Python函数式编程进阶

栏目: Python · 发布时间: 6年前

内容简介:Python函数式编程进阶

Python函数式编程进阶

引言

functoolsitertoolsoperatorPython 标准库为我们提供的支持函数式编程的三大模块,合理的使用这三个模块,我们可以写出更加简洁可读的Pythonic代码,接下来我们通过一些example来了解三大模块的使用。

functools的使用

functools是Python中很重要的模块,它提供了一些非常有用的高阶函数。高阶函数就是说一个可以接受函数作为参数或者以函数作为返回值的函数,因为Python中函数也是对象,因此很容易支持这样的函数式特性。

partial

>>> from functools import partial

>>> basetwo = partial(int, base= 2 )

>>> basetwo( '10010' )

18

basetwo('10010') 实际上等价于调用 int('10010', base=2) ,当函数的参数个数太多的时候,可以通过使用functools.partial来创建一个新的函数来简化逻辑从而增强代码的可读性,而partial内部实际上就是通过一个简单的闭包来实现的。

def partial(func, *args, **keywords):

def newfunc(*fargs, **fkeywords):

newkeywords = keywords.copy()

newkeywords.update(fkeywords)

return func(*args, *fargs, **newkeywords)

newfunc.func = func

newfunc.args = args

newfunc.keywords = keywords

return newfunc

partialmethod

partialmethod和partial类似,但是对于 绑定一个非对象自身的方法 的时候,这个时候就只能使用partialmethod了,我们通过下面这个例子来看一下两者的差异。

from functools import partial, partialmethod

def standalone(self, a=1, b=2):

"Standalone function"

print('  called standalone with:', (self, a, b))

if self is not None:

print('  self.attr =', self.attr)

class MyClass:

"Demonstration class for functools"

def __init__(self):

self.attr = 'instance attribute'

method1 = functools.partialmethod(standalone)  # 使用partialmethod

method2 = functools.partial(standalone)  # 使用partial

>>> o = MyClass()

>>> o.method1()

called standalone with: (<__main__.MyClass object at 0x7f46d40cc550>, 1, 2)

self.attr = instance attribute

# 不能使用partial

>>> o.method2()

Traceback (most recent call last):

File "<stdin>", line 1, in <module>

TypeError: standalone() missing 1 required positional argument: 'self'

singledispatch

虽然Python不支持同名方法允许有不同的参数类型,但是我们可以借用singledispatch来 动态指定相应的方法所接收的参数类型 ,而不用把参数判断放到方法内部去判断从而降低代码的可读性。

from functools import singledispatch

class TestClass(object):

@singledispatch

def test_method(arg, verbose=False):

if verbose:

print("Let me just say,", end=" ")

print(arg)

@test_method.register(int)

def _(arg):

print("Strength in numbers, eh?", end=" ")

print(arg)

@test_method.register(list)

def _(arg):

print("Enumerate this:")

for i, elem in enumerate(arg):

print(i, elem)

下面通过@test_method.register(int)和@test_method.register(list)指定当test_method的第一个参数为int或者list的时候,分别调用不同的方法来进行处理。

>>> TestClass.test_method(55555)  # call @test_method.register(int)

Strength in numbers, eh? 55555

>>> TestClass.test_method([33, 22, 11])   # call @test_method.register(list)

Enumerate this:

0 33

1 22

2 11

>>> TestClass.test_method('hello world', verbose=True)  # call default

Let me just say, hello world

wraps

装饰器会遗失被装饰函数的__name__和__doc__等属性,可以使用@wraps来恢复。

from functools import wraps

def my_decorator(f):

@wraps(f)

def wrapper():

"""wrapper_doc"""

print('Calling decorated function')

return f()

return wrapper

@my_decorator

def example():

"""example_doc"""

print('Called example function')

>>> example.__name__

'example'

>>> example.__doc__

'example_doc'

# 尝试去掉@wraps(f)来看一下运行结果,example自身的__name__和__doc__都已经丧失了

>>> example.__name__

'wrapper'

>>> example.__doc__

'wrapper_doc'

我们也可以使用update_wrapper来改写

from itertools import update_wrapper

def g ():

...

g = update_wrapper(g, f)

# equal to

@wraps(f)

def g ():

...

