版权声明:博主原创文章,微信公众号:素质云笔记,转载请注明来源“素质云博客”,谢谢合作!! https://blog.csdn.net/sinat_26917383/article/details/54291769
新手入门python,开始写一些简单函数,慢慢来,加油~
def myadd(a=1,b=100):
result = 0
i = a
while i <= b: # 默认值为1+2+3+……+100
result += i
i += 1
return result
跟R一样都可以用return返回
lambda函数
lambda表达式有什么好处?匿名函数,一般用来给filter,map这样的函数式编程服务,map(lambda x: x*2,[1,2,3,4,5])
或者就是一次性产品。类似于这种即用即扔的产品:(lambda x: x*2)(3)
或者作为回调函数,传递给某些应用,比如消息处理。
python 中的三元表达式(三目运算符) 这个输出1,但没有什么意义,仅仅是一个例子。 而在python中的格式为
为真时的结果 if 判定条件 else 为假时的结果
还是上面的例子
1 if 5>3 else 0
conf = (11,2,3)
[i for i in conf if i > 2]
>>> [11, 3]
输出的结果是conf中大于2的元素,这里非常有意思的是,将if 和for 循环放在一个[]中就做掉了。 上面是返回conf中大于2的元素,下面是conf中大于2的序号。
conf = (11,2,3)
[i for i, c in enumerate(conf) if c > 2]
>>> [0, 2]
conf中大于2的序号。
来源:Python内建函数之——filter,map,reduce filter(bool_func,seq):此函数的功能相当于过滤器。调用一个布尔函数bool_func来迭代遍历每个seq中的元素;返回一个使bool_seq返回值为true的元素的序列。 例如:
>>> filter(lambda x : x%2 == 0,[1,2,3,4,5])
[2, 4]
filter内建函数的python实现:
def filter(bool_func,seq):
filtered_seq = []
for eachItem in seq:
if bool_func(eachItem):
filtered_seq.append(eachItem)
return filtered_seq
来源:Python内建函数之——filter,map,reduce map(func,seq1[,seq2…]):将函数func作用于给定序列的每个元素,并用一个列表来提供返回值;如果func为None,func表现为身份函数,返回一个含有每个序列中元素集合的n个元组的列表。 例如:
>>> map(lambda x : None,[1,2,3,4])
[None, None, None, None]
>>> map(lambda x : x * 2,[1,2,3,4])
[2, 4, 6, 8]
>>> map(lambda x : x * 2,[1,2,3,4,[5,6,7]])
[2, 4, 6, 8, [5, 6, 7, 5, 6, 7]]
>>> map(lambda x : None,[1,2,3,4])
[None, None, None, None]
map内建函数的python实现:
>>> def map(func,seq):
mapped_seq = []
for eachItem in seq:
mapped_seq.append(func(eachItem))
return mapped_seq
来源:Python内建函数之——filter,map,reduce reduce(func,seq[,init]):func为二元函数,将func作用于seq序列的元素,每次携带一对(先前的结果以及下一个序列的元素),连续的将现有的结果和下一个值作用在获得的随后的结果上,最后减少我们的序列为一个单一的返回值:如果初始值init给定,第一个比较会是init和第一个序列元素而不是序列的头两个元素。 例如:
>>> reduce(lambda x,y : x + y,[1,2,3,4])
10
>>> reduce(lambda x,y : x + y,[1,2,3,4],10)
20
reduce的python实现:
def reduce(bin_func,seq,initial=None):
lseq = list(seq)
if initial is None:
res = lseq.pop(0)
else:
res = initial
for eachItem in lseq:
res = bin_func(res,eachItem)
return res
python中的for比R中的要广泛很多,R中的for (i in 1:3)循环的较多的是数值,python包括数值+文本列表。 1、字母当做循环
for letter in 'Python': # 第一个实例
print '当前字母 :', letter
当前字母 : P
当前字母 : y
当前字母 : t
当前字母 : h
当前字母 : o
当前字母 : n
2、列表当做循环
fruits = ['banana', 'apple', 'mango']
for fruit in fruits: # 第二个实例
print '当前字母 :', fruit
3、数字当做循环
for num in range(10,20): # 迭代 10 到 20 之间的数字
for i in range(2,num): # 根据因子迭代
if num%i == 0: # 确定第一个因子
j=num/i # 计算第二个因子
print '%d 等于 %d * %d' % (num,i,j)
break # 跳出当前循环
else: # 循环的 else 部分
print num, '是一个质数'
4、for 中的 _ 下划线的应用 for 中出现了 _ 那么作用跟R里面的repeat一致,有复制的功能。
import numpy as np
l=[("f1",'g1'),("f2","g2")]
h=['go1','go2']
In [17]:{iter:np.zeros(2) for iter,_ in l }
Out[17]: {'f1': array([ 0., 0.]), 'f2': array([ 0., 0.])}
