Python 是一种代表简单思想的语言，其语法相对简单，很容易上手。不过，如果就此小视 Python 语法的精妙和深邃，那就大错特错了。本文精心筛选了最能展现 Python 语法之精妙的十个知识点，并附上详细的实例代码。如能在实战中融会贯通、灵活使用，必将使代码更为精炼、高效，同时也会极大提升代码B格，使之看上去更老练，读起来更优雅。
for - else
什么？不是 if 和 else 才是原配吗？No，你可能不知道，else 是个脚踩两只船的家伙，for 和 else 也是一对，而且是合法的。十大装B语法，for-else 绝对算得上南无湾！不信，请看：>>> for i in [1,2,3,4]: print(i)else: print(i, 我是else)12344 我是else如果在 for 和 else 之间（循环体内）有第三者 if 插足，也不会影响 for 和 else 的关系。因为 for 的级别比 if 高，else 又是一个攀附权贵的家伙，根本不在乎是否有 if，以及是否执行了满足 if 条件的语句。else 的眼里只有 for，只要 for 顺利执行完毕，else 就会屁颠儿屁颠儿地跑一遍：>>> for i in [1,2,3,4]: if i > 2: print(i)else: print(i, 我是else)344 我是else那么，如何拆散 for 和 else 这对冤家呢？只有当 for 循环被 break 语句中断之后，才会跳过 else 语句：>>> for i in [1,2,3,4]: if i>2: print(i) breakelse: print(i, 我是else)3
一颗星()和两颗星(*)
有没有发现，星(*)真是一个神奇的符号！想一想，没有它，C语言还有啥好玩的？同样，因为有它，Python 才会如此的仪态万方、风姿绰约、楚楚动人！Python 函数支持默认参数和可变参数，一颗星表示不限数量的单值参数，两颗星表示不限数量的键值对参数。我们还是举例说明吧：设计一个函数，返回多个输入数值的和。我们固然可以把这些输入数值做成一个list传给函数，但这个方法，远没有使用一颗星的可变参数来得优雅：>>> def multi_sum(*args): s = 0 for item in args: s += item return s>>> multi_sum(3,4,5)12Python 函数允许同时全部或部分使用固定参数、默认参数、单值（一颗星）可变参数、键值对（两颗星）可变参数，使用时必须按照前述顺序书写。>>> def do_something(name, age, gender=男, *args, **kwds): print(姓名：%s，年龄：%d，性别：%s%(name, age, gender)) print(args) print(kwds)>>> do_something(xufive, 50, 男, 175, 75, math=99, english=90)姓名：xufive，年龄：50，性别：男(175, 75){math: 99, english: 90}
三元表达式
熟悉 C/C++ 的程序员，初上手 python 时，一定会怀念经典的三元操作符，因为想表达同样的思想，用python 写起来似乎更麻烦。比如：>>> y = 5>>> if y >> y = 5>>> print(y是一个负数 if y >> y = 5>>> x = -1 if y >> x1
with - as
with 这个词儿，英文里面不难翻译，但在 Python 语法中怎么翻译，我还真想不出来，大致上是一种上下文管理协议。作为初学者，不用关注 with 的各种方法以及机制如何，只需要了解它的应用场景就可以了。with 语句适合一些事先需要准备，事后需要处理的任务，比如，文件操作，需要先打开文件，操作完成后需要关闭文件。如果不使用with，文件操作通常得这样：fp = open(r"D:\CSDN\Column\temp\mpmap.py", r)try: contents = fp.readlines()finally: fp.close()如果使用 with - as，那就优雅多了：>>> with open(r"D:\CSDN\Column\temp\mpmap.py", r) as fp: contents = fp.readlines()
列表推导式
在各种稀奇古怪的语法中，列表推导式的使用频率应该时最高的，对于代码的简化效果也非常明显。比如，求列表各元素的平方，通常应该这样写（当然也有其他写法，比如使用map函数）：>>> a = [1, 2, 3, 4, 5]>>> result = list()>>> for i in a: result.append(i*i)>>> result[1, 4, 9, 16, 25]如果使用列表推导式，看起来就舒服多了：>>> a = [1, 2, 3, 4, 5]>>> result = [i*i for i in a]>>> result[1, 4, 9, 16, 25]事实上，推导式不仅支持列表，也支持字典、集合、元组等对象。有兴趣的话，可以自行研究。我有一篇博文《一行 Python 代码能实现什么丧心病狂的功能？》，里面的例子，都是列表推导式实现的。
列表索引的各种骚操作
Python 引入负整数作为数组的索引，这绝对是喜大普奔之举。想想看，在C/C++中，想要数组最后一个元素，得先取得数组长度，减一之后做索引，严重影响了思维的连贯性。Python语言之所以获得成功，我个人觉得，在诸多因素里面，列表操作的便捷性是不容忽视的一点。请看：>>> a = [0, 1, 2, 3, 4, 5]>>> a[2:4][2, 3]>>> a[3:][3, 4, 5]>>> a[1:][1, 2, 3, 4, 5]>>> a[:][0, 1, 2, 3, 4, 5]>>> a[::2][0, 2, 4]>>> a[1::2][1, 3, 5]>>> a[-1]5>>> a[-2]4>>> a[1:-1][1, 2, 3, 4]>>> a[::-1][5, 4, 3, 2, 1, 0]如果说，这些你都很熟悉，也经常用，那么接下来这个用法，你一定会感觉很神奇：>>> a = [0, 1, 2, 3, 4, 5]>>> b = [a, b]>>> a[2:2] = b>>> a[0, 1, a, b, 2, 3, 4, 5]>>> a[3:6] = b>>> a[0, 1, a, a, b, 4, 5]
lambda函数
