三周五次课（11月3日）
1.生成式和生成器
1.1列表生成式是python受欢迎的语法之一，通过一句简洁的语法就可以对一组元素进行过滤，还可以对得到的元素进行转换处理。
语法格式为：
[exp for val in collection if condition]
相当于
result = [] for val in collection: if (condition): result.append(exp)
例子：
a = [x * x for x in xrange(10) if x * x % 2 == 0] print(type(a)) print(a)
结果：
<type ‘list‘> [0, 4, 16, 36, 64]
解释：
1，以此取出xrange(10)从0到9的数字
2，判断x*x是偶数，就保留，存在新的字典中
3，把所有符合x*x是偶数的元素都放到新的列表中返回
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）。
生成器是一次生成一个值的特殊类型函数。可以将其视为可恢复函数。调用该函数将返回一个可用于生成连续 x 值的生成器【Generator】，简单的说就是在函数的执行过程中，yield语句会把你需要的值返回给调用生成器的地方，然后退出函数，下一次调用生成器函数的时候又从上次中断的地方开始执行，而生成器内的所有变量参数都会被保存下来供下一次使用。
要创建一个generator，有很多种方法。第一种方法是把一个列表生成式的[]改成()，就创建了一个generator：
例子：
a = (x * x for x in xrange(10) if x * x % 2 == 0) print(type(a)) print(a.next()) print(a.next()) print(‘aaaaaaa‘) for i in a: print(i)
结果：
<type ‘generator‘> 0 4 aaaaaaa 16 36 64
解释：
generator保存的是算法，每次调用next()，就计算出下一个元素的值，直到计算到最后一个元素为止
1.2 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：
在了解这个方法之前，我们先来看一个小例子，更好的帮助你理解yield的使用
def fib(n): sum = 0 i = 0 while (i < n): sum = sum + i i += 1 print(sum) fib(10)
结果：
0 1 3 6 10 15 21 28 36 45
解释：
这个程序很简单，就是求0到9所有数字之和，接下来，我们只要稍微改动一下，你看看有什么差别
def fib(n): sum = 0 i = 0 while (i < n): sum = sum + i i += 1 yield sum for x in fib(10): print(x) print(type(fib(10)))
结果：
0 1 3 6 10 15 21 28 36 45 <type ‘generator‘>
结果和上面的结果是一样的，但是有什么不同呢，简而言之，包含yield语句的函数会被特地编译成生成器。当函数被调用时，他们返回一个生成器对象，这个对象支持迭代器接口。每当遇到yield关键字的时候，你可以理解成函数的return语句，yield后面的值，就是返回的值。但是不像一般的函数在return后退出，生成器函数在生成值后会自动挂起并暂停他们的执行和状态，他的本地变量将保存状态信息，这些信息在函数恢复时将再度有效，下次从yield下面的部分开始执行。
解释：
1，因为以上函数有关键字yield，所以生成的是一个生成器。
2，通过for循环调用生成器，当执行到yield的时候，返回sum的值，sum为0，此时暂停并记录sum的值
3，打印sum的值，然后继续往下执行。此时跳入下一个循环while(1<10)
4，直到遇到yield的时候，返回sum的值。
5，反复执行3,4步骤，直到循环结束，最终程序退出
二者的区别很明显：
一个直接返回了表达式的结果列表， 而另一个是一个对象，该对象包含了对表达式结果的计算引用， 通过循环可以直接输出
生成器不会一次性列出所有的数据，当你用到的时候，再列出来，更加节约内存的使用率。
2.迭代器
Iterable(可迭代对象)和Iterator(迭代器)主要区别是：
凡是可以用for 循环的都是Iterable(可迭代对象)，凡是需要通过next()函数获得值的可迭代对象都是 Iterator(迭代器)。
所以生成器可以被next()函数调用并不断返回下一个值的对象称为迭代器）（可以简单理解为生成器就是迭代器的可迭代对象)
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；
3.装饰器
装饰器本质上是一个Python函数，它可以让其他函数在不需要做任何代码变动的前提下增加额外功能，装饰器的返回值也是一个函数对象。它经常用于有切面需求的场景，比如：插入日志、性能测试、事务处理、缓存、权限校验等场景。装饰器是解决这类问题的绝佳设计，有了装饰器，我们就可以抽离出大量与函数功能本身无关的雷同代码并继续重用。概括的讲，装饰器的作用就是为已经存在的对象添加额外的功能。
简单装饰器
def use_logging(func):
def wrapper(*args, **kwargs):
logging.warn("%s is running" % func.__name__)
return func(*args, **kwargs)
retrun
wrapper
def bar():
print(‘i am bar‘)
bar = use_logging(bar)
bar()
函数use_logging就是装饰器，它把执行真正业务方法的func包裹在函数里面，看起来像bar被use_logging装饰了。在这个例子中，函数进入和退出时 ，被称为一个横切面(Aspect)，这种编程方式被称为面向切面的编程(Aspect-Oriented Programming)。
@符号是装饰器的语法糖，在定义函数的时候使用，避免再一次赋值操作
def use_logging(func):
def wrapper(*args, **kwargs):
logging.warn("%s is running" % func.__name__)
return func(*args)
retrun
wrapper
@use_logging
def foo():
print("i am foo")
@use_logging
def bar():
print("i am bar")
bar()
如上所示，这样我们就可以省去bar = use_logging(bar)这一句了，直接调用bar()即可得到想要的结果。如果我们有其他的类似函数，我们可以继续调用装饰器来修饰函数，而不用重复修改函数或者增加新的封装。这样，我们就提高了程序的可重复利用性，并增加了程序的可读性。
装饰器在Python使用如此方便都要归因于Python的函数能像普通的对象一样能作为参数传递给其他函数，可以被赋值给其他变量，可以作为返回值，可以被定义在另外一个函数内。
练习题：用函数实现9*9乘法口诀
for i in range(1, 10):
for j in range(1, i + 1):
print j, ‘*‘, i, ‘=‘, i * j, ‘ ‘,
print("")
结果：
1 * 1 = 1 1 * 2 = 2 2 * 2 = 4 1 * 3 = 3 2 * 3 = 6 3 * 3 = 9 1 * 4 = 4 2 * 4 = 8 3 * 4 = 12 4 * 4 = 16 1 * 5 = 5 2 * 5 = 10 3 * 5 = 15 4 * 5 = 20 5 * 5 = 25 1 * 6 = 6 2 * 6 = 12 3 * 6 = 18 4 * 6 = 24 5 * 6 = 30 6 * 6 = 36 1 * 7 = 7 2 * 7 = 14 3 * 7 = 21 4 * 7 = 28 5 * 7 = 35 6 * 7 = 42 7 * 7 = 49 1 * 8 = 8 2 * 8 = 16 3 * 8 = 24 4 * 8 = 32 5 * 8 = 40 6 * 8 = 48 7 * 8 = 56 8 * 8 = 64 1 * 9 = 9 2 * 9 = 18 3 * 9 = 27 4 * 9 = 36 5 * 9 = 45 6 * 9 = 54 7 * 9 = 63 8 * 9 = 72 9 * 9 = 81