本章讨论Python的内置功能，这些功能本书会用到很多。虽然扩展库，比如pandas和Numpy，使处理大数据集很方便，但它们是和Python的内置数据处理工具一同使用的。

我们会从Python最基础的数据结构开始：元组、列表、字典和集合。然后会讨论创建你自己的、可重复使用的Python函数。最后，会学习Python的文件对象，以及如何与本地硬盘交互。

数据结构和序列

Python的数据结构简单而强大。通晓它们才能成为熟练的Python程序员。

元组

元组是一个固定长度，不可改变的Python序列对象。创建元组的最简单方式，是用逗号分隔一列值：

tup = 4, 5, 6tup

(4, 5, 6)

当用复杂的表达式定义元组，最好将值放到圆括号内，如下所示：

nested_tup = (4, 5, 6), (7, 8)nested_tup

((4, 5, 6), (7, 8))

用tuple可以将任意序列或迭代器转换成元组：

tuple([4, 0, 2])

(4, 0, 2)

tup = tuple('string')

tup

('s', 't', 'r', 'i', 'n', 'g')

可以用方括号访问元组中的元素。和C、C++、JAVA等语言一样，序列是从0开始的：

tup[0]

's'

元组中存储的对象可能是可变对象。一旦创建了元组，元组中的对象就不能修改了：

tup = tuple(['foo', [1, 2], True])tup[2] = False

---------------------------------------------------------------------------TypeError Traceback (most recent call last)<ipython-input-9-11b694945ab9> in <module>1 tup = tuple(['foo', [1, 2], True])----> 2 tup[2] = FalseTypeError: 'tuple' object does not support item assignment

如果元组中的某个对象是可变的，比如列表，可以在原位进行修改：

tup[1].append(3)tup

('foo', [1, 2, 3], True)

可以用加号运算符将元组串联起来：

(4, None, 'foo') + (6, 0) + ('bar',)

(4, None, 'foo', 6, 0, 'bar')

元组乘以一个整数，像列表一样，会将几个元组的复制串联起来：

('foo', 'bar') * 4

('foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'bar')

对象本身并没有被复制，只是引用了它。

拆分元组

如果你想将元组赋值给类似元组的变量，Python会试图拆分等号右边的值：

tup = (4, 5, 6)a, b, c = tupb

5

即使含有元组的元组也会被拆分：

tup = 4, 5, (6, 7)a, b, (c, d) = tupd

7

使用这个功能，你可以很容易地替换变量的名字，其它语言可能是这样：

tmp = aa = bb = tmp

但是在Python中，替换可以这样做：

a, b = 1, 2a

1

b, a = a, ba

2

变量拆分常用来迭代元组或列表序列

seq = [(1, 2, 3), (4, 5, 6), (7, 8, 9)]for a, b, c in seq:print('a={0}, b={1}, c={2}'.format(a, b, c))

a=1, b=2, c=3a=4, b=5, c=6a=7, b=8, c=9

另一个常见用法是从函数返回多个值。后面会详解。

Python最近新增了更多高级的元组拆分功能，允许从元组的开头“摘取”几个元素。它使用了特殊的语法*rest，这也用在函数签名中以抓取任意长度列表的位置参数：

values = 1, 2, 3, 4, 5a, b, *rest = valuesrest

[3, 4, 5]

rest的部分是想要舍弃的部分，rest的名字不重要。作为惯用写法，许多Python程序员会将不需要的变量使用下划线：

a, b, *_ = values

tuple方法

因为元组的大小和内容不能修改，它的实例方法都很轻量。其中一个很有用的就是count（也适用于列表），它可以统计某个值得出现频率：

a = (1, 2, 2, 2, 3, 4, 2)a.count(2)

4

列表

与元组对比，列表的长度可变、内容可以被修改。你可以用方括号定义，或用list函数：

a_list = [2, 3, 7, None]tup = ('foo', 'bar', 'baz')b_list = list(tup)b_list

['foo', 'bar', 'baz']

b_list[1] = 'peekaboo'

b_list

['foo', 'peekaboo', 'baz']

列表和元组的语义接近，在许多函数中可以交叉使用。

list函数常用来在数据处理中实体化迭代器或生成器：

gen = range(10)gen

range(0, 10)

list(gen)

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

添加和删除元素

可以用append在列表末尾添加元素：

b_list.append('dwarf')b_list

['foo', 'peekaboo', 'baz', 'dwarf']

insert可以在特定的位置插入元素

b_list.insert(1, 'red')

b_list

['foo', 'red', 'peekaboo', 'baz', 'dwarf']

