python的高级函数（Python教程：高级特性）

时间2025-06-19 08:30:44分类IT科技浏览5057

导读：1.切片 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0，1，2，正好是3个元素。...

1.切片

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0 ，1 ，2 ，正好是3个元素。

如果第一个索引是0 ，还可以省略：

>>> L =[Michael, Sarah, Tracy, Bob, Jack] >>> 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，

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

记住倒数第一个元素的索引是-1 。

切片操作十分有用。我们先创建一个0-99的数列：

>>> L = list(range(100)) [0, 1, 2, 3, ..., 99]

可以通过切片轻松取出某一段数列。比如前10个数：

>>> L[:10] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

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]

甚至什么都不写，只写[:]就可以原样复制一个list：

>>> L[:] [0, 1, 2, 3, ..., 99]

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

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。

S = "abcdefg" print(S[:2]) # ab print(S[::2]) # aceg print(S[::3]) # adg

2.迭代

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，而很多语言比如C或者Java ，迭代list是通过下标完成的，Python的for循环抽象程度要高于Java的for循环，因为Python的for循环不仅可以用在list或tuple上，还可以作用在其他可迭代对象上。

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，比如dict就可以迭代：

>>> d = {a: 1, b: 2, c: 3} >>> for key in d: ... print(key) a c b

因为dict的存储不是按照list的方式顺序排列，所以，迭代出的结果顺序很可能不一样。

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() 。

由于字符串也是可迭代对象，因此，也可以作用于for循环：

>>> for ch in ABC: ... print(ch) ... A B C

所以，当我们使用for循环时，只要作用于一个可迭代对象，for循环就可以正常运行，而我们不太关心该对象究竟是list还是其他数据类型。

那么，如何判断一个对象是可迭代对象呢？方法是通过collections模块的Iterable类型判断：

>>> 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

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)

上面的for循环里，同时引用了两个变量，在Python里是很常见的，比如下面的代码：

>>> for x, y in [(1, 1), (2, 4), (3, 9)]: ... print(x, y)

任何可迭代对象都可以作用于for循环，包括我们自定义的数据类型，只要符合迭代条件，就可以使用for循环。

3.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))

生成[1x1, 2x2, 3x3, ..., 10x10]怎么做？方法一是循环：

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

列表生成式则可以用一行语句代替循环生成上面的list([1x1, 2x2, 3x3, ..., 10x10])：

[x * x for x in range(1, 11)]

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

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

运用列表生成式，可以写出非常简洁的代码。例如，列出当前目录下的所有文件和目录名，可以通过一行代码实现

>>> import os # 导入os模块，模块的概念后面讲到 >>> [d for d in os.listdir(.)] # os.listdir可以列出文件和目录 [.emacs.d, .ssh, .Trash, Adlm, Applications, Desktop, Documents, Downloads, Library, Movies, Music, Pictures, Public, VirtualBox VMs, Workspace, XCode]

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]

练习2

L1 = [Hello, World, 18, Apple, None] print([x.lower() if isinstance(x, str) else x for x in L1])

4.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： g = (x * x for x in range(10)) <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 。

如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值：

next(g)

generator保存的是算法，每次调用next(g) ，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。

不断调用next(g)实在是太变态了，正确的方法是使用for循环，因为generator也是可迭代对象： >>> g = (x * x for x in range(10)) >>> for n in g: ... print(n)

generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。

比如，著名的斐波拉契数列（Fibonacci），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, ...

斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

def fib(max): n, a, b = 0, 0, 1 while n < max: print(b) a, b = b, a + b n = n + 1 return done

仔细观察，可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。

也就是说，上面的函数和generator仅一步之遥。要把fib函数变成generator ，只需要把print(b)改为yield b就可以了：

def fib(max): n, a, b = 0, 0, 1 while n < max: yield b a, b = b, a + b n = n + 1 return done

这就是定义generator的另一种方法。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：

>>> f = fib(6) <generator object fib at 0x104feaaa0>

generator和函数的执行流程不一样。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。

尝试：在上面yield b 下边添加一行print(b) ，调用fib(6) ，并没有任何输出，只有遍历f的时候才会有输出。

举个简单的例子，定义一个generator，依次返回数字1 ，3 ，5：

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

调用该generator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

odd不是普通函数，而是generator，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。

把函数改成generator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：

>>> 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

要理解generator的工作原理，它是在for循环的过程中不断计算出下一个元素，并在适当的条件结束for循环。对于函数改成的generator来说，遇到return语句或者执行到函数体最后一行语句，就是结束generator的指令，for循环随之结束。

5.迭代器

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。

>>> 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

可以使用isinstance()判断一个对象是否是Iterable对象：

而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： #学习中遇到问题没人解答？小编创建了一个Python学习交流群：711312441 >>> from collections import Iterator >>> isinstance((x for x in range(10)), Iterator) True >>> isinstance([], Iterator) False >>> isinstance({}, Iterator) False >>> isinstance(abc, Iterator) 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：

>>> 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。

6.总结

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

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