@wraps内部实际上就是基于update_wrapper来实现的。

def wraps(wrapped, assigned=WRAPPER_ASSIGNMENTS, updated=WRAPPER_UPDATES):

def decorator(wrapper):

return update_wrapper(wrapper, wrapped=wrapped...)

return decorator

lru_cache

lru_cache和singledispatch是开发中应用非常广泛的黑魔法,接下来我们来看一下lru_cache。对于重复的计算性任务,使用 缓存加速 是非常重要的,下面我们通过一个fibonacci的例子来看一下使用lru_cache与不使用lru_cache在速度上的差异。

# clockdeco.py

import time

import functools

def clock(func):

@functools.wraps(func)

def clocked(*args, **kwargs):

t0 = time.time()

result = func(*args, **kwargs)

elapsed = time.time() - t0

name = func.__name__

arg_lst = []

if args:

arg_lst.append(', '.join(repr(arg) for arg in args))

if kwargs:

pairs = ['%s=%r' % (k, w) for k, w in sorted(kwargs.items())]

arg_lst.append(', '.join(pairs))

arg_str = ', '.join(arg_lst)

print('[%0.8fs] %s(%s) -> %r ' % (elapsed, name, arg_str, result))

return result

return clocked

不使用lru_cache

from clockdeco import clock

@clock

def fibonacci(n):

if n < 2:

return n

return fibonacci(n-2) + fibonacci(n-1)

if __name__=='__main__':

print(fibonacci(6))

下面是运行结果,从运行结果可以看出fibonacci(n)会在递归的时候被 重复计算 ,这是非常耗时消费资源的。

[0.00000119s] fibonacci(0) -> 0

[0.00000143s] fibonacci(1) -> 1

[0.00021172s] fibonacci(2) -> 1

[0.00000072s] fibonacci(1) -> 1

[0.00000095s] fibonacci(0) -> 0

[0.00000095s] fibonacci(1) -> 1

[0.00011444s] fibonacci(2) -> 1

[0.00022793s] fibonacci(3) -> 2

[0.00055265s] fibonacci(4) -> 3

[0.00000072s] fibonacci(1) -> 1

[0.00000072s] fibonacci(0) -> 0

[0.00000095s] fibonacci(1) -> 1

[0.00011158s] fibonacci(2) -> 1

[0.00022268s] fibonacci(3) -> 2

[0.00000095s] fibonacci(0) -> 0

[0.00000095s] fibonacci(1) -> 1

[0.00011349s] fibonacci(2) -> 1

[0.00000072s] fibonacci(1) -> 1

[0.00000095s] fibonacci(0) -> 0

[0.00000095s] fibonacci(1) -> 1

[0.00010705s] fibonacci(2) -> 1

[0.00021267s] fibonacci(3) -> 2

[0.00043225s] fibonacci(4) -> 3

[0.00076509s] fibonacci(5) -> 5

[0.00142813s] fibonacci(6) -> 8

8

使用lru_cache

import functools

from clockdeco import clock

@functools.lru_cache() # 1

@clock # 2

def fibonacci(n):

if n < 2:

return n

return fibonacci(n-2) + fibonacci(n-1)

if __name__=='__main__':

print(fibonacci(6))

下面是运行结果,对于已经计算出来的结果将其放入缓存。

[0.00000095s] fibonacci(0) -> 0

[0.00005770s] fibonacci(1) -> 1

[0.00015855s] fibonacci(2) -> 1

[0.00000286s] fibonacci(3) -> 2

[0.00021124s] fibonacci(4) -> 3

[0.00000191s] fibonacci(5) -> 5

[0.00024652s] fibonacci(6) -> 8

8

上面我们选用的数字还不够大,感兴趣的朋友不妨自己选择一个较大的数字比较一下两者在速度上的差异

total_ordering

Python2中可以通过自定义__cmp__的返回值0/-1/1来比较对象的大小,在Python3中废弃了__cmp__,但是我们可以通过total ordering然后修改 \ _lt__() , __le__() , __gt__(), __ge__(), __eq__(), __ne__() 等魔术方法来自定义类的比较规则。p.s: 如果使用必须在类里面定义 __lt__() , __le__() , __gt__(), __ge__()中的一个,以及给类添加一个__eq__() 方法。

import functools

@functools.total_ordering

class MyObject :

def __init__ (self, val):

self.val = val

def __eq__ (self, other):

print( '  testing __eq__({}, {})' .format(

self.val, other.val))

return self.val == other.val

def __gt__ (self, other):

print( '  testing __gt__({}, {})' .format(

self.val, other.val))

return self.val > other.val

a = MyObject( 1 )

b = MyObject( 2 )

for expr in [ 'a < b' , 'a <= b' , 'a == b' , 'a >= b' , 'a > b' ]:

print( '\n{:<6}:' .format(expr))

result = eval(expr)

print( '  result of {}: {}' .format(expr, result))

