Python语言学习笔记（一）
Python简介
Python是著名的“龟叔”Guido van Rossum（吉多·范罗苏姆）在1989年圣诞节期间，为了打发无聊的圣诞节而编写的一个编程语言。
Python为我们提供了非常完善的基础代码库，覆盖了网络、文件、GUI、数据库、文本等大量内容，被形象地称作“内置电池（batteries included）”。用Python开发，许多功能不必从零编写，直接使用现成的即可。除了内置的库外，Python还有大量的第三方库。
Python解释器
CPython
当我们从Python官方网站下载并安装好Python 3.5后，我们就直接获得了一个官方版本的解释器：CPython。这个解释器是用C语言开发的，所以叫CPython。在命令行下运行python就是启动CPython解释器。
IPython
IPython是基于CPython之上的一个交互式解释器，也就是说，IPython只是在交互方式上有所增强，但是执行Python代码的功能和CPython是完全一样的。
其他解释器（仅做了解）
PyPy、Jython
Python基础
数据类型和变量
整数、浮点数、字符串、布尔值、空值
变量、常量
Python支持多种数据类型，在计算机内部，可以把任何数据都看成一个“对象”，而变量就是在程序中用来指向这些数据对象的，对变量赋值就是把数据和变量给关联起来。
字符串输出格式控制
如果字符串里面有很多字符都需要转义，就需要加很多\，为了简化，Python还允许用r''表示''内部的字符串默认不转义。
>>> print(r'\\\t\\') \\\t\\ |
如果字符串内部有很多换行，用\n写在一行里不好阅读，为了简化，Python允许用'''...'''的格式表示多行内容。
print('''line1 line2 line3''') |
关于空值
空值是Python里一个特殊的值，用None表示。None不能理解为0，因为0是有意义的，而None是一个特殊的空值。
字符串编码问题
ASCII、Unicode、UTF-8因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。于是有了编码。
最早的ASCII编码，因为是美国人发明的，只有127个字符被编码到计算机里，所以只能处理英文字母的编码。一个字节便满足范围。
要处理中文显然一个字节不够，至少要两个字节，于是中国制定了GB2312编码，用来把中文编进去。
然而全世界有各国语言，日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里，各国有各国的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。
为了解决这个问题，Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题。Unicode编码通常是2个字节。现代操作系统和大多数编程语言都直接支持Unicode。
有了Unicode，乱码问题解决了，但是新的问题是，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。
又出现了把Unicode编码转化为“可变长编码”的UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间。另外它兼容ASCII编码，大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。
所以，总结下来，现在计算机系统通用的字符编码工作方式是，在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。
Python中的字符串处理
Python的字符串是以Unicode编码的，也就是说，Python的字符串支持多语言。
由于Python的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节。如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes。
转换方法：以Unicode表示的str通过encode()方法可以编码为指定的bytes。
反过来，如果我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。要把bytes变为str，就需要用decode()方法。
>>> '中文'.encode('utf-8') b'\xe4\xb8\xad\xe6\x96\x87'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8') '中文' |
list、tuple、dict、set
list
list里面的元素的数据类型可以不同。
tuple
tuple和list非常类似，本质区别在于tuple的不可变性，tuple一旦初始化就不能修改。
括号既可以表示tuple，又可以表示数学公式中的小括号。为消除歧义，只有1个元素的tuple定义时必须加一个逗号。
set
set和dict类似，也是一组key的集合，但不存储value。由于key不能重复，所以，在set中，没有重复的key。重复元素在set中会自动被过滤。两个set可以做数学意义上的交集、并集等操作。set的原理和dict一样，所以，同样不可以放入可变对象。
函数
函数名其实就是指向一个函数对象的引用，完全可以把函数名赋给一个变量，相当于给这个函数起了一个“别名”。
函数可以返回多个值：在语法上，返回一个tuple可以省略括号，而多个变量可以同时接收一个tuple，按位置赋给对应的值，所以，Python的函数返回多值其实就是返回一个tuple，但写起来更方便。
函数的参数
默认参数
必选参数在前，默认参数在后，否则Python的解释器会报错。
可以不按顺序提供部分默认参数。当不按顺序提供部分默认参数时，需要把参数名写上。
默认参数必须指向不变对象！举反例：
def add_end(L=[]):
'END')
return L
#正常调用，结果没有错
>>> add_end([1, 2, 3])
[1, 2, 3, 'END']
>>> add_end(['x', 'y', 'z'])
['x', 'y', 'z', 'END']
#使用默认参数调用，一开始结果是对的，但是再次调用结果就不对了
>>> add_end()
['END']
>>> add_end()
['END', 'END']
>>> add_end()
['END', 'END', 'END']
python函数在定义的时候，默认参数L的值就已经被计算出来了，即[]。
因为默认参数L也是一个变量，它指向对象[]，每次调用该函数，如果改变了L的内容，则下次调用时，默认参数的内容就变了，不再是函数定义时的[]了。
可变参数
可变参数就是传入的参数个数是可变的。仅仅在参数前面加了一个*号就可以。
def calc(*numbers):
0
for n in numbers:
sum = sum + n * n
return sum
>>> calc(1, 2, 3)
14
>>> calc(1, 3, 5, 7)
84
#对于list，可以这样传入
>>> nums = [1, 2, 3]
>>> calc(*nums)
14
可变参数允许你传入0个或任意个参数，这些可变参数在函数调用时自动组装为一个tuple。
关键字参数
关键字参数允许你传入0个或任意个含参数名的参数，这些关键字参数在函数内部自动组装为一个dict。
def person(name, age, **kw):
'name:', name, 'age:', age, 'other:', kw)
>>> person('Adam', 45, gender='M', job='Engineer')
name: Adam age: 45 other: {'gender': 'M', 'job': 'Engineer'}
>> extra = {'city': 'Beijing', 'job': 'Engineer'}
>>> person('Jack', 24, **extra)
name: Jack age: 24 other: {'city': 'Beijing', 'job': 'Engineer'}
**extra表示把extra这个dict的所有key-value用关键字参数传入到函数的**kw参数，kw将获得一个dict，注意kw获得的dict是extra的一份拷贝，对kw的改动不会影响到函数外的extra。
命名关键字参数