插入的序号必须在0和列表长度之间。

警告：与append相比，insert耗费的计算量大，因为对后续元素的引用必须在内部迁移，以便为新元素提供空间。如果要在序列的头部和尾部插入元素，你可能需要使用collections.deque，一个双尾部队列。

insert的逆运算是pop，它移除并返回指定位置的元素：

b_list.pop(2)

'peekaboo'

b_list

['foo', 'red', 'baz', 'dwarf']

可以用remove去除某个值，remove会先寻找第一个值并除去：

b_list.append('foo')b_list

['foo', 'red', 'baz', 'dwarf', 'foo']

b_list.remove('foo')b_list

['red', 'baz', 'dwarf', 'foo']

如果不考虑性能，使用append和remove，可以把Python的列表当做完美的“多重集”数据结构。

用in可以检查列表是否包含某个值

'dwarf' in b_list

True

否定in可以再加一个not：

'dwarf' not in b_list

False

在列表中检查是否存在某个值远比字典和集合速度慢，因为Python是线性搜索列表中的值，但在字典和集合中，在同样的时间内还可以检查其它项（基于哈希表）。

串联和组合列表

与元组类似，可以用加号将两个列表串联起来：

[4, None, 'foo'] + [7, 8, (2, 3)]

[4, None, 'foo', 7, 8, (2, 3)]

如果已经定义了一个列表，用extend方法可以追加多个元素：

x = [4, None, 'foo']x.extend([7, 8, (2, 3)])

x

[4, None, 'foo', 7, 8, (2, 3)]

通过加法将列表串联的计算量较大，因为要新建一个列表，并且要复制对象。用extend追加元素，尤其是到一个大列表中，更为可取。因此：

everything = []for chunk in list_of_lists:everything.extend(chunk)

要比串联方法快：

everything = []for chunk in list_of_lists:everything = everything + chunk

排序

你可以用sort函数将一个列表原地排序（不创建新的对象）：

a = [7, 2, 5, 1, 3]a.sort()

a

[1, 2, 3, 5, 7]

sort有一些选项，有时会很好用。其中之一是二级排序key，可以用这个key进行排序。例如，我们可以按长度对字符串进行排序：

b = ['saw', 'small', 'He', 'foxes', 'six']b.sort(key=len)

b

['He', 'saw', 'six', 'small', 'foxes']

稍后，我们会学习sorted函数，它可以产生一个排好序的序列副本。

二分搜索和维护已排序的列表

bisect模块支持二分查找，和向已排序的列表插入值。bisect.bisect可以找到插入值后仍保证排序的位置，bisect.insort是向这个位置插入值：

import bisectc = [1, 2, 2, 2, 3, 4, 7]bisect.bisect(c, 2)

4

bisect.bisect(c, 5)

6

bisect.insort(c, 6)

c

[1, 2, 2, 2, 3, 4, 6, 7]

注意：bisect模块不会检查列表是否已排好序，进行检查的话会耗费大量计算。因此，对未排序的列表使用bisect不会产生错误，但结果不一定正确。

切片

用切边可以选取大多数序列类型的一部分，切片的基本形式是在方括号中使用start:stop：

seq = [7, 2, 3, 7, 5, 6, 0, 1]seq[1:5]

[2, 3, 7, 5]

切片也可以被序列赋值：

seq[3:4] = [6, 3]

seq

[7, 2, 3, 6, 3, 5, 6, 0, 1]

切片的起始元素是包括的，不包含结束元素。因此，结果中包含的元素个数是stop - start。

start或stop都可以被省略，省略之后，分别默认序列的开头和结尾：

seq[:5]

[7, 2, 3, 6, 3]

seq[3:]

[6, 3, 5, 6, 0, 1]

负数表明从后向前切片：

seq[-4:]

[5, 6, 0, 1]

seq[-6:-2]

[6, 3, 5, 6]

在第二个冒号后面使用step，可以隔一个取一个元素：

seq[::2]

[7, 3, 3, 6, 1]

一个聪明的方法是使用-1，它可以将列表或元组颠倒过来：

seq[::-1]

[1, 0, 6, 5, 3, 6, 3, 2, 7]

序列函数

Python有一些有用的序列函数。

enumerate函数

迭代一个序列时，你可能想跟踪当前项的序号。手动的方法可能是下面这样：

i = 0for value in collection:# do something with valuei += 1

因为这么做很常见，Python内建了一个enumerate函数，可以返回(i, value)元组序列：

for i, value in enumerate(collection):# do something with value

当你索引数据时，使用enumerate的一个好方法是计算序列（唯一的）dict映射到位置的值：

some_list = ['foo', 'bar', 'baz']mapping = {}for i, v in enumerate(some_list):mapping[v] = imapping

