一、递归函数
在函数内部，可以调用其他函数。但是在一个函数在内部调用自身，这个函数被称为递归函数
def calc(n):
print(n)
if int(n/2) == 0: #结束符
return n
return calc(int(n/2)) #调用函数自身
m = calc(10)
print('----->',m)
#输出结果
10
5
2
1
-----> 1 #最后返回的值递归特性:
1. 必须有一个明确的结束条件
2. 每次进入更深一层递归时，问题规模相比上次递归都应有所减少
3. 递归效率不高，递归层次过多会导致栈溢出（在计算机中，函数调用是通过栈（stack）这种数据结构实现的，每当进入一个函数调用，栈就会加一层栈帧，每当函数返回，栈就会减一层栈帧。由于栈的大小不是无限的，所以，递归调用的次数过多，会导致栈溢出）
堆栈详情：
递归函数使用案例：
1+2+3+4+.....+100的例子，代码如下：
def add_to_100(n):
if n == 0:
return n
return n + add_to_100(n - 1)
n = add_to_100(100)
print(n)
# 输出结果
5050View Code
二分查找，代码如下：
1 def binary_search(dataset, find_num):
2 print(dataset)
3
4 if len(dataset) > 1:
5 mid = int(len(dataset) / 2)
6 if dataset[mid] == find_num: # find it
7 print("找到数字", dataset[mid])
8 elif dataset[mid] > find_num: # 找的数在mid左面
9 print("\033[31;1m找的数在mid[%s]左面\033[0m" % dataset[mid])
10 return binary_search(dataset[0:mid], find_num)
11 else: # 找的数在mid右面
12 print("\033[32;1m找的数在mid[%s]右面\033[0m" % dataset[mid])
13 return binary_search(dataset[mid + 1:], find_num)
14 else:
15 if dataset[0] == find_num: # find it
16 print("找到数字啦", dataset[0])
17 else:
18 print("没的分了,要找的数字[%s]不在列表里" % find_num)
19
20
21 binary_search(data, 66)
22
23
24 #输出结果
25 [1, 3, 6, 7, 9, 12, 14, 16, 17, 18, 20, 21, 22, 23, 30, 32, 33, 35]
26 找的数在mid[18]右面
27 [20, 21, 22, 23, 30, 32, 33, 35]
28 找的数在mid[30]右面
29 [32, 33, 35]
30 找的数在mid[33]右面
31 [35]
32 没的分了,要找的数字[66]不在列表里View Code
二、匿名函数
匿名函数就是不需要显式的指定函数，跟普通函数的最大区别就是不用特意用def 关键字去定义
# 这段代码
def calc(n):
return n ** n
print(calc(10))
# 换成匿名函数
calc = lambda n: n ** n
print(calc(10))匿名函数主要是和其它函数搭配使用，可以优化代码，如下：
res = map(lambda x:x**2,[1,5,7,4,8])
for i in res:
print(i)三、嵌套函数
嵌套函数，顾名思义就是函数里面套函数，在一个函数的函数体内，用def 去声明一个函数，而不是去调用其他函数，称为嵌套函数
name = "apple"
def change_name():
name = "apple1"
def change_name2():
name = "apple2"
print("第3层打印", name)
change_name2() # 调用内层函数
print("第2层打印", name)
change_name()
print("最外层打印", name)注：主要用于装饰器
四、高阶函数
变量可以指向函数（把函数名，即函数的栈内存地址当成变量的值，函数名作为变量），函数的参数能接收变量，那么一个函数就可以接收另一个函数作为参数，说白了，高阶函数功能就是：把函数本身当做一个参数，传到另一个函数中，然后在这个函数中做处理，这种函数就称之为高阶函数：
# 普通函数
def test_1(a, b):
return a + b
# 高阶函数
def test_2(a, b, f):
return f(a) + f(b)
print("-----test_1-----")
res = test_1(1, -3)
print(res)
print("-----test_2-----")
res = test_2(1, -3, abs) # 把abs这个内置函数当做参数传进去
print(res)
# 输出结果
-----test_1-----
-2
-----test_2-----
4实现高阶函数有两个条件：
4.1、把一个函数名当做实参传给另外一个函数
import time as t
def bar():
t.sleep(3)
print("in the bar")
def test1(func):
print(func)
start_time = t.time()
func()
stop_time = t.time()
print("the func run the is %s" % (stop_time - start_time))
