高级特性

切片(Slice)

对应上面的问题取前3个元素用一行代码就可以完成切片

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

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012正好是3个元素。

如果第一个索引是0还可以省略

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

也可以从索引1开始取出2个元素出来

>>> L[1:3]
['Sarah', 'Tracy']

类似的既然Python支持L[-1]取倒数第一个元素那么它同样支持倒数切片试试

>>> L[-2:]
['Bob', 'Jack']
>>> L[-2:-1]
['Bob']

记住倒数第一个元素的索引是-1。

前10个数每两个取一个

>>> L[:10:2]
[0, 2, 4, 6, 8]

---

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

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

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

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

在很多编程语言中针对字符串提供了很多各种截取函数例如substring其实目的就是对字符串切片。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非常简单。

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在Python中迭代是通过for ... in来完成的。

list这种数据类型虽然有下标但很多其他数据类型是没有下标的但是只要是可迭代对象无论有无下标都可以迭代。

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()。

通过collections.abc模块的Iterable类型判断一个对象是否为可迭代对象

>>> from collections.abc import Iterable
>>> isinstance('abc', Iterable) # str是否可迭代
True
>>> isinstance([1,2,3], Iterable) # list是否可迭代
True
>>> isinstance(123, Iterable) # 整数是否可迭代
False

索引-元素对

如果要对list实现类似Java那样的下标循环怎么办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

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

列表生成式

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

举个例子要生成list [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]可以用==list(range(1, 11))==

>>> list(range(1, 11))
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

---

写列表生成式时把要生成的元素x * x放到前面后面跟for循环就可以把list创建出来。

>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

for循环后面还可以加上if判断这样我们就可以筛选出仅偶数的平方

>>> [x * x for x in range(1, 11) if x % 2 == 0]
[4, 16, 36, 64, 100]

还可以使用两层循环可以生成全排列

>>> [m + n for m in 'ABC' for n in 'XYZ']
['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']

三层和三层以上的循环就很少用到了。

items()

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

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

因此列表生成式也可以使用两个变量来生成list

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

最后把一个list中所有的字符串变成小写

>>> L = ['Hello', 'World', 'IBM', 'Apple']
>>> [s.lower() for s in L]
['hello', 'world', 'ibm', 'apple']

---

列表生成式的组成部分

在一个列表生成式中for前面的if ... else是表达式而==for后面的if是过滤条件==不能带else。

例如以下代码正常输出偶数

>>> [x for x in range(1, 11) if x % 2 == 0]
[2, 4, 6, 8, 10]

①不能在最后的if加上else

>>> [x for x in range(1, 11) if x % 2 == 0 else 0]
  File "<stdin>", line 1
    [x for x in range(1, 11) if x % 2 == 0 else 0]
                                              ^
SyntaxError: invalid syntax

②把if写在for前面必须加else否则报错

>>> [x if x % 2 == 0 for x in range(1, 11)]
  File "<stdin>", line 1
    [x if x % 2 == 0 for x in range(1, 11)]
                       ^
SyntaxError: invalid syntax

生成器(generator)

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。

创建一个generator方法一

只要把一个列表生成式的[]改成()就创建了一个generator

>>> L = [x * x for x in range(10)]
>>> L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x1022ef630>

创建L和g的区别仅在于最外层的[]和()L是一个list而g是一个generator。

迭代其的方法

①调用next(g)获得generator的下一个返回值没有更多的元素时抛出StopIteration的错误。

②使用for循环

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

创建一个generator方法二

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函数调用一个generator函数将返回一个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(6)
>>> f
<generator object fib at 0x104feaaa0>

---

​ 这里最难理解的就是generator函数和普通函数的执行流程不一样。普通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。

举个简单的例子定义一个generator函数依次返回数字135

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

调用该generator函数时首先要生成一个generator对象然后用next()函数不断获得下一个返回值

>>> o = odd()
>>> next(o)
step 1
1
>>> next(o)
step 2
3
>>> next(o)
step 3
5
>>> next(o)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

可以看到odd不是普通函数而是generator函数在执行过程中遇到yield就中断下次又继续执行。执行3次yield后已经没有yield可以执行了所以第4次调用next(o)就报错。

---

同样的把函数改成generator函数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

>>> for n in fib(6):
...     print(n)

但是用for循环调用generator时发现拿不到generator的return语句的返回值。如果想要拿到返回值必须捕获StopIteration错误返回值包含在StopIteration的value中

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

>>> from collections.abc import Iterable
>>> isinstance([], Iterable)
True

---

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。

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。

可以使用isinstance()判断一个对象是否是Iterator对象

>>> from collections.abc import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True

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)
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。