python05-Debug、函數裝飾器、迭代器、生成器

目錄：

一、Debug操作

二、函數的裝飾器

三、迭代器

四、生成器

一、Debug操作：

程序出問題的時候可以用debug來看一下代碼運行軌跡，然後找找問題在哪裏

1.先給即將debug的代碼打上斷點：

 2.打完斷點之後右鍵點擊debug：

 3.然後依次點擊開始按鈕讓程序開始一步步運行：

二、函數的裝飾器：

定義：裝飾器爲其他函數添加附加功能，本質上還是一個函數

原則：①不修改被修飾函數的源代碼

　　    ②不修改被修飾函數的調用方式

有這樣一個函數：demo()

先導入時間模塊，然後函數執行時先睡兩秒，在執行打印

1 import time
2 def demo():
3     time.sleep(2)
4     print("welcome sir")
5 demo()

現在想爲demo()函數添加一個統計函數運行時間的功能，但是要遵循開放封閉原則

初步思想：

1 import time
2 def demo():
3     start_time = time.time()
4     time.sleep(2)
5     print("welcome sir")
6     end_time = time.time()
7     print("運行時間%s" %(end_time-start_time))
8 demo()

這樣就完美解決了，但是，我們要用可持續發展的眼光來看，假如有十萬個代碼，我們這樣一個一個添加，你不加班誰加班？

這個時候我們可以用函數的思維來解決

進步思想：

 1 import time
 2 def demo():
 3     time.sleep(2)
 4     print("welcome sir")
 5 def timmer(func_name):
 6     def inner():
 7         start_time = time.time()
 8         func_name()
 9         end_time = time.time()
10         print("運行時間%s" %(end_time-start_time))
11     return inner
12 res = timmer(demo)
13 res()

這樣看起來非常Nice，用到了高階函數，嵌套函數，函數閉包，但是我們違反了開放封閉原則，這個時候把res 改成 demo 就可以了

在這裏有一個命令，可以直接略過這個賦值，讓代碼看起來更美觀，執行效率更高

 1 import time
 2 def timmer(func_name):
 3     def inner():
 4         start_time = time.time()
 5         func_name()
 6         end_time = time.time()
 7         print("運行時間%s" %(end_time-start_time))
 8     return inner
 9 @timmer
10 def demo():
11     time.sleep(2)
12     print("welcome sir")
13 demo()

ok，代碼完成，這其實就是一個函數裝飾器，我們來解釋一下代碼運行順序

爲裝飾器加上返回值：

 1 import time
 2 def timmer(func_name):
 3     def inner():
 4         start_time = time.time()
 5         res = func_name()
 6         end_time = time.time()
 7         print("運行時間%s" %(end_time-start_time))
 8         return res
 9     return inner
10 @timmer
11 def demo():
12     time.sleep(2)
13     return '函數demo的返回值'
14 val = demo()
15 print(val)

有參數的裝飾器：

 1 import time
 2 def timmer(func_name):
 3     def inner(*args,**kwargs):
 4         start_time = time.time()
 5         res = func_name(*args,**kwargs)
 6         end_time = time.time()
 7         print("運行時間%s" %(end_time-start_time))
 8         return res
 9     return inner
10 @timmer
11 def demo(name,age):
12     time.sleep(2)
13     return '函數demo的返回值,姓名：%s,年齡：%s' %(name,age)
14 val = demo('zrh',20)
15 print(val)

圖示流程：

三、迭代器： 

可迭代協議：只要包括了"_iter_"方法的數據類型就是可迭代的

1 print([1,2,3].__iter__())  #打印結果：<list_iterator object at 0x000002E7F803DE88>

iterable 形容詞 可迭代的

1 from collections import Iterable  #檢測一個對象是否可迭代
2 print(isinstance('aaa',Iterable))
3 print(isinstance(123,Iterable))
4 print(isinstance([1,2,3],Iterable))

迭代器協議：迭代器中有 __next__ 和 __iter__方法 

iterator 名詞 迭代器，迭代器 就是實現了能從其中一個一個的取出值來

檢測參數是不是個迭代器：

1 from collections import Iterator
2 print(isinstance(lst_iterator,Iterator))
3 print(isinstance([1,2,3],Iterator))

在python裏，目前學過的所有的可以被for循環的基本數據類型都是可迭代的，而不是迭代器。

迭代器包含可迭代對象

可迭代對象轉換爲迭代器：

可迭代對象._iter_()  這樣就變成可一個迭代器

lise_case = [1,2,3].__iter__()