下面是运行结果:

a < b :

testing __gt__( 1 , 2 )

testing __eq__( 1 , 2 )

result of a < b: True

a <= b:

testing __gt__( 1 , 2 )

result of a <= b: True

a == b:

testing __eq__( 1 , 2 )

result of a == b: False

a >= b:

testing __gt__( 1 , 2 )

testing __eq__( 1 , 2 )

result of a >= b: False

a > b :

testing __gt__( 1 , 2 )

result of a > b: False

itertools的使用

itertools为我们提供了非常有用的用于操作迭代对象的函数。

无限迭代器

count

count(start=0, step=1) 会返回一个无限的整数iterator,每次增加1。可以选择提供起始编号,默认为0。

>>> from itertools import count

>>> for i in zip(count( 1 ), [ 'a' , 'b' , 'c' ]):

...     print(i, end= ' ' )

...

( 1 , 'a' ) ( 2 , 'b' ) ( 3 , 'c' )

cycle

cycle(iterable) 会把传入的一个序列无限重复下去,不过可以提供第二个参数就可以制定重复次数。

>>> from itertools import cycle

>>> for i in zip(range( 6 ), cycle([ 'a' , 'b' , 'c' ])):

...     print(i, end= ' ' )

...

( 0 , 'a' ) ( 1 , 'b' ) ( 2 , 'c' ) ( 3 , 'a' ) ( 4 , 'b' ) ( 5 , 'c' )

repeat

repeat(object[, times]) 返回一个元素无限重复下去的iterator,可以提供第二个参数就可以限定重复次数。

>>> from itertools import repeat

>>> for i, s in zip(count( 1 ), repeat( 'over-and-over' , 5 )):

...     print(i, s)

...

1 over- and -over

2 over- and -over

3 over- and -over

4 over- and -over

5 over- and -over

Iterators terminating on the shortest input sequence

accumulate

accumulate(iterable[, func])

>>> from itertools import accumulate

>>> import operator

>>> list(accumulate([ 1 , 2 , 3 , 4 , 5 ], operator.add))

[ 1 , 3 , 6 , 10 , 15 ]

>>> list(accumulate([ 1 , 2 , 3 , 4 , 5 ], operator.mul))

[ 1 , 2 , 6 , 24 , 120 ]

chain

itertools.chain(*iterables)可以将多个iterable组合成一个iterator

>>> from itertools import chain

>>> list(chain([ 1 , 2 , 3 ], [ 'a' , 'b' , 'c' ]))

[ 1 , 2 , 3 , 'a' , 'b' , 'c' ]

chain的实现原理如下

def chain (*iterables):

# chain('ABC', 'DEF') --> A B C D E F

for it in iterables:

for element in it:

yield element

chain.from_iterable

chain.from_iterable(iterable)和chain类似,但是只是接收单个iterable,然后将这个iterable中的元素组合成一个iterator。

>>> from itertools import chain

>>> list(chain.from_iterable([ 'ABC' , 'DEF' ]))

[ 'A' , 'B' , 'C' , 'D' , 'E' , 'F' ]

实现原理也和chain类似

def from_iterable (iterables):

# chain.from_iterable(['ABC', 'DEF']) --> A B C D E F

for it in iterables:

for element in it:

yield element

compress

compress(data, selectors)接收两个iterable作为参数,只返回selectors中对应的元素为True的data,当data/selectors之一用尽时停止。

>>> list(compress([ 1 , 2 , 3 , 4 , 5 ], [ True , True , False , False , True ]))

[ 1 , 2 , 5 ]

zip_longest

zip_longest(*iterables, fillvalue=None)和zip类似,但是zip的缺陷是iterable中的某一个元素被遍历完,整个遍历都会停止,具体差异请看下面这个例子

from itertools import zip_longest

r1 = range( 3 )

r2 = range( 2 )

print( 'zip stops early:' )

print(list(zip(r1, r2)))

r1 = range( 3 )

r2 = range( 2 )

print( '\nzip_longest processes all of the values:' )

print(list(zip_longest(r1, r2)))

下面是输出结果

zip stops early:

[( 0 , 0 ), ( 1 , 1 )]

zip_longest processes all of the values:

[( 0 , 0 ), ( 1 , 1 ), ( 2 , None )]

islice

islice(iterable, stop) or islice(iterable, start, stop[, step]) 与Python的字符串和列表切片有一些类似,只是不能对start、start和step使用负值。

>>> from itertools import islice

>>> for i in islice(range( 100 ), 0 , 100 , 10 ):

...     print(i, end= ' ' )

...