In [18]:[{iter:np.zeros(2) for iter,_ in l } for _ in h]
Out[18]:
[{'f1': array([ 0., 0.]), 'f2': array([ 0., 0.])},
{'f1': array([ 0., 0.]), 'f2': array([ 0., 0.])}]
比较小白,对python里面的生成器一开始看不懂,不过后来觉得跟R里面的lappy功能很像。 for iter,_ in l 提取了l=[(“f1”,‘g1’),(“f2”,“g2”)]两个的第一个数字,屏蔽了第二个g1/g2 然后f1 f2赋值给了前面的函数,函数内容是iter:np.zeros(2),那么就是出现out[17]的结果。 for _ in h,完全就是repeat两次。
5、while - 重复执行 无限循环的时候,可以用ctrl + C结束。 while 语句用于循环执行程序,即在某条件下,循环执行某段程序,以处理需要重复处理的相同任务。其基本形式为: (1)常规用法:重复执行
#!/usr/bin/python
count = 0
while (count < 9):
print 'The count is:', count count = count + 1
print "Good bye!"
The count is: 0
The count is: 1
The count is: 2
The count is: 3
The count is: 4
The count is: 5
The count is: 6
The count is: 7
The count is: 8
Good bye!
for里面的重复执行,可以用 for _ in np.arrange(10):
(2)continue,break + while while 语句时还有另外两个重要的命令 continue,break 来跳过循环,continue 用于跳过该次循环,break 则是用于退出循环,此外”判断条件”还可以是个常值,表示循环必定成立,具体用法如下:
# continue 和 break 用法i = 1
while i < 10: i += 1 if i%2 > 0:
# 非双数时跳过输出
continue print i
# 输出双数2、4、6、8、10i = 1
while 1:
# 循环条件为1必定成立
print i
i += 1
if i > 10:
# 当i大于10时跳出循环
break
(3)循环使用 else 语句
#!/usr/bin/python
count = 0
while count < 5:
print count, " is less than 5" count = count + 1
else:
print count, " is not less than 5"
>>>
0 is less than 5
1 is less than 5
2 is less than 5
3 is less than 5
4 is less than 5
5 is not less than 5
两个列表同时迭代
nfc = ["Packers", "49ers"]
afc = ["Ravens", "Patriots"]
for teama, teamb in zip(nfc, afc):
print teama + " vs. " + teamb
>>> Packers vs. Ravens
>>> 49ers vs. Patriots
带索引的列表迭代
teams = ["Packers", "49ers", "Ravens", "Patriots"]
for index, team in enumerate(teams):
print index, team
>>> 0 Packers
>>> 1 49ers
>>> 2 Ravens
>>> 3 Patriots
已知一个列表,刷选出偶数列表方法:
numbers = [1,2,3,4,5,6]
even = []
for number in numbers:
if number%2 == 0:
even.append(number)
字典推导
teams = ["Packers", "49ers", "Ravens", "Patriots"]
print {key: value for value, key in enumerate(teams)}
>>> {'49ers': 1, 'Ravens': 2, 'Patriots': 3, 'Packers': 0}
和collections库一样,还有一个库叫itertools
from itertools import combinations
teams = ["Packers", "49ers", "Ravens", "Patriots"]
for game in combinations(teams, 2):
print game
>>> ('Packers', '49ers')
>>> ('Packers', 'Ravens')
>>> ('Packers', 'Patriots')
>>> ('49ers', 'Ravens')
>>> ('49ers', 'Patriots')
>>> ('Ravens', 'Patriots')
参考来自:百度知道
name在当前文件中:name=main name在别的文件中:name=def的名字
name是指示当前py文件调用方式的方法。如果它等于"main"就表示是直接执行,如果不是,则用来被别的文件调用,这个时候if就为False,那么它就不会执行最外层的代码了。 比如你有个Python文件里面
def XXXX():
#body
print "asdf"
这样的话,就算是别的地方导入这个文件,要调用这个XXXX函数,也会执行print “asdf”,因为他是最外层代码,或者叫做全局代码。但是往往我们希望只有我在执行这个文件的时候才运行一些代码,不是的话(也就是被调用的话)那就不执行这些代码,所以一般改为
def XXXX():
#body
if __name__="__main__":
print "asdf"
本python文档,if name == ‘main’:以下的内容可以执行, 别的python文档, 调用的话,if name == ‘main’:以下内容不管了。
同时main()的意义是:python 如何判断应该哪个是主执行文件呢?应用场景是在互相调用python内函数的时候。
来源:Python 初探 . .