{'foo': 0, 'bar': 1, 'baz': 2}

sorted函数

sorted函数可以从任意序列的元素返回一个新的排好序的列表：

sorted([7, 1, 2, 6, 0, 3, 2])

[0, 1, 2, 2, 3, 6, 7]

sorted('horse race')

[' ', 'a', 'c', 'e', 'e', 'h', 'o', 'r', 'r', 's']

sorted函数可以接受和sort相同的参数。

zip函数

zip可以将多个列表、元组或其它序列成对组合成一个元组列表：

seq1 = ['foo', 'bar', 'baz']seq2 = ['one', 'two', 'three']zipped = zip(seq1, seq2)list(zipped)

[('foo', 'one'), ('bar', 'two'), ('baz', 'three')]

zip可以处理任意多的序列，元素的个数取决于最短的序列：

seq3 = [False, True]list(zip(seq1, seq2, seq3))

[('foo', 'one', False), ('bar', 'two', True)]

zip的常见用法之一是同时迭代多个序列，可能结合enumerate使用：

for i, (a, b) in enumerate(zip(seq1, seq2)):print('{0}: {1}, {2}'.format(i, a, b))

0: foo, one1: bar, two2: baz, three

给出一个“被压缩的”序列，zip可以被用来解压序列。也可以当作把行的列表转换为列的列表。这个方法看起来有点神奇：

pitchers = [('Nolan', 'Ryan'), ('Roger', 'Clemens'),('Schilling', 'Curt')]first_names, last_names = zip(*pitchers)first_names

('Nolan', 'Roger', 'Schilling')

reversed函数

reversed可以从后向前迭代一个序列：

list(reversed(range(10)))

要记住reversed是一个生成器（后面详细介绍），只有实体化（即列表或for循环）之后才能创建翻转的序列。

字典

字典可能是Python最为重要的数据结构。它更为常见的名字是哈希映射或关联数组。它是键值对的大小可变集合，键和值都是Python对象。创建字典的方法之一是使用尖括号，用冒号分隔键和值：

empty_dict = {}d1 = {'a' : 'some value', 'b' : [1, 2, 3, 4]}d1

{'a': 'some value', 'b': [1, 2, 3, 4]}

你可以像访问列表或元组中的元素一样，访问、插入或设定字典中的元素：

d1[7] = 'an integer'd1

{'a': 'some value', 'b': [1, 2, 3, 4], 7: 'an integer'}

d1['b']

[1, 2, 3, 4]

你可以用检查列表和元组是否包含某个值的方法，检查字典中是否包含某个键：

'b' in d1

True

可以用del关键字或pop方法（返回值的同时删除键）删除值：

d1[5] = 'some value'd1

{'a': 'some value', 'b': [1, 2, 3, 4], 7: 'an integer', 5: 'some value'}

d1['dummy'] = 'another value'

d1

{'a': 'some value','b': [1, 2, 3, 4],7: 'an integer',5: 'some value','dummy': 'another value'}

del d1[5]d1

{'a': 'some value','b': [1, 2, 3, 4],7: 'an integer','dummy': 'another value'}

ret = d1.pop('dummy')ret

'another value'

d1

{'a': 'some value', 'b': [1, 2, 3, 4], 7: 'an integer'}

update方法是原地改变字典，因此任何传递给update的键的旧的值都会被舍弃。

用序列创建字典

常常，你可能想将两个序列配对组合成字典。下面是一种写法

mapping = {}for key, value in zip(key_list, value_list):mapping[key] = value

因为字典本质上是2元元组的集合，dict可以接受2元元组的列表：

mapping = dict(zip(range(5), reversed(range(5))))mapping

{0: 4, 1: 3, 2: 2, 3: 1, 4: 0}

后面会谈到dict comprehensions，另一种构建字典的优雅方式。

默认值

下面的逻辑很常见：

if key in some_dict:value = some_dict[key]else:value = default_value

因此，dict的方法get和pop可以取默认值进行返回，上面的if-else语句可以简写成下面：

value = some_dict.get(key, default_value)

get默认会返回None，如果不存在键，pop会抛出一个例外。关于设定值，常见的情况是在字典的值是属于其它集合，如列表。例如，你可以通过首字母，将一个列表中的单词分类：

words = ['apple', 'bat', 'bar', 'atom', 'book']by_letter = {}for word in words:letter = word[0]if letter not in by_letter:by_letter[letter] = [word]else:by_letter[letter].append(word)by_letter