迭代器存在的意義：

1.能夠對python中的基本數據類型進行統一的遍歷,不需要關心每一個值分別是什麼
2.它可以節省內存 —— 惰性運算

for循環的本質：

1 lst_iterator = [1,2,3].__iter__()
2 while True:
3     try:
4         print(lst_iterator.__next__())
5     except StopIteration:
6         break

只不過for循環之後如果參數是一個可迭代對象，python內部會將可迭代對象轉換成迭代器而已。

四、生成器：

Iterator 迭代器

Gerator 生成器

生成器其實就是迭代器，生成器是用戶寫出來的

 1 def generator_func():    #生成器函數
 2     print(123)
 3     yield 'aaa'
 4 generate = generator_func()
 5 print(generate)
 6 print(generate.__next__())
 7 # 打印結果：
 8 # <generator object generator_func at 0x0000018F3942E8C8>
 9 # 123
10 # aaa

帶yield關鍵字的函數就是生成器函數，包含yield語句的函數可以用來創建生成器對象，這樣的函數也稱爲生成器函數。

yield語句與return語句的作用相似，都是用來從函數中返回值，return語句一旦執行會立刻結束函數的運行

而每次執行到yield語句並返回一個值之後會暫停或掛起後面的代碼的執行，下次通過生成器對象的__next__()、for循環或其他方式索要數據時恢復執行

生成器具有惰性求值的特點

生成器運行順序：

生成器問題注意1：

 1 def generator_func():    #生成器函數
 2     print(123)
 3     yield 'aaa'
 4     print(456)
 5     yield 'bbb'
 6 ret_1 = generator_func().__next__()
 7 print(ret_1)
 8 ret_2 = generator_func().__next__()
 9 print(ret_2)
10 # 輸出結果：
11 # 123
12 # aaa
13 # 123
14 # aaa
15 def generator_func():    #生成器函數
16     print(123)
17     yield 'aaa'
18     print(456)
19     yield 'bbb'
20 generate_1 = generator_func()
21 ret_1 = generate_1.__next__()
22 print(ret_1)
23 ret_2 = generate_1.__next__()
24 print(ret_2)
25 # 輸出結果：
26 # 123
27 # aaa
28 # 456
29 # bbb

第6行和第8行相當於創建了兩個生成器，第20行創建了一個生成器，21行和23行都用的是第20行創建的生成器，所以輸出結果不一樣

生成器問題注意2：

 for循環完了之後生成器數據就取完了，再繼續print數據的話，就會報錯，因爲沒有數據可以讀了。

一個函數有兩個以上的yield，纔算一個必要的生成器，如果只有一個yield，那還不如老老實實的去寫return

生成器實例：

需求：寫一個實時監控文件輸入的內容，並將輸入內容返回的函數

1 def tail(filename):
2     f = open(filename,encoding='utf-8')
3     f.seek(0,2)
4     while True:
5         line = f.readline()
6         if not line:continue
7         yield line
8 tail_g = tail('file_1')
9 for line in tail_g:print(line,end='')

生成器send用法：

1.send和next工作的起止位置是完全相同的
2.send可以把一個值作爲信號量傳遞到函數中去
3.在生成器執行伊始，只能先用next
4.只要用send傳遞參數的時候，必須在生成器中還有一個未被返回的yield

 1 def average_func():
 2     total = 0
 3     count = 0
 4     average = 0
 5     while True:
 6         value = yield average
 7         total += value
 8         count += 1
 9         average = total/count
10 g = average_func()
11 print(g.__next__())
12 print(g.send(30))
13 print(g.send(20))

代碼解釋：

 

裝飾器生成激活函數裝置：

 1 def wrapper(func):
 2     def inner(*args,**kwargs):
 3         g = func(*args,**kwargs)
 4         g.__next__()
 5         return g
 6     return inner
 7 @wrapper
 8 def average_func():
 9     total = 0
10     count = 0
11     average = 0
12     while True:
13         value = yield average
14         total += value
15         count += 1
16         average = total/count
17 g = average_func()
18 print(g.send(30))

利用函數裝飾器寫了一個函數激活裝置，就不用在18行之前的send前使用 next 了，next 在第4行已經實現了。

原文出處：https://www.cnblogs.com/zrh918/p/11756082.html