Python的assert是用来检查一个条件,如果它为真,就不做任何事。如果它为假,则会抛出AssertError并且包含错误信息。例如:
py> x = 23
py> assert x > 0, "x is not zero or negative"
py> assert x%2 == 0, "x is not an even number"
Traceback (most recent call last):
File "", line 1, in
AssertionError: x is not an even number
类似R中的stopifnot
参考博客:Python 中何时使用断言? .
try:
f = open('xxx')
except:
print 'fail to open'
exit(-1)
如果try中open不出来,那么就except返回相应的内容“fail to open”
try:
<语句> #运行别的代码
except <名字>:
<语句> #如果在try部份引发了'name'异常
except <名字>,<数据>:
<语句> #如果引发了'name'异常,获得附加的数据
else:
<语句> #如果没有异常发生
try:
print('I am sure no exception is going to occur!')
except Exception:
print('exception')
else:
# 这里的代码只会在try语句里没有触发异常时运行,
# 但是这里的异常将 *不会* 被捕获
print('This would only run if no exception occurs. And an error here '
'would NOT be caught.')
finally:
print('This would be printed in every case.')
# Output: I am sure no exception is going to occur!
# This would only run if no exception occurs.
# This would be printed in every case.
来源:Python中获取异常(Exception)信息 1、str(e)
返回字符串类型,只给出异常信息,不包括异常信息的类型,如1/0的异常信息
‘integer division or modulo by zero’ 2、repr(e)
给出较全的异常信息,包括异常信息的类型,如1/0的异常信息
“ZeroDivisionError(‘integer division or modulo by zero’,)” 3、e.message
获得的信息同str(e)
4、采用traceback模块
需要导入traceback模块,此时获取的信息最全,与python命令行运行程序出现错误信息一致。使用traceback.print_exc()打印异常信息到标准错误,就像没有获取一样,或者使用traceback.format_exc()将同样的输出获取为字符串。你可以向这些函数传递各种各样的参数来限制输出,或者重新打印到像文件类型的对象。
try:
1/0
except Exception, e:
print 'str(Exception):\t', str(Exception)
print 'str(e):\t\t', str(e)
print 'repr(e):\t', repr(e)
print 'e.message:\t', e.message
print 'traceback.print_exc():'; traceback.print_exc()
print 'traceback.format_exc():\n%s' % traceback.format_exc()
或者:
def this_fails():
x = 1/0
try:
this_fails()
except :
print('Handling run-time error:')
raise
print(1)
以ERROR级别记录日志消息,异常跟踪信息将被自动添加到日志消息里。Logger.exception通过用在异常处理块中,如: 来源:Python模块学习:logging 日志记录
import logging
logging.basicConfig(filename = os.path.join(os.getcwd(), 'log.txt'), level = logging.DEBUG)
log = logging.getLogger('root')
try:
a===b
except:
log.exception('exception') #异常信息被自动添加到日志消息中
就会在指定目录里面,载入到Log.txt之中
来看看在Log中显示如下:
ERROR:root:exception
Traceback (most recent call last):
File "test.py", line 12, in <module>
a==b
NameError: name 'a' is not defined
所以,在 log.exception()可以简单定义一些关键词来帮助定位问题所在。
import logging
import unittest
class lgtest(unittest.TestCase):
logging.basicConfig(filename='../LOG/'+__name__+'.log',format='[%(asctime)s-%(filename)s-%(levelname)s:%(message)s]', level = logging.DEBUG,filemode='a',datefmt='%Y-%m-%d%I:%M:%S %p')
def test(self):
logging.error("这是一条error信息的打印")
logging.info("这是一条info信息的打印")
logging.warning("这是一条warn信息的打印")
logging.debug("这是一条debug信息的打印")
if __name__=='__main__':
unittest.main()
参考:Python + logging 输出到屏幕,将log日志写入文件 参考:python中logging模块下篇
# 信息写入log
import logging
from logging import handlers
class Logger(object):
level_relations = {
'debug':logging.DEBUG,
'info':logging.INFO,
'warning':logging.WARNING,
'error':logging.ERROR,
'crit':logging.CRITICAL
}#日志级别关系映射
def __init__(self,filename,level='info',when='D',backCount=15,\
fmt='%(asctime)s - %(levelname)s: %(message)s'):
self.logger = logging.getLogger(filename) # 创建log文件
format_str = logging.Formatter(fmt)#设置日志格式