# 没有修改bar的代码
test1(bar) # 把bar函数名当做实参传到test1中
#输出结果
<function bar at 0x01220810> #bar函数的内存地址
in the bar
the func run the is 3.00000810623168954.2、返回值中包含函数名
import time as t
def bar():
t.sleep(3)
print("in the bar")
def test2(func):
print(func)
return func #返回函数的内存地址
#调用test2函数
bar = test2(bar)
bar() #没有bar函数改变调用方式
#输出结果
<function bar at 0x03570810> #bar函数的内存地址
in the bar注：主要用于装饰器
五、函数式编程介绍
函数是Python内建支持的一种封装，我们通过把大段代码拆成函数，通过一层一层的函数调用，就可以把复杂任务分解成简单的任务，这种分解可以称之为面向过程的程序设计。函数就是面向过程的程序设计的基本单元。
函数式编程中的函数这个术语不是指计算机中的函数（实际上是Subroutine），而是指数学中的函数，即自变量的映射。也就是说一个函数的值仅决定于函数参数的值，不依赖其他状态。比如sqrt(x)函数计算x的平方根，只要x不变，不论什么时候调用，调用几次，值都是不变的。
Python对函数式编程提供部分支持。由于Python允许使用变量，因此，Python不是纯函数式编程语言。
一、定义
简单说，"函数式编程"是一种"编程范式"（programming paradigm），也就是如何编写程序的方法论。
主要思想是把运算过程尽量写成一系列嵌套的函数调用。举例来说，现在有这样一个数学表达式：
(1 + 2) * 3 - 4传统的过程式编程，可能这样写：
var a = 1 + 2;
var b = a * 3;
var c = b - 4;函数式编程要求使用函数，我们可以把运算过程定义为不同的函数，然后写成下面这样：
var result = subtract(multiply(add(1,2), 3), 4);再演进以下，可以变成这样:
add(1,2).multiply(3).subtract(4)函数式编程只是介绍，python 并不适合函数式编程，Erlang,Haskell更适合
六、装饰器
装饰器本质是函数，是用来装饰其他函数，顾名思义就是，为其他的函数添加附件功能的。
6.1、装饰器原则：
- 不能修改被装饰函数的源代码
- 不能修改被装饰函数的调用方式
def logging():
print("logging...")
# 正确写法，没有修改源码
def test1():
pass
# 错误写法，不能修改源码
def test1():
pass
logging()
# 调用方式，也不能被修改
test1()View Code
6.2、装饰器知识：
- 函数即"变量"
- 高阶函数+嵌套函数 =》装饰器
6.2.1、函数即”变量“
python的内存机制，看如下代码：
#变量
x = 1
#函数
def test():
pass在内存图中是这样表示的：
x、test 是变量名，保存在栈内存中，1、函数体 保存在堆内存中
6.2.2、高阶函数+嵌套函数 =》装饰器
装饰器实现过程：
第一步：原始代码
def home():
print("----首页----")
def TV():
print("----TV----")
def music():
print("----music----")View Code
第二步：想给部分模块加个登陆认证
user_status = False # 用户登录了就把这个改成True
def login():
_username = "ABC" # 假装这是DB里存的用户信息
_password = "12345" # 假装这是DB里存的用户信息
global user_status
if user_status == False:
username = input("user:")
password = input("pasword:")
if username == _username and password == _password:
print("welcome login....")
user_status = True
else:
print("wrong username or password!")
else:
print("用户已登录，验证通过...")
def home():
print("----首页----")
def TV():
login() # 执行前加上验证
print("----TV----")
def music():
print("----music----")View Code
虽然这样实现了认证功能，但是修改了被装饰函数的源代码，违背了装饰器的原则”不能修改被装饰函数的源代码“
第三步：代码改进，使用高阶函数理念，把函数名当参数传递给认证函数login，这样可以不修改被装饰函数源代码的情况下完成登陆认证
user_status = False # 用户登录了就把这个改成True
def login(func):
_username = "ABC" # 假装这是DB里存的用户信息
_password = "12345" # 假装这是DB里存的用户信息
global user_status
if user_status == False:
username = input("user:")
password = input("pasword:")
if username == _username and password == _password:
print("welcome login....")