0 10 20 30 40 50 60 70 80 90

tee

tee(iterable, n=2) 返回n个独立的iterator,n默认为2。

from itertools import islice, tee

r = islice(count(), 5 )

i1, i2 = tee(r)

print( 'i1:' , list(i1))

print( 'i2:' , list(i2))

for i in r:

print(i, end= ' ' )

if i > 1 :

break

下面是输出结果,注意tee(r)后,r作为iterator已经失效,所以for循环没有输出值。

i1: [ 0 , 1 , 2 , 3 , 4 ]

i2: [ 0 , 1 , 2 , 3 , 4 ]

starmap

starmap(func, iterable)假设iterable将返回一个元组流,并使用这些元组作为参数调用func:

>>> from itertools import starmap

>>> import os

>>> iterator = starmap(os.path.join,

...                    [( '/bin' , 'python' ), ( '/usr' , 'bin' , 'java' ),

...                    ( '/usr' , 'bin' , 'perl' ), ( '/usr' , 'bin' , 'ruby' )])

>>> list(iterator)

[ '/bin/python' , '/usr/bin/java' , '/usr/bin/perl' , '/usr/bin/ruby' ]

filterfalse

filterfalse(predicate, iterable) 与filter()相反,返回所有predicate返回False的元素。

itertools.filterfalse(is_even, itertools.count()) =>

1 , 3 , 5 , 7 , 9 , 11 , 13 , 15 , ...

takewhile

takewhile(predicate, iterable) 只要predicate返回True,不停地返回iterable中的元素。一旦predicate返回False,iteration将结束。

def less_than_10 (x):

return x < 10

itertools.takewhile(less_than_10, itertools.count())

=> 0, 1, 2, 3, 4, 5, 6, 7, 8, 9

itertools.takewhile(is_even, itertools.count())

=> 0

dropwhile

dropwhile(predicate, iterable) 在predicate返回True时舍弃元素,然后返回其余迭代结果。

itertools.dropwhile(less_than_10, itertools.count())

=> 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, ...

itertools.dropwhile(is_even, itertools.count())

=> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, ...

groupby

groupby(iterable, key=None) 把iterator中相邻的 重复元素 挑出来放在一起。p.s: The input sequence needs to be sorted on the key value in order for the groupings to work out as expected.

  • [k for k, g in groupby(‘AAAABBBCCDAABBB’)] –> A B C D A B

  • [list(g) for k, g in groupby(‘AAAABBBCCD’)] –> AAAA BBB CC D

>>> import itertools

>>> for key, group in itertools.groupby( 'AAAABBBCCDAABBB' ):

...     print(key, list(group))

...

A [ 'A' , 'A' , 'A' , 'A' ]

B [ 'B' , 'B' , 'B' ]

C [ 'C' , 'C' ]

D [ 'D' ]

A [ 'A' , 'A' ]

B [ 'B' , 'B' , 'B' ]

city_list = [( 'Decatur' , 'AL' ), ( 'Huntsville' , 'AL' ), ( 'Selma' , 'AL' ),

( 'Anchorage' , 'AK' ), ( 'Nome' , 'AK' ),

( 'Flagstaff' , 'AZ' ), ( 'Phoenix' , 'AZ' ), ( 'Tucson' , 'AZ' ),

...

]

def get_state (city_state):

return city_state[ 1 ]

itertools.groupby(city_list, get_state) =>

( 'AL' , iterator -1 ),

( 'AK' , iterator -2 ),

( 'AZ' , iterator -3 ), ...

iterator-1 =>  ('Decatur', 'AL'), ('Huntsville', 'AL'), ('Selma', 'AL')

iterator-2 => ('Anchorage', 'AK'), ('Nome', 'AK')

iterator-3 => ('Flagstaff', 'AZ'), ('Phoenix', 'AZ'), ('Tucson', 'AZ')

Combinatoric generators

product

product(*iterables, repeat=1)

  • product(A, B) returns the same as ((x,y) for x in A for y in B)

