1、列表生成式，迭代器&生成器
要求把列表[0,1,2,3,4,5,6,7,8,9]里面的每个值都加1，如何实现？
匿名函数实现：
a = map(lambda x:x+1, a)
for i in a:
print(i)
列表生成式实现：
a = [i+1 for i in range(10)]
生成器
通过列表生成式，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
要创建一个generator，有很多种方法。
第一种方法：只要把一个列表生成式的[ ]改成( )，就创建了一个generator：
L = [x * x for x in range(10)] g = (x * x for x in range(10))
创建L和g的区别仅在于最外层的[ ]和( )，L是一个list，而g是一个generator。
要一个一个打印出来generator的元素，可以通过next( )函数获得generator的下一个返回值：
next(g)
generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。
正确的调用方法使用for循环，因为generator也是可迭代对象：
g = (x * x for x in range(10))
for n in g:
print(n)
所以，创建了一个generator后，基本上永远不会调用next( )，而是通过for循Iter的c环来迭代它，并且不需要关心StopIteration的错误。
generator非常强大。
如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来显示。
例如：
著名的菲波那切数列，除第一个和第二个数外，任意一个数都可由前两个数相加得到：
1,1,2,3,5,8,13,21,34
用函数打印斐波那契数列：
def fib(max):
n, a, b = 0, 0, 1
while n < max:
print(b)
a, b = b, a + b
n = n + 1
return 'done'
此处的赋值语句：
a, b = b, a + b #相当于： t = (b, a + b) a = t[0] b = t[1]
不必显式写出临时变量t就可以赋值。
上面的函数可以输出菲波那切数列的前N个数：
fib(10)
fib函数实际上是定义了斐波那契额数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。
也就是说，上面的函数和generator仅差一步。要不fib函数变为generator，只需要把print(b)改为yield b即可：
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a+b
n += 1
return 'done'
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。
注意：gener和函数的执行流程不一样。
函数是顺序执行，遇到return语句或者最后一行函数语句就返回。
变为generator的函数，在每次调用next( )的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。
data = fib(10)
print(data)
print(data.__next__())
print(data.__next__())
print("干点别的事")
print(data.__next__())
print(data.__next__())
print(data.__next__())
print(data.__next__())
print(data.__next__())
#输出
<generator object fib at 0x101be02b0>
1
干点别的事
3
8
在上面fib的例子，在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。
同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：
for n in fib(6):
print(n)
但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：
g = fib(6)
while True:
try:
x = next(g)
print('g:', x)
except StopIteration as e:
print("Generator return value:", e.value)
break
还可通过yield实现在单线程的情况下实现并发运算的效果
#_*_coding:utf-8_*_
__author__ = 'Alex Li'
import time
def consumer(name):
print("%s 准备吃包子啦!" %name)
while True:
baozi = yield
print("包子[%s]来了,被[%s]吃了!" %(baozi,name))
def producer(name):
c = consumer('A')
c2 = consumer('B')
c.__next__()
c2.__next__()
print("老子开始准备做包子啦!")
for i in range(10):
time.sleep(1)
print("做了2个包子!")
c.send(i)
c2.send(i)
producer("alex")
迭代器
可以直接作用于for循环的数据类型有以下几种：
1、集合数据类型，如list、tuple、dict、set、str等；
2、generator，包括生成器和带yield的generator function
这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。
可以使用isinstance()判断一个对象是否是Iterable对象：
>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False
而生成器不但可以用于for循环，还可以被next( )函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了。
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：Iterator。
可以使用isinstance( )判断一个对象是否是Iterator对象：
>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False
生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。
把list、dict、str等Iterable变成Iterator可以使用iter( )函数：
>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True
为什么list、dict、str等数据类型不是Iterator?
