本节内容
- 迭代器&生成器
- 装饰器
- 内置参数
- Json & pickle 数据序列化
- 软件目录结构规范
- 作业:ATM项目开发
1.列表生成式，迭代器&生成器
注：生成器只有在调用时才会生成相应的数据
1.1生成器
通过列表生成式，我们可以直接创建一个列表。但是，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。
所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator。
要创建一个generator，有很多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个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"
f=fib(100)
while True: #处理异常的代码
try:
x=next(f)
print("f:",x)
except StopIteration as e:
print('Generator return value:', e.value)
break
print(f.__next__())
print("=====stip===")
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print("==========")
还可通过yield实现在单线程的情况下实现并发运算的效果
import time
def consumer(name):
print("%s 准备吃包子了"%name)
while True:
baozi=yield
print("包子[%s]来了,被[%s]吃了"%(baozi,name))
c=consumer("Alex")
# b1="韭菜馅"
# c.send(b1)
# c.__next__()
# c.__next__()
def pruducer(name):
c1=consumer("A")
c2=consumer("B")
print("我要开始准备做包子啦！")
c1.__next__()
c2.__next__()
for i in range(10):
time.sleep(1)
print("一秒做1个包子，分成两半")
c1.send(i)
c2.send(i)
pruducer("Alex")
1.2迭代器
*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。
我们已经知道，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
3
4
5
6
7
8
9
10
11
|
>>>
from
collections
import
Iterable
>>>
isinstance
([], Iterable)
True
>>>
isinstance
({}, Iterable)
True
>>>
isinstance
(
'abc'
, Iterable)
True
>>>
isinstance
((x
for
x
in
range
(
10
)), Iterable)
True
>>>
isinstance
(
100
, Iterable)
False
|
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：
|
1
2
3
4
|
>>>
isinstance
(
iter
([]), Iterator)
True
>>>
isinstance
(
iter
(
'abc'
), Iterator)
True
|
你可能会问，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。
小结
凡是可作用于for循环的对象都是Iterable类型；
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。
Python的for循环本质上就是通过不断调用next()函数实现的，例如：
|
1
2
|
for
x
in
[
1
,
2
,
3
,
4
,
5
]:
pass
|
实际上完全等价于：
# 首先获得Iterator对象:
it = iter([1, 2, 3, 4, 5])
# 循环:
while True:
try:
# 获得下一个值:
x = next(it)
except StopIteration:
# 遇到StopIteration就退出循环
break
2.装饰器（语法糖）
装饰器：本质是函数（装饰其他函数）就是为其他函数添加附加功能
原则：1.不能修改被装饰的函数的源代码；2.不能修改被装饰的函数的调用方式（相当于你要x=1,但是y=x，你要加一个y，且x的调用方式不能被修改）
实现装饰器知识储备：
1.函数即“变量”
2.高阶函数
a:把一个函数名当做实参传给另外一个函数
b:返回值找那个包含函数名（不能修改函数的调用方式）
import time
def bar():
time.sleep(3)
print("in the bar")
def test1(func):
print(func)
return func
bar=test1(bar)
bar()
3.嵌套函数
x=0
def grandpa():
x=1
def dad():
x=2
def son():
x=3
print(x)
son()
dad()
grandpa()
高阶函数+嵌套函数==》装饰器
不带参数装饰器
import time
def timmer(func):
def bar():
start_time=time.time()
func()
stop_time = time.time()
print("the func run time is %s"%(stop_time-start_time))
return bar
@timmer
def test1():
time.sleep(3)
print("in the test1")
test1()
带参数装饰器
import time
def timmer(func):
def bar(*args,**kwargs):
start_time=time.time()
func(*args,**kwargs)
stop_time = time.time()
print("the func run time is %s"%(stop_time-start_time))
return bar
@timmer
def test1():
time.sleep(5)
print("in the test1")
@timmer
def test2(name,age):
time.sleep(3)
print("test2:",name,age)
test1()
test2("Alex",22)
装饰器高阶班
3. 内置参数
内置参数详解 https://docs.python.org/3/library/functions.html?highlight=built#ascii