关于python3.x:python装饰器学习详解函数部分

最近浏览《晦涩的 python》看见其用函数写装璜器局部写的很好，想写一些本人的读书笔记。家喻户晓，装璜器是 python 学习过程中的一道门槛，初学者学习时往往是知其然，不知其所以然，这样的后果是导致一段时间后会忘记掉该局部内容，只好再次去学习，拉高了学习老本。

想学好 python 的装璜器，须要明确一下几点；

1）函数嵌套
2）外部函数应用内部函数的变量
3）内部函数的返回值为外部函数

接下来看看《晦涩的 python》中的例子，我略微批改了一下：

>>> def make_averager(series=[]):
...     def averager(new_value):
...             series.append(new_value)
...             total = sum(series)
...             return total/len(series)
...     return averager
...
>>> avg = make_averager()
>>> avg
<function make_averager.<locals>.averager at 0x10b82cb00>
>>> avg(10)
10.0
>>> avg(11)
10.5
>>> avg(12)
11.0

函数 make_averager 实现了一个计算以后所有数字的平均值的性能，一直的增加一个值，而后计算以后的平均值。

avg 这个对象内存地址指向了 make_averager 这个函数的外部函数中，而且 avg 通过一直的增加值进行平均值计算，按理说在这个外部函数没有存储 new_value 的空间，而且在 make_averager 对 avg 赋值后，函数返回后 series 这个变量也应该隐没了，然而 avg 却仍然能够进行计算。

这就是闭包，外部函数 averager 应用里面的自在变量，也就是属于 make_averager 的局部变量 series

>>> avg.__code__.co_varnames
('new_value', 'total')
>>> avg.__code__.co_freevars
('series',)

能够发现 avg 的自在变量是 make_averager 的局部变量，就是说闭包里的外部函数能够应用内部函数的变量，即咱们下面提到的第二点：“外部函数应用内部函数的变量”，注：自在变量只能 read，并不能 write，不然会提醒本地变量并没有赋值的谬误，咱们举的例子没遇到这个问题，因为咱们没有给 series 赋值，咱们只是调用 series.append，并把它传给 sum 和 len。也就是说，咱们利用了列表是可变的对象这一事实。下图是书中提供的闭包范围图：

所谓装璜器，就是在不扭转根底函数的性能上再次给它封装一层，达到咱们想要的目标，接下来我举个简略的例子:

deco_demo.py

  1 def col(func):
  2     def inner(*args, **kwargs):
  3         print(func.__name__)
  4         print(locals())
  5         print(inner.__code__.co_varnames)
  6         print(inner.__code__.co_freevars)
  7         return func(*args, **kwargs)
  8     return inner
  9
 10
 11 @col
 12 def new_add(x):
 13     return x+2
 14
 15
 16 def new_add_1(x):
 17     return x+3
 18
 19
 20 print(new_add(3))
 21
 22 new_add_1 = col(new_add_1)
 23 print(new_add_1(3))

下方是它的返回后果:

new_add
{'args': (3,), 'kwargs': {}, 'func': <function new_add at 0x10d32aa70>, 'inner': <function col.<locals>.inner at 0x10d32acb0>}
('args', 'kwargs')
('func', 'inner')
5
new_add_1
{'args': (3,), 'kwargs': {}, 'func': <function new_add_1 at 0x10d32add0>, 'inner': <function col.<locals>.inner at 0x10d32a8c0>}
('args', 'kwargs')
('func', 'inner')
6

1-8：是定义的一个简略装璜器，

3：打印当被装璜函数的名字

4：打印 inner 这个外部函数中的所有变量

5：打印以后 inner 的局部变量；

6：则打印自在变量；

11-13：润饰了一个简略函数

16，22，23：@这个语法糖，背地实现的过程；

也就是说 col(new_add) 返回的是以后的外部函数的内存地址，而这个调用这个外部函数时会应用自在变量 func 即 col 的局部变量，进而达到装璜器的目标；

既然无参数的装璜器即 @col，通过外部函数的形式装璜根底函数，那么咱们调用有参数的装璜器则能够再本来的根底即函数 col 再封装一层函数，使其达到能够通过装璜器传参数的目标

