基础语法你已经学完了。这一课我们点几个"高手技能点"——它们不是必须的，但掌握后你会：看懂别人代码、写出更简洁优雅的代码。

核心三件套：生成器/迭代器、装饰器、函数式工具（map/filter/推导式）。

一、迭代器：能被"挨个取出"的东西

我们早就用过迭代了——for 循环能遍历列表、字典、集合、字符串，因为它们都是可迭代对象。

for x in [1, 2, 3]:     # 列表可迭代
    print(x)

背后靠的是迭代器协议：对象提供 __iter__ 和 __next__，就能被 for 一个个取。我们用 iter() 和 next() 手动看看：

it = iter([1, 2, 3])
print(next(it))    # 1
print(next(it))    # 2
print(next(it))    # 3
print(next(it))    # StopIteration：取完了

二、生成器：边算边给，省内存

生成器（generator）是一种特殊的迭代器，用 yield 而不是 return。它不一次性算出所有结果，而是用到哪、算到哪：

def 平方生成器(n):
    for i in range(n):
        yield i * i       # yield：给一个，暂停，下次接着算

g = 平方生成器(1000000)    # 不会立刻算 100 万个
print(next(g))            # 0
print(next(g))            # 1
print(next(g))            # 4

对比一下：[i*i for i in range(1000000)] 会立刻在内存里建一个 100 万元素的列表；而生成器版本的 (i*i for i in range(1000000)) 只算用到的。

生成器 = 省内存的懒计算。 处理超大/无限数据时尤其有用：

def 无限自然数():
    n = 0
    while True:
        yield n
        n += 1

it = 无限自然数()
print(next(it))    # 0
print(next(it))    # 1

三、生成器表达式：一行版生成器

列表推导式是 []，生成器表达式是 ()：

squares_list = [x*x for x in range(10)]   # 列表，立刻算好
squares_gen  = (x*x for x in range(10))   # 生成器，懒计算

print(sum(squares_gen))   # 285，sum 会触发它逐个算

四、装饰器：给函数"套壳"

装饰器（decorator）能在不修改原函数的情况下，给它增加额外功能。比如想给函数计时：

import time

def 计时器(func):                     # 装饰器：接受一个函数
    def wrapper(*args, **kwargs):    # 包一层新函数
        start = time.time()
        result = func(*args, **kwargs)
        print(f"耗时 {time.time() - start:.4f} 秒")
        return result
    return wrapper                    # 返回包装后的函数

@计时器                              # 用 @ 挂上装饰器
def 慢函数():
    time.sleep(1)

慢函数()                              # 打印：耗时 1.0000 秒

@计时器 等价于 慢函数 = 计时器(慢函数)——把原函数包一层再赋回去。

装饰器的典型用途：计时、日志、权限校验、缓存。Flask/Django 这些框架里满屏都是 @app.route(...)。

五、函数式工具：map / filter

函数式编程喜欢"把函数作用到数据上"。Python 提供了：

nums = [1, 2, 3, 4, 5]

# map：对每个元素应用函数
list(map(lambda x: x * 2, nums))      # [2, 4, 6, 8, 10]

# filter：按条件过滤
list(filter(lambda x: x % 2 == 0, nums))  # [2, 4]

# reduce：累积（在 functools 里）
from functools import reduce
reduce(lambda a, b: a + b, nums)      # 15，累加

不过 Python 圈更推荐列表推导式，比 map/filter 更直白：

[x * 2 for x in nums]            # 等价 map
[x for x in nums if x % 2 == 0]  # 等价 filter

六、args 和 *kwargs：接收任意参数

装饰器里出现的 *args 和 **kwargs，作用是"接收任意数量的参数"：

def 打印所有(*args):
    for a in args:
        print(a)

打印所有(1, 2, 3, "hello")   # 打包成一个元组

def 打印字典(**kwargs):
    for k, v in kwargs.items():
        print(k, v)

打印字典(name="张三", age=20)   # 打包成一个字典
  • *args：位置参数打包成元组。
  • **kwargs：关键字参数打包成字典。

七、动手时间 🎯

实验 1：斐波那契生成器

def fib(n):
    a, b = 0, 1
    for _ in range(n):
        yield a
        a, b = b, a + b

for x in fib(10):
    print(x, end=" ")
# 0 1 1 2 3 5 8 13 21 34

实验 2：给函数加"日志"装饰器

def 日志(func):
    def wrapper(*args, **kwargs):
        print(f"调用 {func.__name__}，参数 {args}")
        result = func(*args, **kwargs)
        print(f"返回 {result}")
        return result
    return wrapper

@日志
def add(a, b):
    return a + b

add(3, 5)
# 调用 add，参数 (3, 5)
# 返回 8

实验 3：处理大文件用生成器

def 逐行读(path):
    with open(path, "r", encoding="utf-8") as f:
        for line in f:
            yield line.strip()

for line in 逐行读("data.txt"):
    print(line)

八、小结

  1. 生成器用 yield，边算边给、省内存；生成器表达式 (...) 是懒计算版的列表推导式。
  2. 装饰器用 @ 给函数套壳，不改原函数就加功能（计时/日志/缓存），*args/**kwargs 接收任意参数。
  3. map/filter 能实现函数式，但列表推导式往往更直白——优先用推导式。

下一课，我们学 常用工具库 numpy 与 pandas——这是进入数据分析、机器学习世界的门票，几乎所有 ML 代码都离不开它们。

先把「斐波那契生成器」和「日志装饰器」敲熟，进阶语法的手感就长在你脑子里了。

标签: none

添加新评论