user_status = True
else:
print("wrong username or password!")
if user_status == True:
print("用户已登录，验证通过...")
func() #只要验证通过了，就调用相应功能
def home():
print("----首页----")
def TV():
print("----TV----")
def music():
print("----music----")
login(TV) #需要验证就调用 login，把需要验证的功能 当做一个参数传给loginView Code
虽然这样可以不修改被装饰函数源代码的情况下完成登陆认证，但是违背了装饰器原则”修改了被装饰函数的调用方式“，本来被装饰函数只需要TV()就可调用，现在变成了login(TV)
第四步：代码改进，使用匿名函数理念，将login(TV)变成 TV = login(TV) ，将函数当成值，赋值给变量名TV，跟关键字def 重新定义了TV是一样的效果，不过这样还有一个问题， TV = login(TV)这个赋值过程中，就把函数TV给调用了，用户自己还没有调用，就自己自动调用肯定是不对的，这个时候需要用到嵌套函数的理念了，在认证函数login里面的再定义一个新函数login_inner，在login函数return(返回)login_inner函数名（对是return login_inner, 不是return login_inner(), 因为return 函数名 返回的是函数在栈内容的内存地址，return 函数名+() 返回的是该函数的执行结果） 这样在TV = login(TV)赋值的时候，TV赋值的就不是 login(TV)的执行结果了，赋值的值是login_inner的内存地址，等用户再调用的时候 就是TV()，这样就没有改变被装饰函数的调用方式了。
user_status = False #用户登录了就把这个改成True
def login(func):
#在login 里面增加一个嵌套函数,保证tv = login(tv)的时候 不会自己自动调用 tv函数
def login_inner():
_username = "ABC" #假装这是DB里存的用户信息
_password = "12345" #假装这是DB里存的用户信息
global user_status
if user_status == False:
username = input("user:")
password = input("pasword:")
if username == _username and password == _password:
print("welcome login....")
user_status = True
else:
print("wrong username or password!")
if user_status == True:
print("用户已登录，验证通过...")
func() #只要验证通过了，就调用相应功能
return login_inner # return 函数名 返回的是函数在栈内容的内存地址，return 函数名+() 返回的是该函数的执行结果
def home():
print("----首页----")
def TV():
print("----TV----")
def music():
print("----music----")
home()
#login(TV) #改成下面的方式，这样就不会改变调用方式了
TV = login(TV)
TV()View Code
每次使用装饰器都这么麻烦？需要使用匿名函数重新赋值再调用？
第五步：其实可以把TV =login(TV),的赋值过程简化成在被装饰函数前@login 就好了，如下列代码：
user_status = False #用户登录了就把这个改成True
def login(func):
#在login 里面增加一个嵌套函数,保证tv = login(tv)的时候 不会自己自动调用 tv函数
def login_inner():
_username = "ABC" #假装这是DB里存的用户信息
_password = "12345" #假装这是DB里存的用户信息
global user_status
if user_status == False:
username = input("user:")
password = input("pasword:")
if username == _username and password == _password:
print("welcome login....")
user_status = True
else:
print("wrong username or password!")
if user_status == True:
print("用户已登录，验证通过...")