因为Python的Iter对象表示的是一个数据流，Iterator对象可以被next( )函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next( )函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。
Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。
小结
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，他们表示一个惰性计算的序列；
集合数据类型如list、dict、str等是Iterable但不是Iterator，不过可以通过iter( )函数获得一个Iterator对象。
Python的for循环，本质上就是通过不断调用next( )函数实现的，例如：
for x in [1, 2, 3, 4, 5]:
pass
###完全等价于###
# 首先获得Iterator对象:
it = iter([1, 2, 3, 4, 5])
# 循环:
while True:
try:
# 获得下一个值:
x = next(it)
except StopIteration:
# 遇到StopIteration就退出循环
break
2、装饰器
软件开发原则：“开放-封闭”原则
封闭：已实现的功能代码块不应该被修改；
开放：对现有功能的扩展开放。
2.1函数调用顺序
Python类似其他高级语言，不允许在函数为声明之前，对其进行引用或者调用
#正确示范
#Python为解释执行，函数foo在调用前已经声明了bar和foo，所以bar和foo无顺序之分
def bar():
print "in the bar"
def foo():
print "in the foo"
bar()
foo()
def foo():
print "in the foo"
bar()
def bar():
print "in the bar"
foo()
2.2高阶函数
满足下列条件之一就可以称函数为高阶函数
1、某一函数当做参数传入另一个函数中；
2、函数的返回值包含n个函数，n>0.
#高阶函数示范
def bar():
print "in the bar"
def foo(func):
res = func()
return res
foo(bar)
#高阶函数的牛逼之处：
def foo(func):
return func
print "Function body is %s" %(foo(bar))
print "Function name is %s" %(foo(bar).func_name)
foo(bar)()
#foo(bar)()等同于bar=foo(bar)然后bar()
bar=foo(bar)
bar()
2.3内嵌函数和变量作用域
定义：在一个函数内创建另外一个函数，这种函数就叫做内嵌函数（基于Python支持静态嵌套域）
#函数嵌套示范：
def foo():
def bar():
print "in the bar"
bar()
foo()
#局部作用域和全局作用域的访问顺序
x = 0
def grandpa():
# x=1
def dad():
x=2
def son():
x=3
print(x)
son()
dad()
grandpa()
#局部变量修改对全局变量的影响
y=10
#def test():
# y+=1
# print(y)
def test():
#global y
y=2
print(y)
test()
print(y)
def dad():
m=1
def son():
n=2
print "--->", m + n
print "-->", m
son()
dad()
2.4闭包
如果在一个内部函数里，对在外部作用域（但不是在全局作用域）的变量进行引用，那么内部函数就被认为是 closure
def counter(start_num=0):
count=[start_num]
def incr():
count[0]+=1
return count[0]
return incr
print(counter())
print(counter()())
c=counter()
print(c())
2.5装饰器 = 内嵌函数+高阶函数+闭包
####例一：函数参数固定####
def decorartor(func):
def wrapper(n):
print("starting")
func(n)
print("stopping")
return wrapper
def test(n):
print("in the test arg is %s", %n)
decorartor(test)("alex")
####例二：函数参数不固定####
def decorartor(func):
def wrapper(*args, **kwargs):
print("starting")
func(*args, **kwargs)
print("stopping")
return wrapper
def test(n, x=1):
print("in the test arg is %s" %n)
decorartor(test)("alex", x=2)
2.5.1无参装饰器