  • product(A, repeat=4) means the same as product(A, A, A, A)

from itertools import product

def show (iterable):

for i, item in enumerate(iterable, 1 ):

print(item, end= ' ' )

if (i % 3 ) == 0 :

print()

print()

print( 'Repeat 2:\n' )

show(product(range( 3 ), repeat= 2 ))

print( 'Repeat 3:\n' )

show(product(range( 3 ), repeat= 3 ))

Repeat 2 :

( 0 , 0 ) ( 0 , 1 ) ( 0 , 2 )

( 1 , 0 ) ( 1 , 1 ) ( 1 , 2 )

( 2 , 0 ) ( 2 , 1 ) ( 2 , 2 )

Repeat 3 :

( 0 , 0 , 0 ) ( 0 , 0 , 1 ) ( 0 , 0 , 2 )

( 0 , 1 , 0 ) ( 0 , 1 , 1 ) ( 0 , 1 , 2 )

( 0 , 2 , 0 ) ( 0 , 2 , 1 ) ( 0 , 2 , 2 )

( 1 , 0 , 0 ) ( 1 , 0 , 1 ) ( 1 , 0 , 2 )

( 1 , 1 , 0 ) ( 1 , 1 , 1 ) ( 1 , 1 , 2 )

( 1 , 2 , 0 ) ( 1 , 2 , 1 ) ( 1 , 2 , 2 )

( 2 , 0 , 0 ) ( 2 , 0 , 1 ) ( 2 , 0 , 2 )

( 2 , 1 , 0 ) ( 2 , 1 , 1 ) ( 2 , 1 , 2 )

( 2 , 2 , 0 ) ( 2 , 2 , 1 ) ( 2 , 2 , 2 )

permutations

permutations(iterable, r=None)返回长度为r的所有可能的组合。

from itertools import permutations

def show (iterable):

first = None

for i, item in enumerate(iterable, 1 ):

if first != item[ 0 ]:

if first is not None :

print()

first = item[ 0 ]

print( '' .join(item), end= ' ' )

print()

print( 'All permutations:\n' )

show(permutations( 'abcd' ))

print( '\nPairs:\n' )

show(permutations( 'abcd' , r= 2 ))

下面是输出结果

All permutations:

abcd abdc acbd acdb adbc adcb

bacd badc bcad bcda bdac bdca

cabd cadb cbad cbda cdab cdba

dabc dacb dbac dbca dcab dcba

Pairs:

ab ac ad

ba bc bd

ca cb cd

da db dc

combinations

combinations(iterable, r) 返回一个iterator,提供iterable中所有元素可能组合的r元组。每个元组中的元素保持与iterable返回的顺序相同。下面的实例中,不同于上面的permutations,a总是在bcd之前,b总是在cd之前,c总是在d之前。

from itertools import combinations

def show (iterable):

first = None

for i, item in enumerate(iterable, 1 ):

if first != item[ 0 ]:

if first is not None :

print()

first = item[ 0 ]

print( '' .join(item), end= ' ' )

print()

print( 'Unique pairs:\n' )

show(combinations( 'abcd' , r= 2 ))

下面是输出结果

Unique pairs:

ab ac ad

bc bd

cd

combinations_with_replacement

combinations_with_replacement(iterable, r)函数放宽了一个不同的约束:元素可以在单个元组中重复,即可以出现aa/bb/cc/dd等组合。

from itertools import combinations_with_replacement

def show (iterable):

first = None

for i, item in enumerate(iterable, 1 ):

if first != item[ 0 ]:

if first is not None :

print()

first = item[ 0 ]

print( '' .join(item), end= ' ' )

print()

print( 'Unique pairs:\n' )

show(combinations_with_replacement( 'abcd' , r= 2 ))

下面是输出结果

aa ab ac ad

bb bc bd

cc cd

dd

operator的使用

attrgetter

operator.attrgetter( attr )和operator.attrgetter( *attrs )

  • After f = attrgetter(‘name’), the call f(b) returns b.name.

  • After f = attrgetter(‘name’, ‘date’), the call f(b) returns (b.name, b.date).

  • After f = attrgetter(‘name.first’, ‘name.last’), the call f(b) returns (b.name.first, b.name.last).