self.logger.setLevel(self.level_relations.get(level))#设置日志级别
if not self.logger.handlers:
sh = logging.StreamHandler() # 初始化 1 ,往屏幕上输出
sh.setFormatter(format_str) # 设置屏幕上显示的格式
th = handlers.TimedRotatingFileHandler(filename=filename,when=when,\
backupCount=backCount,encoding='utf-8')
th.setFormatter(format_str)#设置文件里写入的格式
self.logger.addHandler(sh) #把对象加到logger里
self.logger.addHandler(th)
if __name__ == '__main__':
log = Logger('all.log',level='debug')
log.logger.debug('debug')
log.logger.info('info')
log.logger.warning('警告')
log.logger.error('报错'', exc_info=True)
log.logger.critical('严重')
Logger('error.log', level='error').logger.error('error')
屏幕上的结果如下:
2018-03-13 21:06:46,092 - DEBUG: debug
2018-03-13 21:06:46,092 - INFO: info
2018-03-13 21:06:46,092- WARNING: 警告
2018-03-13 21:06:46,099 - ERROR: 报错
2018-03-13 21:06:46,099- CRITICAL: 严重
2018-03-13 21:06:46,100 - ERROR: error
由于when=D,新生成的文件名上会带上时间,如下所示。
其中:
同时,
你会发现如果不设置if not self.logger.handlers:
,那么会出现,重复写日志问题。问题出在,他会不断往log.logger.handlers
添加handlers,上限是三个,就会出现:
第一条记录写一次,第二条记录写两次,第三条记录写三次。
(解决方案来自:python logging 重复写日志问题)
原理在于,如果self.logger.handlers
已经有类了,那么就不要额外添加了。
# 正常的self.logger.handlers长什么样子:
[<logging.StreamHandler at 0x12eba1e3128>,
<logging.handlers.TimedRotatingFileHandler at 0x12eba1e3160>]
# 不正常的self.logger.handlers长什么样子:
[<logging.StreamHandler at 0x12eba1e3128>,
<logging.handlers.TimedRotatingFileHandler at 0x12eba1e3160>,
[<logging.StreamHandler at 0x12eba1e3128>,
<logging.handlers.TimedRotatingFileHandler at 0x12eba1e3160>,]
import logging
logging.basicConfig(level=logging.INFO,
format='%(asctime)s %(message)s',
datefmt='%a, %d %b %Y %H:%M:%S +0000',
filename='my.log')
logging.info('this is a info')
try:
do
except Exception:
logging.error('There are something wrong', exc_info=True)
logging.info('continue')
# 报错信息暴露
Sun, 01 Jul 2018 21:10:53 +0000 There are something wrong
Traceback (most recent call last):
File "learn.py", line 9, in <module>
do
NameError: name 'do' is not defined
Sun, 01 Jul 2018 21:10:53 +0000 continue
我们不仅可以通过python代码进行logging配置,而且可以通过写一个yaml文件进行配置,每次需要用logging时只要调用这个文件就配置完成。
config.yaml文件内容如下
version: 1
formatters:
simple:
format: "%(message)s"
more:
format: "%(asctime)s - %(levelname)s - %(message)s"
handlers:
console:
class : logging.StreamHandler
formatter: simple
level: INFO
stream: ext://sys.stdout
file:
class: logging.FileHandler
formatter: more
level: DEBUG
filename: debug.log
loggers:
mainlogger:
level: DEBUG
handlers: [console, file]
root:
level: DEBUG
handlers: [console]
main.py文件中编写代码如下
import logging
import logging.config
import yaml
import a
with open('config.yaml', 'r', encoding='utf-8') as f:
config = yaml.load(f)
logging.config.dictConfig(config)
logging.info('main file log')
a.run()
那么with和as也是一种防止报错的防范方式, 当python执行这一句时,会调用__enter__函数,然后把该函数return的值传给as后指定的变量。 之后,python会执行下面do something的语句块。最后不论在该语句块出现了什么异常,都会在离开时执行__exit__。
ith open("x.txt") as f:
data = f.read()
with open("x.txt") as f1, open('xxx.txt') as f2:
do something with f1,f2
那么try和with也可以合起:
try:
with open( "a.txt" ) as f :
do something
except xxxError:
do something about exception
延伸:报错提示如何写ValueError()
if pretrained_model not in self._models:
raise ValueError(
'The n_class needs to be supplied as an argument.')