lambda 听起来很高大上，其实就是匿名函数（了解js的同学一定很熟悉匿名函数）。匿名函数的应用场景是什么呢？就是仅在定义匿名函数的地方使用这个函数，其他地方用不到，所以就不需要给它取个阿猫阿狗之类的名字了。下面是一个求和的匿名函数，输入参数有两个，x和y，函数体就是x+y，省略了return关键字。>>> lambda x,y: x+y>>> (lambda x,y: x+y)(3,4) # 因为匿名函数没有名字，使用的时候要用括号把它包起来匿名函数一般不会单独使用，而是配合其他方法，为其他方法提供内置的算法或判断条件。比如，使用排序函数sorted对多维数组或者字典排序时，就可以指定排序规则。>>> a = [{name:B, age:50}, {name:A, age:30}, {name:C, age:40}]>>> sorted(a, key=lambda x:x[name]) # 按姓名排序[{name: A, age: 30}, {name: B, age: 50}, {name: C, age: 40}]>>> sorted(a, key=lambda x:x[age]) # 按年龄排序[{name: A, age: 30}, {name: C, age: 40}, {name: B, age: 50}]再举一个数组元素求平方的例子，这次用map函数：>>> a = [1,2,3]>>> for item in map(lambda x:x*x, a): print(item, end=, )1, 4, 9,
yield 以及生成器和迭代器
yield 这词儿，真不好翻译，翻词典也没用。我干脆就读作“一爱得”，算是外来词汇吧。要理解 yield，得先了解 generator（生成器）。要了解generator，得先知道 iterator（迭代器）。哈哈哈，绕晕了吧？算了，我还是说白话吧。话说py2时代，range()返回的是list，但如果range(10000000)的话，会消耗大量内存资源，所以，py2又搞了一个xrange()来解决这个问题。py3则只保留了xrange()，但写作range()。xrange()返回的就是一个迭代器，它可以像list那样被遍历，但又不占用多少内存。generator（生成器）是一种特殊的迭代器，只能被遍历一次，遍历结束，就自动消失了。总之，不管是迭代器还是生成器，都是为了避免使用list，从而节省内存。那么，如何得到迭代器和生成器呢？pyrhon内置了迭代函数 iter，用于生成迭代器，用法如下：>>> a = [1,2,3]>>> a_iter = iter(a)>>> a_iter>>> for i in a_iter: print(i, end=, )1, 2, 3, yield 则是用于构造生成器的。比如，我们要写一个函数，返回从0到某正整数的所有整数的平方，传统的代码写法是这样的：>>> def get_square(n): result = list() for i in range(n): result.append(pow(i,2)) return result>>> print(get_square(5))[0, 1, 4, 9, 16]但是如果计算1亿以内的所有整数的平方，这个函数的内存开销会非常大，这是 yield 就可以大显身手了：>>> def get_square(n): for i in range(n): yield(pow(i,2))>>> a = get_square(5)>>> a>>> for i in a: print(i, end=, )0, 1, 4, 9, 16, 如果再次遍历，则不会有输出了。
装饰器
刚弄明白迭代器和生成器，这又来个装饰器，Python 咋这么多器呢？的确，Python 为我们提供了很多的武器，装饰器就是最有力的武器之一。装饰器很强大，我在这里尝试从需求的角度，用一个简单的例子，说明装饰器的使用方法和制造工艺。假如我们需要定义很多个函数，在每个函数运行的时候要显示这个函数的运行时长，解决方案有很多。比如，可以在调用每个函数之前读一下时间戳，每个函数运行结束后再读一下时间戳，求差即可；也可以在每个函数体内的开始和结束位置上读时间戳，最后求差。不过，这两个方法，都没有使用装饰器那么简单、优雅。下面的例子，很好地展示了这一点。>>> import time>>> def timer(func): def wrapper(*args,**kwds): t0 = time.time() func(*args,**kwds) t1 = time.time() print(耗时%0.3f%(t1-t0,)) return wrapper>>> @timerdef do_something(delay): print(函数do_something开始) time.sleep(delay) print(函数do_something结束)>>> do_something(3)函数do_something开始函数do_something结束耗时3.077timer() 是我们定义的装饰器函数，使用@把它附加在任何一个函数（比如do_something）定义之前，就等于把新定义的函数，当成了装饰器函数的输入参数。运行 do_something() 函数，可以理解为执行了timer(do_something) 。细节虽然复杂，不过这么理解不会偏差太大，且更易于把握装饰器的制造和使用。
巧用断言assert
所谓断言，就是声明表达式的布尔值必须为真的判定，否则将触发 AssertionError 异常。严格来讲，assert是调试手段，不宜使用在生产环境中，但这不影响我们用断言来实现一些特定功能，比如，输入参数的格式、类型验证等。>>> def i_want_to_sleep(delay): assert(isinstance(delay, (int,float))), 函数参数必须为整数或浮点数 print(开始睡觉) time.sleep(delay) print(睡醒了)>>> i_want_to_sleep(1.1)开始睡觉睡醒了>>> i_want_to_sleep(2)开始睡觉睡醒了>>> i_want_to_sleep(2)Traceback (most recent call last): File "", line 1, in i_want_to_sleep(2) File "", line 2, in i_want_to_sleep assert(isinstance(delay, (int,float))), 函数参数必须为整数或浮点数AssertionError: 函数参数必须为整数或浮点数作者许向武长期从事数据处理工作，服务于多个科研机构和科研项目。参与过子午工程、气象卫星、空间探测星、嫦娥等多个项目的数据处理。熟悉C，C++，单一使用python语言编程超过10年。他在CSDN的APP创建了一个小组，名为“python作业辅导小组”，面向python初学者，为大家提供咨询服务、辅导python作业。