{'a': ['apple', 'atom'], 'b': ['bat', 'bar', 'book']}

setdefault方法就正是干这个的。前面的for循环可以改写为

for word in words:letter = word[0]by_letter.setdefault(letter, []).append(word)

collections模块有一个很有用的类，defaultdict，它可以进一步简化上面。传递类型或函数以生成每个位置的默认值：

from collections import defaultdictby_letter = defaultdict(list)for word in words:by_letter[word[0]].append(word)

by_letter

defaultdict(list, {'a': ['apple', 'atom'], 'b': ['bat', 'bar', 'book']})

有效的键类型

字典的值可以是任意Python对象，而键通常是不可变的标量类型（整数、浮点型、字符串）或元组（元组中的对象必须是不可变的）。这被称为“可哈希性”。可以用hash函数检测一个对象是否是可哈希的（可被用作字典的键）：

hash('string')

-4137791954912752316

hash((1, 2, (2, 3)))

1097636502276347782

hash((1, 2, [2, 3]))

---------------------------------------------------------------------------TypeError Traceback (most recent call last)<ipython-input-82-8ffc25aff872> in <module>----> 1 hash((1, 2, [2, 3]))TypeError: unhashable type: 'list'

要用列表当做键，一种方法是将列表转化为元组，只要内部元素可以被哈希，它也就可以被哈希：

d = {}d[tuple([1, 2, 3])] = 5d

{(1, 2, 3): 5}

集合

集合是无序的不可重复的元素的集合。你可以把它当做字典，但是只有键没有值。可以用两种方式创建集合：通过set函数或使用尖括号set语句：

set([2, 2, 2, 1, 3, 3])

{1, 2, 3}

{2, 2, 2, 1, 3, 3}

{1, 2, 3}

集合支持合并、交集、差分和对称差等数学集合运算。考虑两个示例集合：

a = {1, 2, 3, 4, 5}b = {3, 4, 5, 6, 7, 8}

合并是取两个集合中不重复的元素。可以用union方法，或者|运算符：

a.union(b)

{1, 2, 3, 4, 5, 6, 7, 8}

a | b

{1, 2, 3, 4, 5, 6, 7, 8}

交集的元素包含在两个集合中。可以用intersection或&运算符：

a.intersection(b)

{3, 4, 5}

a & b

{3, 4, 5}

所有逻辑集合操作都有另外的原地实现方法，可以直接用结果替代集合的内容。对于大的集合，这么做效率更高：

c = a.copy()c |= bc

{1, 2, 3, 4, 5, 6, 7, 8}

d = a.copy()d &= bd

{3, 4, 5}

与字典类似，集合元素通常都是不可变的。要获得类似列表的元素，必须转换成元组：

my_data = [1, 2, 3, 4]my_set = {tuple(my_data)}my_set

{(1, 2, 3, 4)}

你还可以检测一个集合是否是另一个集合的子集或父集：

a_set = {1, 2, 3, 4, 5}

{1, 2, 3}.issubset(a_set)

True

a_set.issuperset({1, 2, 3})

True

集合的内容相同时，集合才对等：

{1, 2, 3} == {3, 2, 1}

True

列表、集合和字典推导式

列表推导式是Python最受喜爱的特性之一。它允许用户方便的从一个集合过滤元素，形成列表，在传递参数的过程中还可以修改元素。形式如下

[expr for val in collection if condition]

它等同于下面的for循环;

result = []for val in collection:if condition:result.append(expr)

filter条件可以被忽略，只留下表达式就行。例如，给定一个字符串列表，我们可以过滤出长度在2及以下的字符串，并将其转换成大写：

strings = ['a', 'as', 'bat', 'car', 'dove', 'python'][x.upper() for x in strings if len(x) > 2]

['BAT', 'CAR', 'DOVE', 'PYTHON']

用相似的方法，还可以推导集合和字典。字典的推导式如下所示：

dict_comp = {key-expr : value-expr for value in collection if condition}

集合的推导式与列表很像，只不过用的是尖括号：

set_comp = {expr for value in collection if condition}

与列表推导式类似，集合与字典的推导也很方便，而且使代码的读写都很容易。来看前面的字符串列表。假如我们只想要字符串的长度，用集合推导式的方法非常方便：

unique_lengths = {len(x) for x in strings}unique_lengths

{1, 2, 3, 4, 6}

map函数可以进一步简化：

set(map(len, strings))