参考url:https://blog.csdn.net/skullfang/article/details/78820541
raise RuntimeError('testError')
. .
参考于:Python的hasattr() getattr() setattr() 函数使用方法详解
class <类名>:
<语句>
类需注意:
__init__存入
class save_def(object):
def __init__(self, name, score):
self.name = name
self.score = score
这样save_def里面就会一直存着name、score函数。
initialization = save_def(name,score)
初始化的方式跟函数一样,直接传入。 同时,initialization.name,initialization.score 也相当于initialization的属性。 不过,如果你觉得还需要额外加入一些临时属性的话,可以直接赋值:
initialization.other = "other"
类内的参数前面加self.para
class save_def(object):
def __init__(self, name, score):
self.name = name
self.score = score
def function1(self,dataframe):
temp_data = type(dataframe[self.name])
return temp_data
如果类里面包着函数,而且函数里面包着属性,那么可以直接用:
initialization = save_def(name,score)
initialization.function1(dataframe)
如果是函数的话,则为:
>>>def function1(name,dataframe):
temp_data = type(dataframe[name])
return temp_data
>>>function1(name,dataframe)
不同的地方在于类里面,可以直接用类内存着的函数。
类内函数调用类内的函数,前面需要加self.
class save_def(object):
def __init__(self, name, score):
self.name = name
self.score = score
def function1(self,dataframe):
temp_data = type(dataframe[self.name])
return temp_data
def function2(self):
temp_data2 = self.function1(dataframe.ix[self.score>10,:])
self.function1就是一种类内调用函数的方式。从这一案例可以看出: 类内调用函数+参数,都需要用self. .
argparse模块是把python代码变成可以命令行模式的一种方案,然后就可以写进.bat里面一键运行都没有问题。
import argparse
import ast
parser = argparse.ArgumentParser()
parser.add_argument("-t", "--t2s",type=ast.literal_eval,default = False, help=" True False")
parser.add_argument("-f", "--filename",default = '7w.csv', help="data file path and the format must utf-8 or gbk")
args = parser.parse_args()
if args.t2s:
print('yes')
其中parser.add_argument
是定义的核心环节,其中-t
代表命令行时候需要键入的内容;--t2s
代表在python中调用的内容(以args.t2s
),type
代表格式,default
代表默认值,help
是一些备注。
此时只要键入:python xx.py -t True -f 7w.csv
,即可开始运行。
其中7w.csv
是字符型,不能写成'7w.csv'
注意: 如果键入true/false,判断类的,需要用ast这类,不然的话,怎么输入都会变为True(虽然我们指定了其类型为bool,但无论我们在命令行中给这个参数传入什么值(如True,False等),my_bool的值总是为True。)。 解决方案参考:使用Python中的argparse从命令行接收boolean类型的参数
触发器: 其中,关于True/False还是一种方式:
parser.add_argument(
"--show-mask-heatmaps",
dest="show_mask_heatmaps",
help="Show a heatmap probability for the top masks-per-dim masks",
action="store_true",
)
store_true 是指带触发action时为真,不触发则为假,2L说的代码去掉default初始化,其功能也不会变化
parser.add_argument('-c', action='store_true')
#python test.py -c => c是true(触发)
#python test.py => c是false(无触发)
.
因为,Python里面全局变量所谓的全局是针对在一个文件里面的函数而言的,跨文件就等于定义在不同的包里面,也就相当于是使用了不同的命名空间。(来源:PYTHON全局变量在模块中的无法引用?) 笔者在调用另一个.py文件中的类的时候,发生大面积的报错:
globel name 'xxx' is not defined
无奈只能写在一个文档中。
一般来说,调用的方式有两种:import 和 from…import…:
import datetime
print(datetime.datetime.now())
from datetime import datetime
print(datetime.now())
通俗的说:
from import : 从车里把矿泉水拿出来,给我
import : 把车给我
.