我们通过下面这个例子来了解一下itergetter的用法。

>>> class Student :

...      def __init__ (self, name, grade, age):

...         self.name = name

...         self.grade = grade

...         self.age = age

...      def __repr__ (self):

...          return repr((self.name, self.grade, self.age))

>>> student_objects = [

...     Student( 'john' , 'A' , 15 ),

...     Student( 'jane' , 'B' , 12 ),

...     Student( 'dave' , 'B' , 10 ),

... ]

>>> sorted(student_objects, key= lambda student: student.age)   # 传统的lambda做法

[( 'dave' , 'B' , 10 ), ( 'jane' , 'B' , 12 ), ( 'john' , 'A' , 15 )]

>>> from operator import itemgetter, attrgetter

>>> sorted(student_objects, key=attrgetter( 'age' ))

[( 'dave' , 'B' , 10 ), ( 'jane' , 'B' , 12 ), ( 'john' , 'A' , 15 )]

# 但是如果像下面这样接受双重比较,Python脆弱的lambda就不适用了

>>> sorted(student_objects, key=attrgetter( 'grade' , 'age' ))

[( 'john' , 'A' , 15 ), ( 'dave' , 'B' , 10 ), ( 'jane' , 'B' , 12 )]

attrgetter的实现原理:

def attrgetter (*items):

if any( not isinstance(item, str) for item in items):

raise TypeError( 'attribute name must be a string' )

if len(items) == 1 :

attr = items[ 0 ]

def g (obj):

return resolve_attr(obj, attr)

else :

def g (obj):

return tuple(resolve_attr(obj, attr) for attr in items)

return g

def resolve_attr (obj, attr):

for name in attr.split( "." ):

obj = getattr(obj, name)

return obj

itemgetter

operator.itemgetter(item)和operator.itemgetter(*items)

  • After f = itemgetter(2), the call f(r) returns r[2].

  • After g = itemgetter(2, 5, 3), the call g(r) returns (r[2], r[5], r[3]).

我们通过下面这个例子来了解一下itergetter的用法

>>> student_tuples = [

...     ( 'john' , 'A' , 15 ),

...     ( 'jane' , 'B' , 12 ),

...     ( 'dave' , 'B' , 10 ),

... ]

>>> sorted(student_tuples, key= lambda student: student[ 2 ])   # 传统的lambda做法

[( 'dave' , 'B' , 10 ), ( 'jane' , 'B' , 12 ), ( 'john' , 'A' , 15 )]

>>> from operator import attrgetter

>>> sorted(student_tuples, key=itemgetter( 2 ))

[( 'dave' , 'B' , 10 ), ( 'jane' , 'B' , 12 ), ( 'john' , 'A' , 15 )]

# 但是如果像下面这样接受双重比较,Python脆弱的lambda就不适用了

>>> sorted(student_tuples, key=itemgetter( 1 , 2 ))

[( 'john' , 'A' , 15 ), ( 'dave' , 'B' , 10 ), ( 'jane' , 'B' , 12 )]

itemgetter的实现原理

def itemgetter (*items):

if len(items) == 1 :

item = items[ 0 ]

def g (obj):

return obj[item]

else :

def g (obj):

return tuple(obj[item] for item in items)

return g

methodcaller

operator.methodcaller(name[, args…])

  • After f = methodcaller(‘name’), the call f(b) returns b.name().

  • After f = methodcaller(‘name’, ‘foo’, bar=1), the call f(b) returns b.name(‘foo’, bar=1).

methodcaller的实现原理

def methodcaller (name, *args, **kwargs):

def caller (obj):

return getattr(obj, name)(*args, **kwargs)

return caller

Contact

GitHub: https://github.com/ziwenxie

Blog: https://www.ziwenxie.site

推荐:

每个 Python 高手都应该知道的内置函数

用Python实现了一个大数据数据搜索引擎

Google Python 编程风格指南

Python 中的集合类模块 collections 详解

Python函数式编程进阶


以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

Data Structures and Algorithms in Python

Data Structures and Algorithms in Python

Michael T. Goodrich、Roberto Tamassia、Michael H. Goldwasser / John Wiley & Sons / 2013-7-5 / GBP 121.23

Based on the authors' market leading data structures books in Java and C++, this book offers a comprehensive, definitive introduction to data structures in Python by authoritative authors. Data Struct......一起来看看 《Data Structures and Algorithms in Python》 这本书的介绍吧!

HTML 压缩/解压工具
HTML 压缩/解压工具

在线压缩/解压 HTML 代码

CSS 压缩/解压工具
CSS 压缩/解压工具

在线压缩/解压 CSS 代码

URL 编码/解码
URL 编码/解码

URL 编码/解码