{1, 2, 3, 4, 6}

作为一个字典推导式的例子，我们可以创建一个字符串的查找映射表以确定它在列表中的位置：

loc_mapping = {val : index for index, val in enumerate(strings)}

loc_mapping

{'a': 0, 'as': 1, 'bat': 2, 'car': 3, 'dove': 4, 'python': 5}

嵌套列表推导式

假设我们有一个包含列表的列表，包含了一些英文名和西班牙名：

all_data = [['John', 'Emily', 'Michael', 'Mary', 'Steven'],['Maria', 'Juan', 'Javier', 'Natalia', 'Pilar']]

你可能是从一些文件得到的这些名字，然后想按照语言进行分类。现在假设我们想用一个列表包含所有的名字，这些名字中包含两个或更多的e。可以用for循环来做：

names_of_interest = []for names in all_data:enough_es = [name for name in names if name.count('e') >= 2]names_of_interest.extend(enough_es)names_of_interest

['Steven']

可以用嵌套列表推导式的方法，将这些写在一起，如下所示：

result = [name for names in all_data for name in namesif name.count('e') >= 2]result

['Steven']

嵌套列表推导式看起来有些复杂。列表推导式的for部分是根据嵌套的顺序，过滤条件还是放在最后。下面是另一个例子，我们将一个整数元组的列表扁平化成了一个整数列表：

some_tuples = [(1, 2, 3), (4, 5, 6), (7, 8, 9)]flattened = [x for tup in some_tuples for x in tup]

flattened

[1, 2, 3, 4, 5, 6, 7, 8, 9]

记住，for表达式的顺序是与嵌套for循环的顺序一样（而不是列表推导式的顺序）：

flattened = []for tup in some_tuples:for x in tup:flattened.append(x)flattened

[1, 2, 3, 4, 5, 6, 7, 8, 9]

你可以有任意多级别的嵌套，但是如果你有两三个以上的嵌套，你就应该考虑下代码可读性的问题了。分辨列表推导式的列表推导式中的语法也是很重要的：

[[x for x in tup] for tup in some_tuples]

[[1, 2, 3], [4, 5, 6], [7, 8, 9]]

这段代码产生了一个列表的列表，而不是扁平化的只包含元素的列表。

函数

函数是Python中最主要也是最重要的代码组织和复用手段。作为最重要的原则，如果你要重复使用相同或非常类似的代码，就需要写一个函数。通过给函数起一个名字，还可以提高代码的可读性。

函数使用def关键字声明，用return关键字返回值：

def my_function(x, y, z=1.5):if z > 1:return z * (x + y)else:return z / (x + y)

同时拥有多条return语句也是可以的。如果到达函数末尾时没有遇到任何一条return语句，则返回None。

函数可以有一些位置参数（positional）和一些关键字参数（keyword）。关键字参数通常用于指定默认值或可选参数。在上面的函数中，x和y是位置参数，而z则是关键字参数。也就是说，该函数可以下面这两种方式进行调用：

my_function(5, 6, z=0.7)my_function(3.14, 7, 3.5)my_function(10, 20)

45.0

函数参数的主要限制在于：关键字参数必须位于位置参数（如果有的话）之后。你可以任何顺序指定关键字参数。也就是说，你不用死记硬背函数参数的顺序，只要记得它们的名字就可以了。

笔记：也可以用关键字传递位置参数。前面的例子，也可以写为：

my_function(x=5, y=6, z=7)my_function(y=6, x=5, z=7)

这种写法可以提高可读性。

命名空间、作用域，和局部函数

函数可以访问两种不同作用域中的变量：全局（global）和局部（local）。Python有一种更科学的用于描述变量作用域的名称，即命名空间（namespace）。任何在函数中赋值的变量默认都是被分配到局部命名空间（local namespace）中的。局部命名空间是在函数被调用时创建的，函数参数会立即填入该命名空间。在函数执行完毕之后，局部命名空间就会被销毁（会有一些例外的情况，具体请参见后面介绍闭包的那一节）。看看下面这个函数：

def func():a = []for i in range(5):a.append(i)

调用func()之后，首先会创建出空列表a，然后添加5个元素，最后a会在该函数退出的时候被销毁。假如我们像下面这样定义a：

a = []def func():for i in range(5):a.append(i)

虽然可以在函数中对全局变量进行赋值操作，但是那些变量必须用global关键字声明成全局的才行：

a = Nonedef bind_a_variable():global aa = []bind_a_variable()a

[]

注意：我常常建议人们不要频繁使用global关键字。因为全局变量一般是用于存放系统的某些状态的。如果你发现自己用了很多，那可能就说明得要来点儿面向对象编程了（即使用类）。