  1 from functools import wraps
  2
  3
  4 def col(string="hello world"):
  5     def decorate(func):
  6         @wraps(func)
  7         def inner(*args, **kwargs):
  8             print(string)
  9             return func(*args, **kwargs)
 10         return inner
 11     return decorate
 12
 13
 14 @col()
 15 def new_add(x):
 16     return x+2
 17
 18
 19 @col("hello python")
 20 def new_add_1(x):
 21     return x+3
 22
 23
 24 def new_add_2(x):
 25     return x+4
 26
 27
 28 print(new_add(1))
 29 print(new_add_1(1))
 30
 31
 32 new_add_2 = col("hello china")(new_add_2)
 33 print(new_add_2(1))

导入 wrap 是为了修复这个装璜器的名称，new_add.__name__调用时指向被装璜的函数，而不是外部函数，有趣味的小伙伴能够去理解一下；

4-11：实现了一个带参数的装璜器，最外层返回的是咱们真正的装璜器；

32-33：则是 @这个装璜器语法糖背地的实现过程

能够发现 new_add 与 new_add_1 这两个函数的装璜器是两个不同值，而咱们的装璜器也返回了不同的对应状况

hello world
3
hello python
4
hello china
5

间而言之：装璜器就是在咱们须要增加性能的函数上进而封装一层，而 python 的语法糖 @背地，帮忙咱们省略掉了这些赋值的过程；

对于装璜器何时运行，咱们分两种状况探讨，一种是当作脚本运行时，另一种是当作模块被导入时；

  1 registry = []
  2
  3
  4 def register(func):
  5     print(f"running register {func}")
  6     registry.append(func)
  7     return func
  8
  9
 10 @register
 11 def f1():
 12     print('running f1()')
 13
 14
 15 @register
 16 def f2():
 17     print('running f2()')
 18
 19
 20 def f3():
 21     print('running f3()')
 22
 23
 24 def main():
 25     print('running main()')
 26     print('regisry ->', registry)
 27     f1()
 28     f2()
 29     f3()
 30
 31
 32 if __name__ == '__main__':
 33     main()

当作独立脚本运行时:

running register <function f1 at 0x103f9dcb0>
running register <function f2 at 0x103f9ddd0>
running main()
regisry -> [<function f1 at 0x103f9dcb0>, <function f2 at 0x103f9ddd0>]
running f1()
running f2()
running f3()

被当作模块导入时：

>>> import registration
running register <function f1 at 0x1005a2710>
running register <function f2 at 0x1005a2b90>
>>> registration.registry
[<function f1 at 0x1005a2710>, <function f2 at 0x1005a2b90>]

该段代码的装璜器次要性能是：记录了被装璜函数的个数，通常是 web 框架以这种形式把函数注册到地方注册器的某处。

总结：能够发现装璜器无论是作为模块被导入，还是独自的脚本运行，它都是优先执行的；

之前介绍的 function.wraps 不用说了，接下来介绍两种神奇的装璜器;

1：singledispatch

何为 singledispatch？

就是在不扭转函数自身的性能上复用该函数，达到重复使用函数名的目标，有点相似多态的感觉；能够把整体计划拆分成多个模块，甚至能够为你无奈批改的类提供专门的函数。应用 @singledispatch 装璜的一般函数会变成泛函数(generic function)；依据第一个参数的类型，以不同形式执行雷同操作的一组函数

  1 from functools import singledispatch
  2
  3
  4 @singledispatch
  5 def hello(obj):
  6     print(obj)
  7
  8
  9 @hello.register(str)
 10 def _(text):
 11     print("hello world"+text)
 12
 13
 14 @hello.register(int)
 15 def _(n):
 16     print(n)
 17
 18
 19 hello({"what": "say"})
 20 print('*'*30)
 21 hello('dengxuan')
 22 print('*'*30)
 23 hello(123)

{'what': 'say'}
******************************
hello world dengxuan
******************************
123