func() #只要验证通过了，就调用相应功能
return login_inner # return 函数名 返回的是函数在栈内容的内存地址，return 函数名+() 返回的是该函数的执行结果
def home():
print("----首页----")
@login
def TV():
print("----TV----")
def music():
print("----music----")
home()
TV()View Code
装饰器装饰没有参数的函数：
import time as t
# 定义装饰器函数
def timmer(func): # 把test1这个函数名作为参数传递进来 func=test1
# 定义装饰器中的内置函数
def deco():
start_time = t.time()
func() # 相当于运行test1()
stop_time = t.time()
print("the func run time is %s" % (stop_time - start_time))
return deco
# 装饰test1函数
@timmer # 相当于test1 = timmer(test1)
def test1():
t.sleep(3)
print("in the test1")
# 直接执行test1函数
test1()
#输出结果
in the test1
the func run time is 3.000622272491455View Code
装饰器装饰带有参数的函数：
import time as t
def timmer(func): # timmer(test1) func=test1
# 因为之前返回的是这个嵌套数的内存地址，如果这个嵌套函数不传入参数#的话，里面的func,就是被装饰函数本身就没有参数，这样就会报错
def deco(*args, **kwargs): # 传入非固定参数
start_time = t.time()
func(*args, **kwargs) # 传入非固定参数
stop_time = t.time()
print("the func run time is %s" % (stop_time - start_time))
return deco
# 不带参数
@timmer # 相当于test1 = timmer(test1)
def test1():
t.sleep(3)
print("in the test1")
# 带参数
@timmer
def test2(name, age):
print("name:%s,age:%s" % (name, age))
# 调用
test1()
test2("zhangsan", 22)
#输出结果
#test1
in the test1
the func run time is 3.0009164810180664
#test2
name:zhangsan,age:22
the func run time is 0.0View Code
装饰器装饰有返回值的函数：
def timmer(func): # timmer(test1) func=test1
def deco(*args, **kwargs):
res = func(*args, **kwargs) # 这边传入函数结果赋给res
return res # 返回res
return deco
@timmer
def test1(): # test1 = timmer(test1)
print("in the test1")
return "from the test1" # 执行函数test1有返回值
res = test1()
print(res)
#输出结果
in the test1
from the test1View Code
装饰器本身带有参数：
# 本地验证
user, passwd = "zhangsan", "abc123"
def auth(auth_type): # 传递装饰器的参数
print("auth func:", auth_type)
def outer_wrapper(func): # 将被装饰的函数作为参数传递进来
def wrapper(*args, **kwargs): # 将被装饰函数的参数传递进来
print("wrapper func args:", *args, **kwargs)
username = input("Username:").strip()
password = input("Password:").strip()
if auth_type == "local":
if user == username and passwd == password:
print("\033[32mUser has passed authentication\033[0m")
res = func(*args, **kwargs)
print("--after authentication")
return res
else:
exit("Invalid username or password")
elif auth_type == "ldap":
pass
return wrapper
return outer_wrapper
def index():
print("welcome to index page")
@auth(auth_type="local") # 带参数装饰器
def home():
print("welcome to home page")
return "from home"
@auth(auth_type="ldap") # 带参数装饰器
def bbs():
print("welcome to bbs page")
index()
home()
bbs()View Code
七、生成器
通过列表生成式，直接去创建一个列表。但是收到内存的限制，列表的容量是有限的。如果我们在创建一个包含100万个元素的列表，甚至更多，不仅占用了大量的内存空间，而且如果我们仅仅需要访问前面几个元素时，那后面很大一部分的占用的空间都白白浪费掉了。这个并不是我们所希望看到的。所以就诞生了一个新的名词叫生成器：generator。
生成器的作用：列表的元素按某种算法推算出来，我们在后续的循环中不断推算出后续的元素，在python中，这种一边循环一边计算的机制，称之为生成器(generator)。
7.1、创建生成器
>>> m=[i*2 for i in range(10)]