参考于:深入浅出Python装饰器、Python装饰器学习(九步入门)、Python 的闭包和装饰器
其中笔者认为,类class适合打包函数,装饰器@适合包装函数,并不是包装参数。 同时,装饰器适合,函数之间有一定递进、级联关系,比较适合。
装饰器相当于升级版的闭包,一个闭包就是你调用了一个函数A,这个函数A返回了一个函数B给你。这个返回的函数B就叫做闭包。你在调用函数A的时候传递的参数就是自由变量。
def func(name):
def inner_func(age):
print 'name:', name, 'age:', age
return inner_func
bb = func('the5fire')
bb(26) # >>> name: the5fire age: 26
这里面调用func的时候就产生了一个闭包——inner_func,并且该闭包持有自由变量——name,因此这也意味着,当函数func的生命周期结束之后,name这个变量依然存在,因为它被闭包引用了,所以不会被回收。
.
函数传入、函数传出,装饰器的本质就是函数闭包,或者说利用了函数闭包的特性。
def outer(function):
def inner():
print("执行function之前可以进行额外操作")
result = function()
print("执行function之后还可以进行额外操作")
result *= 2 # 对function的返回值本身进行额外操作
return result # 返回‘加强’后的结果
return inner
def wait_for_deco():
return 1024
decorated = outer(wait_for_deco)
print decorated()
# 输出
2048
上例就是纯手工实现的一个最简单的装饰器。装饰器函数outer并没有修改被装饰函数wait_for_deco,但我们调用被装饰后的decorated函数闭包却能够得到原函数的加强版结果,还能进行额外的操作。
超级简单的案例一则:
def function1(function):
return function() + 1
# function作为参数传入,且这个参数名称是任意的,跟普通参数一致,需要对齐,函数也要写function
def function2():
return 2
#这样的装饰器,一般不传入参数
# 使用
>>> function1(function2)
>>> 3
# 其中,不能写成function1(function2())
实际上装饰符@就仅仅是帮我们自动地把返回的闭包函数名字替换为原函数的名字。
def outer(function):
def inner():
print("执行function之前可以进行额外操作")
result = function()
print("执行function之后还可以进行额外操作")
result *= 2 # 对function的返回值本身进行额外操作
return result # 返回‘加强’后的结果
return inner
@outer
def wait_for_deco():
return 1024
print wait_for_deco()
# 输出
2048
# 例如为下面的函数写一个装饰器,应该在内部的wapper中按原样传递参数
def decorator(func):
def wrapper(x, y)
ret = func(x, y) # 原函数的返回值
return ret*2 # 原函数的结果“加强”后再返回
return wrapper
@decorator
def wait_for_deco(x, y):
return x + y
print(wait_for_deco(1, 2))
# 输出
6
可调节的多参数 按照上面这种写法虽然可以传参了但有个缺陷,参数个数不确定的函数就没法使用这个装饰器了。
def decorator(func):
def wrapper(*args, **kwargs)
ret = func(*args, **kwargs)
return ret*2
return wrapper
@decorator
def wait_for_deco_a(x, y):
return x + y
@decorator
def wait_for_deco_b(x, y, z):
return x + y + z
print(wait_for_deco_a(1, 2))
6
print(wait_for_deco_b(1, 2, 3))
12
超级简单案例一则:
def function2(function):
# 因为要传入参数,所以下面的def 就相当于在写了一次_function2,但也不是简单的加个def,其中_代表,专属于函数内
def _function2(b):
# 并不能写出:function2(function)
a = function(b)
return a + 1
return _function2
# 返回的是函数本身
@function2
def function1(b):
return b + 1
function2(function1)
来源文章:Python装饰器02
def mydec(is_print):
def mydec_f(func):
def mydec_a(*args, **kwargs):
r = func(*args, **kwargs)
if is_print:
print("结果是:{}".format(r))
else:
print("不打印结果")
return mydec_a
return mydec_f
@mydec(True)
def mysum(a, b):
c = a + b
return c
@mydec(False)
def mysum2(a, b, c):
d = a + b + c
return d
mysum(1, 2)
mysum2(1, 2, 3)
>>>结果是:3
来源文章:Python装饰器02
class mycls():
def __init__(self):
print("类初始化了")
@staticmethod
def test1():
print("我是mycls.test1")
@staticmethod
def test2():
print("我是mycls.test2")
# 装饰器
def mydec(cls):
def mydec_f(func):
def mydec_a(*args, **kwargs):
cls.test1()
r = func(*args, **kwargs)
print("结果是:{}".format(r))
cls.test2()
return mydec_a
return mydec_f
@mydec(mycls)
def mysum(a, b):
c = a + b
return c
@mydec(mycls)
def mysum2(a, b, c):
d = a + b + c
return d
mysum(1, 2)
mysum2(1, 2, 3)
结果:
我是mycls.test1
结果是:3
我是mycls.test2
我是mycls.test1
结果是:6
我是mycls.test2