从该段代码中咱们能够发现，当应用 singledispatch 这个装璜器时，函数 hello 能够依据不同的参数返回不同的后果。这样的益处就是极大的缩小代码中的 if/elif/else，并且能够复用函数名称 _（下横线代表没用)，升高了代码的耦合度，达到了多态的成果。

2：lru_cache

依据书上原话：

functools.lru_cache 是十分实用的装璜器，它实现了备忘 (memoization)性能。这是一项优化技术，它把耗时的函数的后果保留起来，防止传入雷同的参数时反复计算。LRU 三个字母是“Least Recently Used”的缩写，表明缓存不会无限度增长，一段时间不必的缓存条目会被扔掉。

  1 from my_tools.runtime import clock
  2 import functools
  3
  4
  5 @functools.lru_cache()
  6 @clock
  7 def fibonacci(n):
  8     if n < 2:
  9         return n
 10     return fibonacci(n-2)+fibonacci(n-1)
 11
 12
 13 if __name__ == '__main__':
 14     print(fibonacci(6))

第 5 行：正文 funtools.lru_cache()

返回后果：

[0.00000046] fibonacci(0) -> 0
[0.00000053] fibonacci(1) -> 1
[0.00006782] fibonacci(2) -> 1
[0.00000030] fibonacci(1) -> 1
[0.00000035] fibonacci(0) -> 0
[0.00000037] fibonacci(1) -> 1
[0.00001312] fibonacci(2) -> 1
[0.00002514] fibonacci(3) -> 2
[0.00010535] fibonacci(4) -> 3
[0.00000030] fibonacci(1) -> 1
[0.00000030] fibonacci(0) -> 0
[0.00000037] fibonacci(1) -> 1
[0.00001209] fibonacci(2) -> 1
[0.00002376] fibonacci(3) -> 2
[0.00000028] fibonacci(0) -> 0
[0.00000038] fibonacci(1) -> 1
[0.00001210] fibonacci(2) -> 1
[0.00000028] fibonacci(1) -> 1
[0.00000036] fibonacci(0) -> 0
[0.00000034] fibonacci(1) -> 1
[0.00001281] fibonacci(2) -> 1
[0.00002466] fibonacci(3) -> 2
[0.00004897] fibonacci(4) -> 3
[0.00008414] fibonacci(5) -> 5
[0.00020196] fibonacci(6) -> 8
8

当勾销掉第 5 行正文时;

[0.00000040] fibonacci(0) -> 0
[0.00000049] fibonacci(1) -> 1
[0.00008032] fibonacci(2) -> 1
[0.00000066] fibonacci(3) -> 2
[0.00009398] fibonacci(4) -> 3
[0.00000063] fibonacci(5) -> 5
[0.00010943] fibonacci(6) -> 8
8

能够发现，lru_cache()这个装璜器，极大的进步了计算性能；

functools.lru_cache(maxsize=128, typed=False)

maxsize 参数指定存储多少个调用的后果。缓存满了之后，旧的后果会被扔掉，腾出空间。为了失去最佳性能，maxsize 应该设为 2 的幂。typed 参数如果设为 True，把不同参数类型失去的后果离开保留，即把通常认为相等的浮点数和整数参数 (如 1 和 1.0) 辨别开。顺便说一下，因为 lru_cache 应用字典存储后果，而且键依据调用时传入的定位参数和关键字参数创立，所以被 lru_cache 装璜的函数，它的所有参数都必须是可散列的。

@d1
@d2
def f():
  print('hello world')
  
###########################

def f():
  print("hello world")

f = d1(d2(f))

高低两块代码是等效成果；

关于python3.x:python装饰器学习详解函数部分

1: 闭包

2: 装璜器的实现

有参数的装璜器实现

3：装璜器何时调用

4: 装璜器的罕用模块

5：多重装璜器

Just My Socks（注册教程内含优惠码）

关于python3.x:python装饰器学习详解函数部分

1: 闭包

2: 装璜器的实现

有参数的装璜器实现

3：装璜器何时调用

4: 装璜器的罕用模块

5：多重装璜器

Just My Socks（注册教程 内含优惠码）

Just My Socks（注册教程内含优惠码）