>>> print(m)
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18] #生成一个list
>>> n = (i*2 for i in range(10))
>>> print(n)
<generator object <genexpr> at 0x031A21F0> #生成一个generator如果需要访问生成器n中的值，python2是通过next()方法去获得generator的下一个返回值，python3是通过__next__()去获得generator的下一个返回值：
#python 3的访问方式用__next__()
>>> n.__next__()
0
>>> n.__next__()
2
>>> n.__next__()
4
>>> n.__next__()
6
>>> n.__next__()
8
>>> n.__next__() #没有元素时，则会抛出抛出StopIteration的错误
Traceback (most recent call last):
File "<pyshell#4>", line 1, in <module>
n.__next__()
StopIteration
#python2的访问方式用next()
>>> n.next() #可以用n.next()
0
>>> next(n) #也可以用next(n)
2
>>> n.next()
4
>>> n.next()
6
>>> n.next()
8
>>> n.next() #没有元素时，则会抛出抛出StopIteration的错误
Traceback (most recent call last):
File "<pyshell#4>", line 1, in <module>
n.next()
StopIterationView Code
①generator保存的是算法，每次调用next方法时，就会计算下一个元素的值，直到计算到最后一个元素，如果没有更多元素，则会抛出StopIteration的错误。
②generator只记住当前位置，它访问不到当前位置元素之前和之后的元素，之前的数据都没有了，只能往后访问元素，不能访问元素之前的元素。
7.2、用for循环去访问generator中的元素
使用next方法去一个一个访问，不切实际，正确的方法是使用for循环去访问，因为generator也是可迭代对象，代码如下：
res = (i*2 for i in range(3)) #创建一个生成器
print(res)
for i in res: #迭代生成器中的元素
print(i)
#输出结果
<generator object <genexpr> at 0x03A121F0>
0
2
47.3、函数生成器
推算比较简单，但是推算的算法比较复杂，用类似列表生成式的for循环无法实现，那怎么办呢？比如下面一个例子，用列表生成式无法实现。
7.3.1、斐波那契数列
实现原理：除第一个和第二个数外，任意一个数都可由前两个数相加得到：1, 1, 2, 3, 5, 8, 13, 21, 34, ...，代码如下：
def fib(max):
n, a, b = 0, 0, 1
while n < max:
print(b)
a, b = b, a + b
n = n + 1
return
fib(5)虽然根据这种逻辑推算非常类似一个生成器(generator)，但是其本质还是函数，下面演示通过关键字yield将函数转换成生成器。
7.3.2、用yield函数转换为生成器(generator)
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b # 用yield替换print，把fib函数转化成一个生成器
a, b = b, a + b
n = n + 1
return "----done---"这就是生成器(generator)另外一种定义方法。如果一个函数中包含yield关键字，那么这个函数就不是一个普通的函数，而是一个生成器(generator)
f = fib(5)
print(f)
#输出结果
<generator object fib at 0x00DB29B0>注：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。
f = fib(5)
print(f.__next__())
print(f.__next__())
print(f.__next__())
print("我在干别的事情")
print(f.__next__())
print(f.__next__()) # 访问的是最后一个元素
print(f.__next__()) # 没有多余的元素
#输出结果
Traceback (most recent call last):
1
1
2
我在干别的事情
3
5
print(f.__next__()) # 没有多余的元素
StopIteration: ----done---View Code
小结：
①访问生成器中的元素，不用是连续的，我可以中间去执行其他程序，向想什么时候执行，可以再回头去执行。
②return在这边作用就是当发生异常时，会打印ruturn后面的值。
7.4、生成器使用场景
生成器除了能节省资源，还能提高工作效率，如下列例子
7.4.1、执行原理
A、第一个__next__方法
def consumer(name):
print("%s 准备吃包子啦！" % name)
while True:
baozi = yield
print("包子[%s]来了，被[%s]吃了" % (baozi, name))
c = consumer("zhangsan")
c.__next__()
#输出结果
zhangsan 准备吃包子啦View Code
B、再加一个__next__方法
def consumer(name):
print("%s 准备吃包子啦！" % name)
while True:
baozi = yield
print("包子[%s]来了，被[%s]吃了" % (baozi, name))
c = consumer("zhangsan")
c.__next__()
c.__next__()
#输出结果
zhangsan 准备吃包子啦！
包子[None]来了，被[zhangsan]吃了View Code
A方案没有执行"print("包子[%s]来了，被[%s]吃了"%(baozi,name))"，这段代码，接下来我们就来调试一下。
