進階
函式
在Python中，定義一個函式要使用def語句，依次寫出函式名、括號、括號中的引數和冒號:，然後，在縮排塊中編寫函式體，函式的返回值用return語句返回。
我們以自定義一個求絕對值的my_abs函式為例：
def my_abs(x):
if x >= 0:
return x
else:
return -x複製程式碼請注意，函式體內部的語句在執行時，一旦執行到return時，函式就執行完畢，並將結果返回。因此，函式內部通過條件判斷和迴圈可以實現非常複雜的邏輯。
如果沒有return語句，函式執行完畢後也會返回結果，只是結果為None。
return None可以簡寫為return。
python中函式沒有返回值型別宣告，同時，函式名其實就是指向一個函式物件的引用，完全可以把函式名賦給一個變數，相當於給這個函式起了一個“別名”：
>>> a = abs # 變數a指向abs函式
>>> a(-1) # 所以也可以通過a呼叫abs函式
1複製程式碼位置引數
我們先寫一個計算x2的函式：
def power(x):
return x * x複製程式碼對於power(x)函式，引數x就是一個位置引數。
當我們呼叫power函式時，必須傳入有且僅有的一個引數x：
預設引數
def power(x , y = 2):
return x * y複製程式碼我們呼叫時既可以這樣用power(2,3），也可以這樣用power(2),明顯的，當我們不傳遞y這個引數時，方法內部會去y的預設值進行運算，也就是2
預設引數可以簡化函式的呼叫。設定預設引數時，有幾點要注意：
必選引數在前，預設引數在後，否則Python的直譯器會報錯（思考一下為什麼預設引數不能放在必選引數前面）；
如何設定預設引數。
當函式有多個引數時，把變化大的引數放前面，變化小的引數放後面。變化小的引數就可以作為預設引數。
使用預設引數有什麼好處？最大的好處是能降低呼叫函式的難度。因為有些引數，可能我們大部分時間傳遞的是同樣的值。
注意事項：
- 定義預設引數要牢記一點：預設引數必須指向不變物件！
- 定義預設引數要牢記一點：預設引數必須指向不變物件！
- 定義預設引數要牢記一點：預設引數必須指向不變物件！
舉例說明，先定義一個函式，傳入一個list，新增一個END再返回：
def add_end(L=[]):
L.append('END')
return L複製程式碼當你正常呼叫時，結果似乎不錯：
>>> add_end([1, 2, 3])
[1, 2, 3, 'END']
>>> add_end(['x', 'y', 'z'])
['x', 'y', 'z', 'END']複製程式碼當你使用預設引數呼叫時，一開始結果也是對的：
>>> add_end()
['END']複製程式碼但是，再次呼叫add_end()時，結果就不對了：
>>> add_end()
['END', 'END']
>>> add_end()
['END', 'END', 'END']複製程式碼很多初學者很疑惑，預設引數是[]，但是函式似乎每次都“記住了”上次新增了'END'後的list。
原因解釋如下：
Python函式在定義的時候，預設引數L的值就被計算出來了，即[]，因為預設引數L也是一個變數，它指向物件[]，每次呼叫該函式，如果改變了L的內容，則下次呼叫時，預設引數的內容就變了，不再是函式定義時的[]了。
所以，定義預設引數要牢記一點：預設引數必須指向不變物件！
要修改上面的例子，我們可以用None這個不變物件來實現：
def add_end(L=None):
if L is None:
L = []
L.append('END')
return L複製程式碼現在，無論呼叫多少次，都不會有問題：
>>> add_end()
['END']
>>> add_end()
['END']複製程式碼為什麼要設計str、None這樣的不變物件呢？因為不變物件一旦建立，物件內部的資料就不能修改，這樣就減少了由於修改資料導致的錯誤。此外，由於物件不變，多工環境下同時讀取物件不需要加鎖，同時讀一點問題都沒有。我們在編寫程式時，如果可以設計一個不變物件，那就儘量設計成不變物件。
可變引數
定義與java類似,基本使用方法如下：
def calc(*numbers):
sum = 0
for n in numbers:
sum = sum + n * n
return sum複製程式碼對於已經存在的list型別引數，可變引數的使用方法和java略有不同，不能直接傳入該變數，需要增加*
>>> nums = [1, 2, 3]
>>> calc(*nums)
14複製程式碼*nums表示把nums這個list的所有元素作為可變引數傳進去。這種寫法相當有用，而且很常見。
關鍵字引數
可變引數允許你傳入0個或任意個引數，這些可變引數在函式呼叫時自動組裝為一個tuple。而關鍵字引數允許你傳入0個或任意個含引數名的引數，這些關鍵字引數在函式內部自動組裝為一個dict。請看示例：
def person(name, age, **kw):
print('name:', name, 'age:', age, 'other:', kw)複製程式碼函式person除了必選引數name和age外，還接受關鍵字引數kw。在呼叫該函式時，可以只傳入必選引數：
>>> person('Michael', 30)