如果要限制关键字参数的名字，就可以用命名关键字参数，例如，只接收city和job作为关键字参数。
def person(name, age, *, city, job):
print(name, age, city, job)
>>> person('Jack', 24, city='Beijing', job='Engineer')
Jack 24 Beijing Engineer
和关键字参数**kw不同，命名关键字参数需要一个特殊分隔符*，*后面的参数被视为命名关键字参数。
参数组合
在Python中定义函数，可以用必选参数、默认参数、可变参数、关键字参数和命名关键字参数，这5种参数都可以组合使用。但是请注意，参数定义的顺序必须是：必选参数、默认参数、可变参数、命名关键字参数和关键字参数。
def f1(a, b, c=0, *args, **kw):
'a =', a, 'b =', b, 'c =', c, 'args =', args, 'kw =', kw)
def f2(a, b, c=0, *, d, **kw):
'a =', a, 'b =', b, 'c =', c, 'd =', d, 'kw =', kw)
>>> f1(1, 2)
a = 1 b = 2 c = 0 args = () kw = {}
>>> f1(1, 2, c=3)
a = 1 b = 2 c = 3 args = () kw = {}
>>> f1(1, 2, 3, 'a', 'b')
a = 1 b = 2 c = 3 args = ('a', 'b') kw = {}
>>> f1(1, 2, 3, 'a', 'b', x=99)
a = 1 b = 2 c = 3 args = ('a', 'b') kw = {'x': 99}
>>> f2(1, 2, d=99, ext=None)
a = 1 b = 2 c = 0 d = 99 kw = {'ext': None}
高级特性
切片
典型的如list。
#取后10个数
>>> L[-10:]
[90, 91, 92, 93, 94, 95, 96, 97, 98, 99]
#前10个数，每两个取一个
>>> L[:10:2]
[0, 2, 4, 6, 8]
#所有数，每5个取一个
>>> L[::5]
[0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95]
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。因此，字符串也可以用切片操作，只是操作结果仍是字符串。
>>> (0, 1, 2, 3, 4, 5)[:3]
(0, 1, 2)
>>> 'ABCDEFG'[:3]
'ABC'
>>> 'ABCDEFG'[::2]
'ACEG'
可迭代对象 Iterable
只要是可迭代对象，就可以使用for循环来迭代。
如何判断一个对象是否可迭代对象？可以通过collections模块的Iterable类型来判断。
>>> from collections 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
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
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。
用列表生成式，一行就可以搞定。
>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
>>> [x * x for x in range(1, 11) if x % 2 == 0]
[4, 16, 36, 64, 100]
>>> [m + n for m in 'ABC' for n in 'XYZ']
['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']
>>> d = {'x': 'A', 'y': 'B', 'z': 'C' }
>>> [k + '=' + v for k, v in d.items()]
['y=B', 'x=A', 'z=C']
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。
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。而在python中这种一边循环一边计算的机制，称为生成器：generator。generator是非常强大的工具。
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。
>>> 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>
定义generator的另一种方法是，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):
0, 0, 1
while n < max:
yield b
a, b = b, a + b
1
return 'done'
可以通过next()函数获得generator的下一个返回值，直到没有更多的元素时，会抛出StopIteration错误。但这种方法有点那啥了，正确的方法是使用for循环，因为generator也是可迭代对象。通过for循环来迭代它，我们还不需要关心StopIteration的错误。
>>> g = (x * x for x in range(3))
>>> for n in g:
... print(n)
...
0
1
4
>>> for n in fib(6):
... print(n)
...
1
1
2
3
5
8
for循环过程中不断调用yield，就会不断中断,获得yeild的返回值。但是for循环没法获得retunrn语句的返回值。想要拿到返回值，就必须捕获StopIteration错误，返回值包含在StopIteration的value中：
>>> g = fib(6)
>>> while True:
... try:
... x = next(g)
... print('g:', x)
... except StopIteration as e:
... print('Generator return value:', e.value)
... break
...
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
Generator return value: done
迭代器 Iterator
Iterable类型：凡是可作用于for循环的对象都是Iterable类型，统称可迭代对象。我们已知的数据类型有：一类是集合数据类型，如list、tuple、dict、set、str等。一类就是generator，可以使用isinstance()判断一个对象是否是Iterable对象。
迭代器Iterator：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。
生成器generator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。为什么它们不能是Iterator呢？
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。Iterator甚至可以表示一个无限大的数据流。
>>> from collections import Iterable
>>> from collections import Iterator
>>> isinstance([], Iterable)
True
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance(iter([]), Iterator)
True
Python的for循环本质上就是通过不断调用next()函数实现的，两者等价：
for x in [1, 2, 3, 4, 5]:
pass
# 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
