Python函数基础回顾 | 您所在的位置:网站首页 › tuple函数可以将列表或字符串转化为元组 › Python函数基础回顾 |
文章和代码等已经归档至【Github仓库:https://github.com/timerring/dive-into-AI 】或者公众号【AIShareLab】回复 python数据分析 也可获取。 函数函数使用def关键字声明,用return关键字返回值: def my_function(x, y, z=1.5): if z > 1: return z * (x + y) else: return z / (x + y)函数可以有一些位置参数(positional)和一些关键字参数(keyword)。关键字参数通常用于指定默认值或可选参数。在上面的函数中,x和y是位置参数,而z则是关键字参数。 # 调用方法 my_function(5, 6, z=0.7) my_function(3.14, 7, 3.5) my_function(10, 20)函数参数的主要限制在于:关键字参数必须位于位置参数(如果有的话)之后。你可以任何顺序指定关键字参数。 可以用关键字传递位置参数。 my_function(x=5, y=6, z=7) my_function(y=6, x=5, z=7) 命名空间、作用域,和局部函数函数可以访问两种不同作用域中的变量:全局(global)和局部(local)。Python有一种更科学的用于描述变量作用域的名称,即命名空间(namespace)。任何在函数中赋值的变量默认都是被分配到局部命名空间(local namespace)中的。局部命名空间是在函数被调用时创建的,函数参数会立即填入该命名空间。在函数执行完毕之后,局部命名空间就会被销毁(会有一些例外的情况,具体请参见后面介绍闭包的那一节)。看看下面这个函数: def func(): a = [] for i in range(5): a.append(i)调用func()之后,首先会创建出空列表a,然后添加5个元素,最后a会在该函数退出的时候被销毁。假如我们像下面这样定义a: a = [] def func(): for i in range(5): a.append(i)虽然可以在函数中对全局变量进行赋值操作,但是那些变量必须用global关键字声明成全局的才行: In [168]: a = None In [169]: def bind_a_variable(): .....: global a .....: a = [] .....: bind_a_variable() .....: In [170]: print(a) []注意:我常常建议人们不要频繁使用global关键字。因为全局变量一般是用于存放系统的某些状态的。如果你发现自己用了很多,那可能就说明得要来点儿面向对象编程了(即使用类)。 返回多个值Python的一个功能是:函数可以返回多个值。 def f(): a = 5 b = 6 c = 7 return a, b, c # 这操作类似于拆元组 a, b, c = f()在数据分析和其他科学计算应用中,你会发现自己常常这么干。该函数其实只返回了一个对象,也就是一个元组,最后该元组会被拆包到各个结果变量中。在上面的例子中,我们还可以这样写: return_value = f()这里的return_value将会是一个含有3个返回值的三元元组。此外,还有一种非常具有吸引力的多值返回方式——返回字典: def f(): a = 5 b = 6 c = 7 return {'a' : a, 'b' : b, 'c' : c} 函数也是对象由于Python函数都是对象,因此,在其他语言中较难表达的一些设计思想在Python中就要简单很多了。假设我们有下面这样一个字符串数组,希望对其进行一些数据清理工作并执行一堆转换: In [171]: states = [' Alabama ', 'Georgia!', 'Georgia', 'georgia', 'FlOrIda', .....: 'south carolina##', 'West virginia?']不管是谁,只要处理过由用户提交的调查数据,就能明白这种乱七八糟的数据是怎么一回事。为了得到一组能用于分析工作的格式统一的字符串,需要做很多事情:去除空白符、删除各种标点符号、正确的大写格式等。做法之一是使用内建的字符串方法和正则表达式re模块: import re def clean_strings(strings): result = [] for value in strings: value = value.strip() value = re.sub('[!#?]', '', value) value = value.title() # 首字母大写 result.append(value) return result结果如下所示: In [173]: clean_strings(states) Out[173]: ['Alabama', 'Georgia', 'Georgia', 'Georgia', 'Florida', 'South Carolina', 'West Virginia']其实还有另外一种不错的办法:将需要在一组给定字符串上执行的所有运算做成一个列表: def remove_punctuation(value): return re.sub('[!#?]', '', value) clean_ops = [str.strip, remove_punctuation, str.title] def clean_strings(strings, ops): result = [] for value in strings: for function in ops: # 中间经过clean_ops的三层处理 value = function(value) result.append(value) return result然后我们就有了: In [175]: clean_strings(states, clean_ops) Out[175]: ['Alabama', 'Georgia', 'Georgia', 'Georgia', 'Florida', 'South Carolina', 'West Virginia']这种多函数模式使你能在很高的层次上轻松修改字符串的转换方式。此时的clean_strings也更具可复用性! 还可以将函数用作其他函数的参数,比如内置的map函数,它用于在一组数据上应用一个函数: In [176]: for x in map(remove_punctuation, states): .....: print(x) Alabama Georgia Georgia georgia FlOrIda south carolina West virginia 匿名(lambda)函数Python支持一种被称为匿名的、或lambda函数。