name: Michael age: 30 other: {}複製程式碼也可以傳入任意個數的關鍵字引數：
>>> person('Bob', 35, city='Beijing')
name: Bob age: 35 other: {'city': 'Beijing'}
>>> person('Adam', 45, gender='M', job='Engineer')
name: Adam age: 45 other: {'gender': 'M', 'job': 'Engineer'}複製程式碼和可變引數類似，也可以先組裝出一個dict，然後，把該dict轉換為關鍵字引數傳進去：
>>> extra = {'city': 'Beijing', 'job': 'Engineer'}
>>> person('Jack', 24, **extra)
name: Jack age: 24 other: {'city': 'Beijing', 'job': 'Engineer'}複製程式碼**extra表示把extra這個dict的所有key-value用關鍵字引數傳入到函式的kw引數，kw將獲得一個dict，
注意kw獲得的dict是extra的一份拷貝，對kw的改動不會影響到函式外的extra。
命名關鍵字引數
對於關鍵字引數，函式的呼叫者可以傳入任意不受限制的關鍵字引數。至於到底傳入了哪些，就需要在函式內部檢查。
如果要限制關鍵字引數的名字，就可以用命名關鍵字引數，例如，只接收city和job作為關鍵字引數。這種方式定義的函式如下：
def person(name, age, *, city, job):
print(name, age, city, job)
和關鍵字引數**kw不同，命名關鍵字引數需要一個特殊分隔符*，*後面的引數被視為命名關鍵字引數。
呼叫方式如下：
~~~python
>>> person('Jack', 24, city='Beijing', job='Engineer')
Jack 24 Beijing Engineer複製程式碼如果函式定義中已經有了一個可變引數，後面跟著的命名關鍵字引數就不再需要一個特殊分隔符*了：
def person(name, age, *args, city, job):
print(name, age, args, city, job)複製程式碼命名關鍵字引數必須傳入引數名，這和位置引數不同。如果沒有傳入引數名，呼叫將報錯：
>>> person('Jack', 24, 'Beijing', 'Engineer')
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: person() takes 2 positional arguments but 4 were given複製程式碼由於呼叫時缺少引數名city和job，Python直譯器把這4個引數均視為位置引數，但person()函式僅接受2個位置引數。
命名關鍵字引數可以有預設值，從而簡化呼叫：
def person(name, age, *, city='Beijing', job):
print(name, age, city, job)
由於命名關鍵字引數city具有預設值，呼叫時，可不傳入city引數：
~~~python
>>> person('Jack', 24, job='Engineer')
Jack 24 Beijing Engineer複製程式碼使用命名關鍵字引數時，要特別注意，如果沒有可變引數，就必須加一個作為特殊分隔符。如果缺少，Python直譯器將無法識別位置引數和命名關鍵字引數：
def person(name, age, city, job):
# 缺少 *，city和job被視為位置引數
pass複製程式碼引數組合
在Python中定義函式，可以用必選引數、預設引數、可變引數、關鍵字引數和命名關鍵字引數，這5種引數都可以組合使用。但是請注意，引數定義的順序必須是：必選引數、預設引數、可變引數、命名關鍵字引數和關鍵字引數。
比如定義一個函式，包含上述若干種引數：
def f1(a, b, c=0, *args, **kw):
print('a =', a, 'b =', b, 'c =', c, 'args =', args, 'kw =', kw)
def f2(a, b, c=0, *, d, **kw):
print('a =', a, 'b =', b, 'c =', c, 'd =', d, 'kw =', kw)複製程式碼在函式呼叫的時候，Python直譯器自動按照引數位置和引數名把對應的引數傳進去。
遞迴函式
使用遞迴函式需要注意防止棧溢位。在計算機中，函式呼叫是通過棧（stack）這種資料結構實現的，每當進入一個函式呼叫，棧就會加一層棧幀，每當函式返回，棧就會減一層棧幀。由於棧的大小不是無限的，所以，遞迴呼叫的次數過多，會導致棧溢位。
解決遞迴呼叫棧溢位的方法是通過尾遞迴優化，事實上尾遞迴和迴圈的效果是一樣的，所以，把迴圈看成是一種特殊的尾遞迴函式也是可以的。
高階特性
切片
對經常取指定索引範圍的操作，用迴圈十分繁瑣，因此，Python提供了切片（Slice）操作符，能大大簡化這種操作。
取前3個元素，用一行程式碼就可以完成切片：
>>> L[0:3]
['Michael', 'Sarah', 'Tracy']複製程式碼前開後閉原則。預設從第一個開始取時可以省略不寫0.