返回多个值

在我第一次用Python编程时（之前已经习惯了Java和C++），最喜欢的一个功能是：函数可以返回多个值。下面是一个简单的例子：

def f():a = 5b = 6c = 7return a, b, ca, b, c = f()

在数据分析和其他科学计算应用中，你会发现自己常常这么干。该函数其实只返回了一个对象，也就是一个元组，最后该元组会被拆包到各个结果变量中。在上面的例子中，我们还可以这样写：

return_value = f()return_value

(5, 6, 7)

这里的return_value将会是一个含有3个返回值的三元元组。此外，还有一种非常具有吸引力的多值返回方式——返回字典：

def f():a = 5b = 6c = 7return {'a' : a, 'b' : b, 'c' : c}

return_value = f()return_value

{'a': 5, 'b': 6, 'c': 7}

取决于工作内容，第二种方法可能很有用。

函数也是对象

由于Python函数都是对象，因此，在其他语言中较难表达的一些设计思想在Python中就要简单很多了。假设我们有下面这样一个字符串数组，希望对其进行一些数据清理工作并执行一堆转换：

states = [' Alabama ', 'Georgia!', 'Georgia', 'georgia', 'FlOrIda','south carolina##', 'West virginia?']

不管是谁，只要处理过由用户提交的调查数据，就能明白这种乱七八糟的数据是怎么一回事。为了得到一组能用于分析工作的格式统一的字符串，需要做很多事情：去除空白符、删除各种标点符号、正确的大写格式等。做法之一是使用内建的字符串方法和正则表达式re模块：

import redef clean_strings(strings):result = []for value in strings:value = value.strip()value = re.sub('[!#?]', '', value)value = value.title()result.append(value)return result

clean_strings(states)

['Alabama','Georgia','Georgia','Georgia','Florida','South Carolina','West Virginia']

其实还有另外一种不错的办法：将需要在一组给定字符串上执行的所有运算做成一个列表：

def remove_punctuation(value):return re.sub('[!#?]', '', value)clean_ops = [str.strip, remove_punctuation, str.title]def clean_strings(strings, ops):result = []for value in strings:for function in ops:value = function(value)result.append(value)return result

clean_strings(states, clean_ops)

['Alabama','Georgia','Georgia','Georgia','Florida','South Carolina','West Virginia']

这种多函数模式使你能在很高的层次上轻松修改字符串的转换方式。此时的clean_strings也更具可复用性！

还可以将函数用作其他函数的参数，比如内置的map函数，它用于在一组数据上应用一个函数：

for x in map(remove_punctuation, states):print(x)

Alabama GeorgiaGeorgiageorgiaFlOrIdasouth carolinaWest virginia

匿名（lambda）函数

Python支持一种被称为匿名的、或lambda函数。它仅由单条语句组成，该语句的结果就是返回值。它是通过lambda关键字定义的，这个关键字没有别的含义，仅仅是说“我们正在声明的是一个匿名函数”。

def short_function(x):return x * 2equiv_anon = lambda x: x * 2

本书其余部分一般将其称为lambda函数。它们在数据分析工作中非常方便，因为你会发现很多数据转换函数都以函数作为参数的。直接传入lambda函数比编写完整函数声明要少输入很多字（也更清晰），甚至比将lambda函数赋值给一个变量还要少输入很多字。看看下面这个简单得有些傻的例子：

def apply_to_list(some_list, f):return [f(x) for x in some_list]ints = [4, 0, 1, 5, 6]apply_to_list(ints, lambda x: x * 2)

[8, 0, 2, 10, 12]

虽然你可以直接编写[x *2for x in ints]，但是这里我们可以非常轻松地传入一个自定义运算给apply_to_list函数。

再来看另外一个例子。假设有一组字符串，你想要根据各字符串不同字母的数量对其进行排序：

strings = ['foo', 'card', 'bar', 'aaaa', 'abab']

这里，我们可以传入一个lambda函数到列表的sort方法：

strings.sort(key=lambda x: len(set(list(x))))strings

['aaaa', 'foo', 'abab', 'bar', 'card']