import time
def decorator(func):
def wrapper(*args, **kwargs):
start=time.time()
func(*args, **kwargs)
stop=time.time()
print("run time is %s"%(stop-start))
print("timeout")
return wrapper
@decorator
def test(list_test):
for i in list_test:
time.sleep(0.1)
print("-"*20,i)
#decorator(test)(range(10))
test(range(10))
2.5.2有参装饰器
import time
def timer(timeout=0):
def wrapper(*args, **kwargs):
start=time.time()
func(*args, **kwargs)
stop=time.time()
print("run time is %s"%(stop-start))
print(timeout)
return wrapper
return decorator
@timer(2)
def test(list_test):
for i in list_test:
time.sleep(0.1)
print("-"*20,i)
#timer(timeout=10)(test)(range(10))
test(range(10))
3、软件目录结构规范
为什么要设计好目录结构？
设计一个层次清晰的目录结构，可以达到以下两点：
（1）可读性高：不熟悉这个项目代码的人，一眼就能看懂目录结构，知道程序启动脚本是哪个，测试目录在哪，配置文件在哪等等。从而非常快速的了解这个项目；
（2）可维护性高：定义好组织规则后，维护者就能很明确地知道，新增的哪个文件和代码应该放在什么目录下。这个好处是，随着时间的推移，代码/配置的规则增加，项目结构不会混乱，仍然能够组织良好。
目录组织方式
假设项目名为foo，最方便快捷的目录结构这样就足够了：
Foo/
|-- bin/
| |-- foo
|
|-- foo/
| |-- tests/
| | |-- __init__.py
| | |-- test_main.py
| |
| |-- __init__.py
| |-- main.py
|
|-- docs/
| |-- conf.py
| |-- abc.rst
|
|-- setup.py
|-- requirements.txt
|-- README解释如下：
（1）bin/:存放项目的一些可执行文件，当然你可以起名script/之类的也行；
（2）foo/:存放项目的所有源代码。
1）源代码中的所有模块、包都应该放在此目录。不要置于顶层目录
2）其子目录tests/存放单元测试代码
3）程序的入口最好命名为main.py
（3）docs/：存放一些文档
（4）setup.py：安装、部署、打包的脚本
（5）requirement.txt存放软件以来的外部Python包列表
（6）README：项目说明文件
此外，有一些方案给出了更加多的内容。比如LICEBSE.txt，Changelog.txt文件等，这些东西主要是项目开源的时候需要用到。
各个目录的阐述
README内容
每个项目都应该有的一个文件，目的是简要描述该项目信息，让读者快速了解这个项目。
其需要说明以下几项：
（1）软件定位，软件基本功能；
（2）运行代码的方法：安装环境、启动命令等；
（3）简要的使用说明；
（4）代码目录结构说明，更详细点可以说明软件的基本原理；
（5）常见问题说明。
requirements.txt和setup.py
setup.py
一般，用setup.py来管理代码的打包、安装部署问题。业界标准的写法是用Python流行的打包工具setuptools来管理这些事情。这种方式普遍应用于开源项目中。不过这里的核心思想不是用标准化的工具来解决这些问题，而是说，一个项目一定要有一个安装部署工具，能快速便捷的在一台新机器上讲环境装好、代码部署好和讲程序运行起来。
例如：安装环境、部署代码、运行程序这个过程全是手动完成，就会遇到过以下问题:
- 安装环境时经常忘了最近又添加了一个新的Python包，结果一到线上运行，程序就出错了。
- Python包的版本依赖问题，有时候我们程序中使用的是一个版本的Python包，但是官方的已经是最新的包了，通过手动安装就可能装错了。
- 如果依赖的包很多的话，一个一个安装这些依赖是很费时的事情。
- 新同学开始写项目的时候，将程序跑起来非常麻烦，因为可能经常忘了要怎么安装各种依赖。
setup.py可以将这些事情自动化起来，提高效率、减少出错的概率。"复杂的东西自动化，能自动化的东西一定要自动化。"是一个非常好的习惯。
requirements.txt
这个文件存在的目的是：
（1）方便开发者维护软件的包依赖。将开发过程中新增的包添加进这个列表中，避免在setup.py安装依赖时漏掉软件包；
（2）方便读者明确项目使用了哪些Python包。
这个文件的格式是每一行包含一个包依赖的说明，通常是flask>=0.10这种格式。
配置文件的使用方法
很多项目对配置文件的使用做法是：
（1）模块的配置都是可以灵活配置的，不受外部配置文件的影响；
（2）程序的配置也是可以灵活控制的