接着上一篇Python 十大裝 X 語法（一）
- 列表索引的各種騷操作
Python 引入負整數作爲數組的索引，這絕對是喜大普奔之舉。想想看，在 C/C++ 中，想要數組最後一個元素，得先取得數組長度，減一之後做索引，嚴重影響了思維的連貫性。Python 語言之所以獲得成功，我個人覺得，在諸多因素裏面，列表操作的便捷性是不容忽視的一點。請看：
>>> a = [0, 1, 2, 3, 4, 5]
>>> a[2:4]
[2, 3]
>>> a[3:]
[3, 4, 5]
>>> a[1:]
[1, 2, 3, 4, 5]
>>> a[:]
[0, 1, 2, 3, 4, 5]
>>> a[::2]
[0, 2, 4]
>>> a[1::2]
[1, 3, 5]
>>> a[-1]
5
>>> a[-2]
4
>>> a[1:-1]
[1, 2, 3, 4]
>>> a[::-1]
[5, 4, 3, 2, 1, 0]
如果說，這些你都很熟悉，也經常用，那麼接下來這個用法，你一定會感覺很神奇：
>>> a = [0, 1, 2, 3, 4, 5]
>>> b = ['a', 'b']
>>> a[2:2] = b
>>> a
[0, 1, 'a', 'b', 2, 3, 4, 5]
>>> a[3:6] = b
>>> a
[0, 1, 'a', 'a', 'b', 4, 5]
- lambda 函數
lambda 聽起來很高大上，其實就是匿名函數（瞭解 js 的同學一定很熟悉匿名函數）。匿名函數的應用場景是什麼呢？就是僅在定義匿名函數的地方使用這個函數，其他地方用不到，所以就不需要給它取個阿貓阿狗之類的名字了。下面是一個求和的匿名函數，輸入參數有兩個，x 和 y，函數體就是 x+y，省略了 return 關鍵字。
>>> lambda x,y: x+y
<function <lambda> at 0x000001B2DE5BD598>
>>> (lambda x,y: x+y)(3,4) # 因爲匿名函數沒有名字，使用的時候要用括號把它包起來
匿名函數一般不會單獨使用，而是配合其他方法，爲其他方法提供內置的算法或判斷條件。比如，使用排序函數 sorted 對多維數組或者字典排序時，就可以指定排序規則。
>>> a = [{'name':'B', 'age':50}, {'name':'A', 'age':30}, {'name':'C', 'age':40}]
>>> sorted(a, key=lambda x:x['name']) # 按姓名排序
[{'name': 'A', 'age': 30}, {'name': 'B', 'age': 50}, {'name': 'C', 'age': 40}]
>>> sorted(a, key=lambda x:x['age']) # 按年齡排序
[{'name': 'A', 'age': 30}, {'name': 'C', 'age': 40}, {'name': 'B', 'age': 50}]
再舉一個數組元素求平方的例子，這次用 map 函數：
>>> a = [1,2,3]
>>> for item in map(lambda x:x*x, a):
print(item, end=', ')
1, 4, 9,
- yield 以及生成器和迭代器
yield 這詞兒，真不好翻譯，翻詞典也沒用。我乾脆就讀作“一愛得”，算是外來詞彙吧。要理解 yield，得先了解 generator（生成器）。要了解 generator，得先知道 iterator（迭代器）。哈哈哈，繞暈了吧？算了，我還是說白話吧。
話說 py2 時代，range()返回的是 list，但如果 range(10000000) 的話，會消耗大量內存資源，所以，py2 又搞了一個 xrange()來解決這個問題。py3 則只保留了 xrange()，但寫作 range()。xrange() 返回的就是一個迭代器，它可以像 list 那樣被遍歷，但又不佔用多少內存。generator（生成器）是一種特殊的迭代器，只能被遍歷一次，遍歷結束，就自動消失了。總之，不管是迭代器還是生成器，都是爲了避免使用 list，從而節省內存。那麼，如何得到迭代器和生成器呢？
python 內置了迭代函數 iter，用於生成迭代器，用法如下：
>>> a = [1,2,3]
>>> a_iter = iter(a)
>>> a_iter
<list_iterator object at 0x000001B2DE434BA8>
>>> for i in a_iter:
print(i, end=', ')
1, 2, 3,
yield 則是用於構造生成器的。比如，我們要寫一個函數，返回從 0 到某正整數的所有整數的平方，傳統的代碼寫法是這樣的：
>>> def get_square(n):
result = list()
for i in range(n):
result.append(pow(i,2))
return result
>>> print(get_square(5))
[0, 1, 4, 9, 16]
但是如果計算 1 億以內的所有整數的平方，這個函數的內存開銷會非常大，這是 yield 就可以大顯身手了：
>>> def get_square(n):
for i in range(n):
yield(pow(i,2))
>>> a = get_square(5)
>>> a
<generator object get_square at 0x000001B2DE5CACF0>
>>> for i in a:
print(i, end=', ')
0, 1, 4, 9, 16,
- 裝飾器
剛弄明白迭代器和生成器，這又來個裝飾器，Python 咋這麼多器呢？的確，Python 爲我們提供了很多的武器，裝飾器就是最有力的武器之一。裝飾器很強大，我在這裏嘗試從需求的角度，用一個簡單的例子，說明裝飾器的使用方法和製造工藝。
假如我們需要定義很多個函數，在每個函數運行的時候要顯示這個函數的運行時長，解決方案有很多。比如，可以在調用每個函數之前讀一下時間戳，每個函數運行結束後再讀一下時間戳，求差即可；也可以在每個函數體內的開始和結束位置上讀時間戳，最後求差。不過，這兩個方法，都沒有使用裝飾器那麼簡單、優雅。下面的例子，很好地展示了這一點。
>>> import time
>>> def timer(func):
def wrapper(*args,**kwds):
t0 = time.time()
func(*args,**kwds)
t1 = time.time()
print('耗時%0.3f'%(t1-t0,))
return wrapper
>>> @timer
def do_something(delay):
print('函數do_something開始')
time.sleep(delay)
print('函數do_something結束')
>>> do_something(3)
函數do_something開始
函數do_something結束
耗時3.077
timer()是我們定義的裝飾器函數，使用 @把它附加在任何一個函數（比如 do_something）定義之前，就等於把新定義的函數，當成了裝飾器函數的輸入參數。運行 do_something() 函數，可以理解爲執行了 timer(do_something) 。細節雖然複雜，不過這麼理解不會偏差太大，且更易於把握裝飾器的製造和使用。
- 巧用斷言 assert
所謂斷言，就是聲明表達式的布爾值必須爲真的判定，否則將觸發 AssertionError 異常。嚴格來講，assert 是調試手段，不宜使用在生產環境中，但這不影響我們用斷言來實現一些特定功能，比如，輸入參數的格式、類型驗證等。
>>> def i_want_to_sleep(delay):
assert(isinstance(delay, (int,float))), '函數參數必須爲整數或浮點數'
print('開始睡覺')
time.sleep(delay)
print('睡醒了')
>>> i_want_to_sleep(1.1)
開始睡覺
睡醒了
>>> i_want_to_sleep(2)
開始睡覺
睡醒了
>>> i_want_to_sleep('2')
Traceback (most recent call last):
File "<pyshell#247>", line 1, in <module>
i_want_to_sleep('2')
File "<pyshell#244>", line 2, in i_want_to_sleep
assert(isinstance(delay, (int,float))), '函數參數必須爲整數或浮點數'
AssertionError: 函數參數必須爲整數或浮點數
更多RPA知識，請訪問藝賽旗社區：https://support.i-search.com.cn