笔记：lambda函数之所以会被称为匿名函数，与def声明的函数不同，原因之一就是这种函数对象本身是没有提供名称name属性。

柯里化：部分参数应用

柯里化（currying）是一个有趣的计算机科学术语，它指的是通过“部分参数应用”（partial argument application）从现有函数派生出新函数的技术。例如，假设我们有一个执行两数相加的简单函数：

def add_numbers(x, y):return x + y

通过这个函数，我们可以派生出一个新的只有一个参数的函数——add_five，它用于对其参数加5

add_five = lambda y: add_numbers(5, y)

add_numbers的第二个参数称为“柯里化的”（curried）。这里没什么特别花哨的东西，因为我们其实就只是定义了一个可以调用现有函数的新函数而已。内置的functools模块可以用partial函数将此过程简化：

from functools import partialadd_five = partial(add_numbers, 5)

生成器

能以一种一致的方式对序列进行迭代（比如列表中的对象或文件中的行）是Python的一个重要特点。这是通过一种叫做迭代器协议（iterator protocol，它是一种使对象可迭代的通用方式）的方式实现的，一个原生的使对象可迭代的方法。比如说，对字典进行迭代可以得到其所有的键：

some_dict = {'a': 1, 'b': 2, 'c': 3}for key in some_dict:print(key)

abc

当你编写for key in some_dict时，Python解释器首先会尝试从some_dict创建一个迭代器：

dict_iterator = iter(some_dict)

dict_iterator

<dict_keyiterator at 0x7f9e8425f548>

迭代器是一种特殊对象，它可以在诸如for循环之类的上下文中向Python解释器输送对象。大部分能接受列表之类的对象的方法也都可以接受任何可迭代对象。比如min、max、sum等内置方法以及list、tuple等类型构造器：

list(dict_iterator)

['a', 'b', 'c']

生成器（generator）是构造新的可迭代对象的一种简单方式。一般的函数执行之后只会返回单个值，而生成器则是以延迟的方式返回一个值序列，即每返回一个值之后暂停，直到下一个值被请求时再继续。要创建一个生成器，只需将函数中的return替换为yeild即可：

def squares(n=10):print('Generating squares from 1 to {0}'.format(n ** 2))for i in range(1, n + 1):yield i ** 2

调用该生成器时，没有任何代码会被立即执行：

gen = squares()gen

<generator object squares at 0x7f9e8425cba0>

直到你从该生成器中请求元素时，它才会开始执行其代码：

for x in gen:print(x, end=' ')

Generating squares from 1 to 1001 4 9 16 25 36 49 64 81 100

生成器表达式

另一种更简洁的构造生成器的方法是使用生成器表达式（generator expression）。这是一种类似于列表、字典、集合推导式的生成器。其创建方式为，把列表推导式两端的方括号改成圆括号：

gen = (x ** 2 for x in range(100))gen

<generator object <genexpr> at 0x7f9e842632b0>

它跟下面这个冗长得多的生成器是完全等价的：

def _make_gen():for x in range(100):yield x ** 2gen = _make_gen()

生成器表达式也可以取代列表推导式，作为函数参数：

sum(x ** 2 for x in range(100))

328350

dict((i, i **2) for i in range(5))

{0: 0, 1: 1, 2: 4, 3: 9, 4: 16}

itertools模块

标准库itertools模块中有一组用于许多常见数据算法的生成器。例如，groupby可以接受任何序列和一个函数。它根据函数的返回值对序列中的连续元素进行分组。下面是一个例子：

import itertoolsfirst_letter = lambda x: x[0]names = ['Alan', 'Adam', 'Wes', 'Will', 'Albert', 'Steven']for letter, names in itertools.groupby(names, first_letter):print(letter, list(names)) # names is a generato

A ['Alan', 'Adam']W ['Wes', 'Will']A ['Albert']S ['Steven']

错误和异常处理

优雅地处理Python的错误和异常是构建健壮程序的重要部分。在数据分析中，许多函数函数只用于部分输入。例如，Python的float函数可以将字符串转换成浮点数，但输入有误时，有ValueError错误：

float('1.2345')

1.2345

float('something')

---------------------------------------------------------------------------ValueError Traceback (most recent call last)<ipython-input-147-2649e4ade0e6> in <module>----> 1 float('something')ValueError: could not convert string to float: 'something'

假如想优雅地处理float的错误，让它返回输入值。我们可以写一个函数，在try/except中调用float：

def attempt_float(x):try:return float(x)except:return x

当float(x)抛出异常时，才会执行except的部分：

attempt_float('1.2345')

1.2345

attempt_float('something')

'something'

你可能注意到float抛出的异常不仅是ValueError：

float((1, 2))

---------------------------------------------------------------------------TypeError Traceback (most recent call last)<ipython-input-151-82f777b0e564> in <module>----> 1 float((1, 2))TypeError: float() argument must be a string or a number, not 'tuple'