類似的，Python支援L[-1]取倒數第一個元素，那麼它同樣支援倒數切片：
>>> L[-2:]
['Bob', 'Jack']
>>> L[-2:-1]
['Bob']複製程式碼記住倒數第一個元素的索引是-1。
支援間隔取值，比如前10個數，每兩個取一個：
>>> L[:10:2]
[0, 2, 4, 6, 8]複製程式碼所有數，每5個取一個：
>>> L[::5]
[0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95]複製程式碼甚至什麼都不寫，只寫[:]就可以原樣複製一個list：
>>> L[:]
[0, 1, 2, 3, ..., 99]複製程式碼tuple也是一種list，唯一區別是tuple不可變。因此，tuple也可以用切片操作，只是操作的結果仍是tuple：
>>> (0, 1, 2, 3, 4, 5)[:3]
(0, 1, 2)複製程式碼字串'xxx'也可以看成是一種list，每個元素就是一個字元。因此，字串也可以用切片操作，只是操作結果仍是字串：
>>> 'ABCDEFG'[:3]
'ABC'
>>> 'ABCDEFG'[::2]
'ACEG'複製程式碼迭代
只要是可迭代物件，無論有無下標，都可以迭代，比如dict就可以迭代：
>>> d = {'a': 1, 'b': 2, 'c': 3}
>>> for key in d:
... print(key)
...
a
c
b複製程式碼預設情況下，dict迭代的是key。如果要迭代value，可以用for value in d.values()，如果要同時迭代key和value，可以用for k, v in d.items()。
由於字串也是可迭代物件，因此，也可以作用於for迴圈。
那麼，如何判斷一個物件是可迭代物件呢？方法是通過collections模組的Iterable型別判斷：
>>> from collections import Iterable
>>> isinstance('abc', Iterable) # str是否可迭代
True
>>> isinstance([1,2,3], Iterable) # list是否可迭代
True
>>> isinstance(123, Iterable) # 整數是否可迭代
False複製程式碼最後一個小問題，如果要對list實現類似Java那樣的下標迴圈怎麼辦？Python內建的enumerate函式可以把一個list變成索引-元素對，這樣就可以在for迴圈中同時迭代索引和元素本身：
>>> for i, value in enumerate(['A', 'B', 'C']):
... print(i, value)
...
0 A
1 B
2 C複製程式碼上面的for迴圈裡，同時引用了兩個變數，在Python裡是很常見的，比如下面的程式碼：
>>> for x, y in [(1, 1), (2, 4), (3, 9)]:
... print(x, y)
...
1 1
2 4
3 9複製程式碼任何可迭代物件都可以作用於for迴圈，包括自定義的資料型別，只要符合迭代條件，就可以使用for迴圈。
列表生成式
如果要生成[1x1, 2x2, 3x3, ..., 10x10]怎麼做？方法一是迴圈：
>>> L = []
>>> for x in range(1, 11):
... L.append(x * x)
...