它仅由单条语句组成,该语句的结果就是返回值。它是通过lambda关键字定义的,这个关键字没有别的含义,仅仅是说“我们正在声明的是一个匿名函数”。 def short_function(x): return x * 2 # lambda后的x就是指自变量 equiv_anon = lambda x: x * 2本书其余部分一般将其称为lambda函数。它们在数据分析工作中非常方便,因为你会发现很多数据转换函数都以函数作为参数的。直接传入lambda函数比编写完整函数声明要少输入很多字(也更清晰),甚至比将lambda函数赋值给一个变量还要少输入很多字。看看下面这个简单得有些傻的例子: def apply_to_list(some_list, f): return [f(x) for x in some_list] ints = [4, 0, 1, 5, 6] apply_to_list(ints, lambda x: x * 2)虽然你可以直接编写[x *2for x in ints],但是这里我们可以非常轻松地传入一个自定义运算给apply_to_list函数。 再来看另外一个例子。假设有一组字符串,你想要根据各字符串不同字母的数量对其进行排序: In [177]: strings = ['foo', 'card', 'bar', 'aaaa', 'abab']这里,我们可以传入一个lambda函数到列表的sort方法: In [178]: strings.sort(key=lambda x: len(set(list(x)))) In [179]: strings Out[179]: ['aaaa', 'foo', 'abab', 'bar', 'card']笔记:lambda函数之所以会被称为匿名函数,与def声明的函数不同,原因之一就是这种函数对象本身是没有提供名称__name__属性。 柯里化:部分参数应用柯里化(currying)是一个有趣的计算机科学术语,它指的是通过“部分参数应用”(partial argument application)从现有函数派生出新函数的技术。例如,假设我们有一个执行两数相加的简单函数: def add_numbers(x, y): return x + y通过这个函数,我们可以派生出一个新的只有一个参数的函数——add_five,它用于对其参数加5: add_five = lambda y: add_numbers(5, y)add_numbers的第二个参数称为“柯里化的”(curried)。这里没什么特别花哨的东西,因为我们其实就只是定义了一个可以调用现有函数的新函数而已。内置的functools模块可以用partial函数将此过程简化: from functools import partial add_five = partial(add_numbers, 5) 生成器能以一种一致的方式对序列进行迭代(比如列表中的对象或文件中的行)是Python的一个重要特点。这是通过一种叫做迭代器协议(iterator protocol,它是一种使对象可迭代的通用方式)的方式实现的,一个原生的使对象可迭代的方法。比如说,对字典进行迭代可以得到其所有的键: In [180]: some_dict = {'a': 1, 'b': 2, 'c': 3} In [181]: for key in some_dict: .....: print(key) a b c当你编写for key in some_dict时,Python解释器首先会尝试从some_dict创建一个迭代器: In [182]: dict_iterator = iter(some_dict) In [183]: dict_iterator Out[183]:迭代器是一种特殊对象,它可以在诸如for循环之类的上下文中向Python解释器输送对象。大部分能接受列表之类的对象的方法也都可以接受任何可迭代对象。比如min、max、sum等内置方法以及list、tuple等类型构造器: In [184]: list(dict_iterator) Out[184]: ['a', 'b', 'c']生成器(generator)是构造新的可迭代对象的一种简单方式。一般的函数执行之后只会返回单个值,而生成器则是以延迟的方式返回一个值序列,即每返回一个值之后暂停,直到下一个值被请求时再继续。要创建一个生成器,只需将函数中的return替换为yeild即可: def squares(n=10): print('Generating squares from 1 to {0}'.format(n ** 2)) for i in range(1, n + 1): yield i ** 2调用该生成器时,没有任何代码会被立即执行: In [186]: gen = squares() In [187]: gen Out[187]:直到你从该生成器中请求元素时,它才会开始执行其代码: In [188]: for x in gen: .....: print(x, end=' ') Generating squares from 1 to 100 1 4 9 16 25 36 49 64 81 100 生成器表达式另一种更简洁的构造生成器的方法是使用生成器表达式(generator expression)。这是一种类似于列表、字典、集合推导式的生成器。其创建方式为,把列表推导式两端的方括号改成圆括号: In [189]: gen = (x ** 2 for x in range(100)) In [190]: gen Out[190]:它跟下面这个冗长得多的生成器是完全等价的: def _make_gen(): for x in range(100): yield x ** 2 gen = _make_gen()生成器表达式也可以取代列表推导式,作为函数参数: In [191]: sum(x ** 2 for x in range(100)) Out[191]: 328350 In [192]: dict((i, i **2) for i in range(5)) Out[192]: {0: 0, 1: 1, 2: 4, 3: 9, 4: 16} itertools模块标准库itertools模块中有一组用于许多常见数据算法的生成器。例如,groupby可以接受任何序列和一个函数。它根据函数的返回值对序列中的连续元素进行分组。