第一步：生成一个生成器
第二步：执行第一个__next__()方法进入函数，执行到yield时中断，把返回值返回给baozi这个变量：
第三步：开始执行下面的程序，也就执行到了第二个__next__()方法，直接跳转到yield这边，继续上一次的中断往下执行，这样就执行了yield下面的程序，当再次执行到yield关键字时，则继续中断，并且把返回值赋给baozi关键字，如果下面没有其他程序，则程序结束。
小结：
- 用yield做生成器，你想把什么返回到外面，你就把yield关键字放在那里。
- yield其实是保留了函数的中断状态，返回当前的值。
- 如果yield没有返回值，就返回一个空值None
7.4.2、send()和__next__()方法的区别
def consumer(name):
print("%s 准备吃包子啦！" % name)
while True:
baozi = yield
print("包子[%s]来了，被[%s]吃了" % (baozi, name))
c = consumer("zhangsan")
c.__next__() # 不使用__next__()方法会报错
b1 = "肉松馅"
c.send(b1) # 调用yield，同时给yield传一个值
b2 = "韭菜馅"
c.send(b2)
#输出结果
zhangsan 准备吃包子啦！
包子[肉松馅]来了，被[zhangsan]吃了
包子[韭菜馅]来了，被[zhangsan]吃了View Code
从上面可以看出send()和__next__()方法的区别：
- __next__()只是调用这个yield，也可以说成是唤醒yield，但是不不会给yield传值。
- send()调用这个yield或者说唤醒yield同时，也活给yield传一个值。
- 使用send()函数之前必须使用__next__()，因为先要中断，当第二次调用时，才可传值。
为什么给消费者传值时，必须先执行__next__()方法？
因为如果不执行一个__next__()方法，只是把函数变成一个生成器，你只有__next__()一下，才能走到第一个yield，然后就返回了，调用下一个send()传值时，才会发包子。
7.4.3、yield实现并行效果
yield还有一个更强大的功能，就是：单线程实现并发效果。
import time
def consumer(name):
print("%s 准备吃包子啦！" % name)
while True:
baozi = yield
print("包子[%s]来了，被[%s]吃了" % (baozi, name))
def producer(name):
c = consumer("A")
c2 = consumer("B")
c.__next__()
c2.__next__()
print("老子准备吃包子啦！")
for i in range(10):
time.sleep(1)
print("做了一个包子，分两半")
c.send(i)
c2.send(i)
producer("zhangsan")View Code
八、迭代器
8.1、可迭代对象
8.1.1、for循环数据类型
- 集合数据类型，如：list、tuple、dict、set、str、bytes(字节)等。
- 生成器(generator)，包括生成器和带yield的生成器函数。
8.1.2、定义
可迭代对象(Iterable):直接用于for循环遍历数据的对象
8.1.3、用isinstance()方法判断一个对象是否是Iterable对象
>>> from collections import Iterable
>>> print(isinstance([],Iterable)) #列表
True
>>> print(isinstance((),Iterable)) #元组
True
>>> print(isinstance({},Iterable)) #字典
True
>>> print(isinstance('abc',Iterable)) #字符串
True
>>> print(isinstance(100,Iterable)) #整型View Code
注：生成器不但可以作用于for循环，还可以被__next__()函数不断调用，并且返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值而抛出的异常。
8.2、迭代器
8.2.1、定义
迭代器(Iterator)：可以用__next__()函数调用并不断的返回下一个值的对象称为迭代器。
8.2.2、用isinstance()方法判断一个对象是否是Iterator对象
>>> from collections import Iterator
>>> print(isinstance((i*2 for i in range(5)),Iterator)) #生成器
True
>>> print(isinstance([],Iterator)) #列表
False
>>> print(isinstance({},Iterator)) #字典
False
>>> print(isinstance('abc',Iterator)) #字符串
FalseView Code
通过上面的例子可以看出，生成器都是Iterator对象，但是list、dict、str虽然是Iterable对象，却不是Iterator对象。
8.2.3、iter()函数
功能：把list、dict、str等Iterable对象变成Iterator对象。
>>> from collections import Iterator
>>> print(isinstance(iter([]),Iterator))
True
>>> print(isinstance(iter({}),Iterator))
TrueView Code
8.2.4、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才会计算。
注：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：
- 凡是可以作用于for循环的对象都是
Iterable类型。 - 凡是作用于__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，例如：list、dict、str等，是
Iterable但是不是Iterator - 集合数据类型可以通过
iter()函数获得一个Iterator对象。