>>> L
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]複製程式碼但是迴圈太繁瑣，而列表生成式則可以用一行語句代替迴圈生成上面的list：
>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]複製程式碼寫列表生成式時，把要生成的元素x * x放到前面，後面跟for迴圈，就可以把list建立出來。
還可以使用兩層迴圈，可以生成全排列：
>>> [m + n for m in 'ABC' for n in 'XYZ']
['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']複製程式碼鑑於列表生成式的便捷性，過於複雜的邏輯不建議直接使用生成式來寫（個人觀點）
生成器
通過列表生成式，我們可以直接建立一個列表。但是，受到記憶體限制，列表容量肯定是有限的。而且，建立一個包含100萬個元素的列表，不僅佔用很大的儲存空間，如果我們僅僅需要訪問前面幾個元素，那後面絕大多數元素佔用的空間都白白浪費了。
所以，如果列表元素可以按照某種演算法推算出來，那我們是否可以在迴圈的過程中不斷推算出後續的元素呢？這樣就不必建立完整的list，從而節省大量的空間。在Python中，這種一邊迴圈一邊計算的機制，稱為生成器：generator。
要建立一個generator，有很多種方法。第一種方法很簡單，只要把一個列表生成式的[]改成()，就建立了一個generator：
>>> L = [x * x for x in range(10)]
>>> L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x1022ef630>複製程式碼建立L和g的區別僅在於最外層的[]和()，L是一個list，而g是一個generator。
如果要一個一個列印出來，可以通過next()函式獲得generator的下一個返回值：
>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
...
81
>>> next(g)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration複製程式碼我們講過，generator儲存的是演算法，每次呼叫next(g)，就計算出g的下一個元素的值，直到計算到最後一個元素，沒有更多的元素時，丟擲StopIteration的錯誤。
當然，上面這種不斷呼叫next(g)實在是太變態了，正確的方法是使用for迴圈，因為generator也是可迭代物件：
>>> g = (x * x for x in range(10))
>>> for n in g:
... print(n)
...
0
1複製程式碼定義generator的另一種方法。如果一個函式定義中包含yield關鍵字，那麼這個函式就不再是一個普通函式，而是一個generator：
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1
return 'done'
>>> f = fib(6)
>>> f
<generator object fib at 0x104feaaa0>複製程式碼這裡，最難理解的就是generator和函式的執行流程不一樣。函式是順序執行，遇到return語句或者最後一行函式語句就返回。而變成generator的函式，在每次呼叫next()的時候執行，遇到yield語句返回，再次執行時從上次返回的yield語句處繼續執行。
舉個簡單的例子，定義一個generator，依次返回數字1，3，5：
def odd():
print('step 1')
yield 1
print('step 2')
yield(3)
print('step 3')
yield(5)複製程式碼呼叫該generator時，首先要生成一個generator物件，然後用next()函式不斷獲得下一個返回值：
>>> o = odd()
>>> next(o)
step 1
1
>>> next(o)
step 2
3
>>> next(o)
step 3
5
>>> next(o)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration複製程式碼可以看到，odd不是普通函式，而是generator，在執行過程中，遇到yield就中斷，下次又繼續執行。執行3次yield後，已經沒有yield可以執行了，所以，第4次呼叫next(o)就報錯。
回到fib的例子，我們在迴圈過程中不斷呼叫yield，就會不斷中斷。當然要給迴圈設定一個條件來退出迴圈，不然就會產生一個無限數列出來。
同樣的，把函式改成generator後，我們基本上從來不會用next()來獲取下一個返回值，而是直接使用for迴圈來迭代：
>>> for n in fib(6):
... print(n)
...
1
1
2
3
5
8複製程式碼但是用for迴圈呼叫generator時，發現拿不到generator的return語句的返回值。如果想要拿到返回值，必須捕獲StopIteration錯誤，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
...
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
Generator return value: done複製程式碼迭代器
可以直接作用於for迴圈的資料型別有以下幾種：
一類是集合資料型別，如list、tuple、dict、set、str等；
一類是generator，包括生成器和帶yield的generator function。
這些可以直接作用於for迴圈的物件統稱為可迭代物件：Iterable。
可以使用isinstance()判斷一個物件是否是Iterable物件：
>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance(100, Iterable)
False複製程式碼而生成器不但可以作用於for迴圈，還可以被next()函式不斷呼叫並返回下一個值，直到最後丟擲StopIteration錯誤表示無法繼續返回下一個值了。
可以被next()函式呼叫並不斷返回下一個值的物件稱為迭代器：Iterator。
可以使用isinstance()判斷一個物件是否是Iterator物件：
>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False複製程式碼生成器都是Iterator物件，但list、dict、str雖然是Iterable，卻不是Iterator。
把list、dict、str等Iterable變成Iterator可以使用iter()函式：
>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True複製程式碼