x y进行比较，如果返回-1 x<y 返回0， x==y ，反之 x>y。

因此这个排序的函数也是一个高阶函数，因为在它的参数中，可以传入一个 函数，这个函数的作用是用来进行比较。

这个其实有点像模板方法模式，高级函数中定义好更高层次的函数的执行顺序，之后在调用的时候，将具体的执行函数传入。

当然，高阶函数除了接受函数作为传递的参数之外，还可以将函数作为值来返回。

比如下面的代码，在一个函数的内部又定义了另外一个求和的函数，并且将这个求和的函数返回：

def lazy_sum(*args):

    def sum():

    ax=0

        for n in args:

        ax=ax+n

        return ax

return sum

调用f=lazy_sum(1,2,3,4,5)的时候，返回的只是函数的一个句柄：

只有再继续执行f()才能返回最后的结果：15。

还有一个地方要注意的是：

每次一个新的调用f1=lazy_sum(1,2,3) f2=lazy_sum(1,2,3) print f1==f2 结果就会返回false，f1()与f2()是两个不同的调用

匿名函数

匿名函数往往通过 Lambda表达式的方式来引入：

关键字lamda表示的是匿名函数，冒号前面的x表示的是函数的参数。

如果定义一个lamda x:x*x实际上表示的就是：

def f(x)

    return x*x

匿名函数有一个限制，就是不用写return 这个表达式的返回值，就是最后的返回值。

用匿名函数的好处是，因为函数没有名字，因此不必担心命名冲突。

此外，匿名函数也是一个函数的对象，也可以把匿名函数赋值给一个变量，再利用变量来调用该函数。

当然通过lamda表达式定义的匿名函数也可以作为返回值来进行返回：

def build(x,y)

    return lambda: x*x + y*y

注意这里lamda表达式本身就是写在函数里面的，因此就不用再在：的前面把x,y再当做函数参数进行声明了

装饰器

本质上decorator就是一个返回高阶函数的函数。

可以通过动态的方式给原来的函数添加新的功能，比如打印日志

比如我们定义一个log装饰器 对func方法进行包装

def log(func):

    #这里添加了新的功能之后又将原来的函数返回

    def wrapper(*args,**kw):

        print ‘call %s():‘ % func.__name__

        return func(*args,**kw)

return wrapper

利用python的 @ 语法 把decorator置于函数的定义处 这里大概的意思就是把下面的函数作为参数 传入之前定义好的log函数中

这里相当于执行了类似下面的函数：now=log(now)原本的now函数还是存在的 只是现在同名的now变量指向了一个新的函数

再次调用now()的时候 返回的是wrapper函数 此时now.__name__就是wrapper而不是now(这里要特别注意)

@log

def now():

    print ‘2014-12-06‘

调用now()

打印的结果如下：

call now():

2014-12-06

如果在decorator本身需要参数 就需要写一个返回decorator的参数 而不是一个仅仅返回wrapper的参数

就是在wrapper的外层多套了一层decorator 这里要连续返回两层

def log(text):

    def decorator(func):

        def wrapper(*args,**kw):

        print ‘%s %s():‘ %(text,func.__name__)

        return func(*args,**kw)

    return wrapper

return decorator

使用的时候：

@log(‘execute‘)

def now():

    print ‘2013-12-25‘

这个大概表示的意思就是 now=log(‘execute‘)(now)

首先调用log(‘execute‘) 返回的是最外层的decorator函数 对log可见的是这个返回的decorator函数

之后再调用这个返回的decorator函数 就是调用decorator(now） 来执行对应的wrapper函数

此时now.__name__就变成了wrapper

注意不论是两层还是三层 最里边总是一个wrapper的函数

一个完整的decorator的写法：

import functools

def log(func)

    @functools.wraps(func)

    def wrapper(*args,**kw)

        print ‘call %s() ‘ %func.__name__

    return func(*args,**kw)

return wrapper

对于带参数的wrapper

import functools

def log(text):

    def decorator(func):

    @functools.wraps(func)

        def wrapper(*args, **kw):

        print ‘%s %s():‘ % (text, func.__name__)

        return func(*args, **kw)

    return wrapper

return decorator

关键是要注意在wrapper的前面加上@functools.wrap(func)

??这里还是有一些疑问的

偏函数

这里的偏函数和数学上的偏函数概念有所不同

偏函数这个理解起来其实也比较容易

就是函数中的某些参数被设定了默认值

比如int (‘12345‘,base=10)

要是第二个参数没有显式地传进来的话 就是默认使用base=10来进行操作

Python的一些高级特性