一、内置高阶函数
map函数：接收两个数据 函数和序列，map（）将函数调用'映射'到序列身上，并返回一个含有所有返回值的一个列表
num1 = [1,2,3,4,5]
num2 = [5,4,3,2,1]
def add_one(x): #加
return x+1
def reduce_one(x): #减
return x-1
def pow(x): #平方
return x**2
def map_test(func,array):
res = []
for i in array:
res.append(func(i))
return res
res1 = map_test(pow,num1)
print(res1)
res2 = map_test(lambda x:x+1,num1)
print(res2)
#内置函数map
res3 = map(reduce_one,num2)
print(list(res3)) reduce函数：接收两个数据 函数和序列，reduce把一个函数作用在一个序列[x1, x2, x3, ...]上，这个函数必须接收两个参数，reduce把结果继续和序列的下一个元素做相应计算
num1 = [1,2,3,4,100,200]
def reduce_test(func,array,init=None):
if init==None:
res=array.pop(0)
else:
res=init
for i in array:
res=func(res,i)
return res
print(reduce_test(lambda x,y:x*y,num1,10))
#内置reduce函数
from functools import reduce
print(reduce(lambda x,y:x+y,num1)) filter函数：接收两个数据 函数和序列，filter()把传入的函数依次作用于每个元素，然后根据返回值是True还是False决定保留还是丢弃该元素
num1 = [1,5,20,30,100,200]
def filter_test(func,array):
res = []
for i in array:
res.append(func(i))
return res
res1 = filter_test(lambda x:x>99,num1)
print(res1)
#内置filter函数
res2 = filter(lambda n:n>99,num1)
print(list(res2))二、其它内置函数
eval（）把字符串中的数据结构提取出来
a = "{'a':23,'b':43,'book':'english'}"
print(eval（a))
hash（）可以hash的数据类型是不可变数据类型
a = 'alex'
b = hash(a)
print(b)
zip 函数(组成一一对应的元组)（如果外面不加一个lis那没得到的就是一个zip对象）
print(list(zip(('a','b','c'),(1,2,3))))
print(list(zip(('a','b','c'),(1,2,3,4))))
print(list(zip(('a','b','c','d'),(1,2,3))))
p = {'name':'alex','age':23,'gender':'male'}
print(list(zip(p.keys(),p.values())))
输出结果为：
[('a', 1), ('b', 2), ('c', 3)]
[('a', 1), ('b', 2), ('c', 3)]
[('a', 1), ('b', 2), ('c', 3)]
[('name', 'alex'), ('age', 23), ('gender', 'male')]
max 和 min 函数
l = [
(5,'e'),
(2,'b'),
(3,'c'),
(6,'d')
]
print(list(max(l)))
max 函数的两点说明：
1.max处理的是可以迭代的对象，相当于for循环取出每个元素进行比较，不同数据类型之间不可以比较
2.每个元素之间的比较是从每个元素的第一个位置依次比较，如果此位置可以区分出大小，后面就不需要比较了，直接得出这两个元素的大小
sorted函数的使用(都是按照从小到大的顺序进行排列)
name_dict ={
'yuanhao':80,
'alex':99,
'wupeiqi':700
}
print(sorted(name_dict))
print(sorted(name_dict,key = lambda key:name_dict[key]))
1.对数据的进制转化
a = hex(12)#十进制转十六进制
b = bin(12) #十进制转二进制
c = oct(12) #十进制转八进制
print(a)
print(b)
print(c)
输出结果为：
0xc
0b1100
0o14
2.数字转字母，字母转数字（ASCII表）
a = ord('A')
b = chr(99)
print(a,b)
输出结果：65 c
3.divmod 取余函数（用在做网页的文章分页）
c = divmod(10,3)
print(c)
输出结果：(3, 1) #3余数为1
4.求次方函数
d = pow(2,3)
e = pow(2,3,4)
print(d,e) #d:2的3次方；e:2的3次方对4取余
5.reversed函数取翻转
6.round（） #四舍五入函数
7.abs（）
# print(abs(-10))
输出 10
8.all（）函数 判断列表内是否都为真
>>> print(all([1,2,'1','']))
False
9.any（）函数 有一真则为真
>>>print(any([0,'',1]))
>>>True
10.bytes（）函数
name='你好'
print(bytes(name,encoding='utf-8'))
print(bytes(name,encoding='utf-8').decode('utf-8'))
print(bytes(name,encoding='gbk'))
print(bytes(name,encoding='gbk').decode('gbk'))
print(bytes(name,encoding='ascii'))#ascii不能编码中文
11.isinstance（）函数 判断数据类型
print(isinstance(1,int))
print(isinstance('abc',str))
print(isinstance([],list))
print(isinstance({},dict))
print(isinstance({1,2},set))
三、迭代器和生成器
我们已经知道，可以直接作用于for循环的数据类型有以下几种：
一类是集合数据类型，如list、tuple、dict、set、str等；
一类是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
而生成器不但可以作用于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
你可能会问，为什么list、dict、str等数据类型不是Iterator？
这是因为Python的Iterator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。
迭代器小结
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，它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
实际上完全等价于：
# 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
生成器
1.生成器函数：常规函数定义，但是，使用yield语句而不是return语句返回结果。yield语句一次返回一个结果，在每个结果中间，挂起函数的状态，以便下次重它离开的地方继续执行
2.生成器表达式：类似于列表推导，但是，生成器返回按需产生结果的一个对象，而不是一次构建一个结果列表，把列表解析式的中括号改为小括号
生成器小结：
1.是可迭代对象
2.实现了延迟计算,省内存
3.生成器本质和其他的数据类型一样，都是实现了迭代器协议，只不过生成器附加了一个延迟计算省内存的好处，其余的可迭代对象可没有这点好处.
4.只能遍历一次
生成器表达式：
>>> 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>
生成器函数：裴波拉契数列
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1
return 'done'闭包问题示例：
def multipliers():
gs = []
for i in (0, 1, 2, 3):
def g(x):
return i * x
gs.append(g)
return gs # 即4个g(x) gs = [g(x),g(x),g(x),g(x),g(x)]
print([m(2) for m in multipliers()])
# [m(2) for m in multipliers()] 相当于 [m(2) for m in [g(x),g(x),g(x),g(x),g(x)]] 这里的个g(x)就是 def g(x):
# return i * x
# m(2) for m in multipliers()即m是multipliers的一个返回值，即g(x)。 m(2)即g(2),2*3 = 6
# 故结果是【6,6,6,6】
#解决方法一: 使用map函数先生成一个序列(i for i in range(4)) 然后传入lambda表达式i * x 进行计算
def multipliers(x):
return map(lambda i :i * x ,(i for i in range(4)))
print(list(multipliers(2)))
# 解决方法二: 在循环的时候就把每次的i值当默认参数传进去
def multipliers():
return [lambda x, i=i : i * x for i in range(4)]
print([m(2) for m in multipliers()])
def multiplier():
gs = []
for i in (0, 1, 2, 3):
def g(x,i=i): # 在循环的时候就把每次的i值当默认参数传进去
return i * x
gs.append(g)
return gs # gs = [ return 0*x , return 1*x , return 2*x , return 3*x ]
print([m(2) for m in multiplier()])
# [m(2) for m in multiplier()] 相当于 [m(2) for m in [ return 0*x , return 1*x , return 2*x , return 3*x ] ]