下面是一个例子: In [193]: import itertools In [194]: first_letter = lambda x: x[0] In [195]: names = ['Alan', 'Adam', 'Wes', 'Will', 'Albert', 'Steven'] In [196]: for letter, names in itertools.groupby(names, first_letter): .....: print(letter, list(names)) # names is a generator A ['Alan', 'Adam'] W ['Wes', 'Will'] A ['Albert'] S ['Steven']表3-2中列出了一些我经常用到的itertools函数。建议参阅Python官方文档,进一步学习。 优雅地处理Python的错误和异常是构建健壮程序的重要部分。在数据分析中,许多函数只用于部分输入。例如,Python的float函数可以将字符串转换成浮点数,但输入有误时,有ValueError错误: In [197]: float('1.2345') Out[197]: 1.2345 In [198]: float('something') --------------------------------------------------------------------------- ValueError Traceback (most recent call last) in () ----> 1 float('something') ValueError: could not convert string to float: 'something'假如想优雅地处理float的错误,让它返回输入值。我们可以写一个函数,在try/except中调用float: def attempt_float(x): try: return float(x) except: return x当float(x)抛出异常时,才会执行except的部分: In [200]: attempt_float('1.2345') Out[200]: 1.2345 In [201]: attempt_float('something') Out[201]: 'something'你可能注意到float抛出的异常不仅是ValueError: In [202]: float((1, 2)) --------------------------------------------------------------------------- TypeError Traceback (most recent call last) in () ----> 1 float((1, 2)) TypeError: float() argument must be a string or a number, not 'tuple'你可能只想处理ValueError,TypeError错误(输入不是字符串或数值)可能是合理的bug。可以写一个异常类型: def attempt_float(x): try: return float(x) except ValueError: return x然后有: In [204]: attempt_float((1, 2)) --------------------------------------------------------------------------- TypeError Traceback (most recent call last) in () ----> 1 attempt_float((1, 2)) in attempt_float(x) 1 def attempt_float(x): 2 try: ----> 3 return float(x) 4 except ValueError: 5 return x TypeError: float() argument must be a string or a number, not 'tuple'可以用元组包含多个异常: def attempt_float(x): try: return float(x) except (TypeError, ValueError): return x某些情况下,你可能不想抑制异常,你想无论try部分的代码是否成功,都执行一段代码。可以使用finally: f = open(path, 'w') try: write_to_file(f) finally: f.close()这里,文件处理f总会被关闭。相似的,你可以用else让只在try部分成功的情况下,才执行代码: f = open(path, 'w') try: write_to_file(f) except: print('Failed') else: print('Succeeded') finally: f.close() IPython的异常如果是在%run一个脚本或一条语句时抛出异常,IPython默认会打印完整的调用栈(traceback),在栈的每个点都会有几行上下文: In [10]: %run examples/ipython_bug.py --------------------------------------------------------------------------- AssertionError Traceback (most recent call last) /home/wesm/code/pydata-book/examples/ipython_bug.py in () 13 throws_an_exception() 14 ---> 15 calling_things() /home/wesm/code/pydata-book/examples/ipython_bug.py in calling_things() 11 def calling_things(): 12 works_fine() ---> 13 throws_an_exception() 14 15 calling_things() /home/wesm/code/pydata-book/examples/ipython_bug.py in throws_an_exception() 7 a = 5 8 b = 6 ----> 9 assert(a + b == 10) 10 11 def calling_things(): AssertionError:自身就带有文本是相对于Python标准解释器的极大优点。你可以用魔术命令%xmode,从Plain(与Python标准解释器相同)到Verbose(带有函数的参数值)控制文本显示的数量。后面可以看到,发生错误之后,(用%debug或%pdb magics)可以进入stack进行事后调试。 |
今日新闻 |
推荐新闻 |
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 |