你可能只想处理ValueError，TypeError错误（输入不是字符串或数值）可能是合理的bug。可以写一个异常类型：

def attempt_float(x):try:return float(x)except ValueError:return x

attempt_float((1, 2))

---------------------------------------------------------------------------TypeError Traceback (most recent call last)<ipython-input-153-8b0026e9e6b7> in <module>----> 1 attempt_float((1, 2))<ipython-input-152-6209ddecd2b5> in attempt_float(x)1 def attempt_float(x):2try:----> 3 return float(x)4except ValueError:5 return xTypeError: float() argument must be a string or a number, not 'tuple'

可以用元组包含多个异常：

def attempt_float(x):try:return float(x)except (TypeError, ValueError):return x

某些情况下，你可能不想抑制异常，你想无论try部分的代码是否成功，都执行一段代码。可以使用finally：

f = open(path, 'w')try:write_to_file(f)finally:f.close()

这里，文件处理f总会被关闭。相似的，你可以用else让只在try部分成功的情况下，才执行代码：

f = open(path, 'w')try:write_to_file(f)except:print('Failed')else:print('Succeeded')finally:f.close()

文件和操作系统

本书的代码示例大多使用诸如pandas.read_csv之类的高级工具将磁盘上的数据文件读入Python数据结构。但我们还是需要了解一些有关Python文件处理方面的基础知识。好在它本来就很简单，这也是Python在文本和文件处理方面的如此流行的原因之一。

为了打开一个文件以便读写，可以使用内置的open函数以及一个相对或绝对的文件路径：

path = 'examples/segismundo.txt'f = open(path)

默认情况下，文件是以只读模式（‘r’）打开的。然后，我们就可以像处理列表那样来处理这个文件句柄f了，比如对行进行迭代：

for line in f:pass

从文件中取出的行都带有完整的行结束符（EOL），因此你常常会看到下面这样的代码（得到一组没有EOL的行）：

lines = [x.rstrip() for x in open(path)]lines

['Sueña el rico en su riqueza,','que más cuidados le ofrece;','','sueña el pobre que padece','su miseria y su pobreza;','','sueña el que a medrar empieza,','sueña el que afana y pretende,','sueña el que agravia y ofende,','','y en el mundo, en conclusión,','todos sueñan lo que son,','aunque ninguno lo entiende.','']

如果使用open创建文件对象，一定要用close关闭它。关闭文件可以返回操作系统资源：

f.close()

用with语句可以可以更容易地清理打开的文件：

with open(path) as f:lines = [x.rstrip() for x in f]

这样可以在退出代码块时，自动关闭文件。

如果输入f =open(path,‘w’)，就会有一个新文件被创建在examples/segismundo.txt，并覆盖掉该位置原来的任何数据。另外有一个x文件模式，它可以创建可写的文件，但是如果文件路径存在，就无法创建。

对于可读文件，一些常用的方法是read、seek和tell。read会从文件返回字符。字符的内容是由文件的编码决定的（如UTF-8），如果是二进制模式打开的就是原始字节：

f = open(path)f.read(10)

'Sueña el r'

f2 = open(path, 'rb') # Binary mode

f2.read(10)

b'Sue\xc3\xb1a el '

read模式会将文件句柄的位置提前，提前的数量是读取的字节数。tell可以给出当前的位置：

f.tell()

11

f2.tell()

10

尽管我们从文件读取了10个字符，位置却是11，这是因为用默认的编码用了这么多字节才解码了这10个字符。你可以用sys模块检查默认的编码：

import syssys.getdefaultencoding()

'utf-8'

seek将文件位置更改为文件中的指定字节：

f.seek(3)

3

f.read(1)

'ñ'

最后，关闭文件：

f.close()f2.close()

向文件写入，可以使用文件的write或writelines方法。

with open('tmp.txt', 'w') as handle:handle.writelines(x for x in open(path) if len(x) > 1)

with open('tmp.txt') as f:lines = f.readlines()

lines

['Sueña el rico en su riqueza,\n','que más cuidados le ofrece;\n','sueña el pobre que padece\n','su miseria y su pobreza;\n','sueña el que a medrar empieza,\n','sueña el que afana y pretende,\n','sueña el que agravia y ofende,\n','y en el mundo, en conclusión,\n','todos sueñan lo que son,\n','aunque ninguno lo entiende.\n']

文件的字节和Unicode

Python文件的默认操作是“文本模式”，也就是说，你需要处理Python的字符串（即Unicode）。它与“二进制模式”相对，文件模式加一个b。我们来看上一节的文件（UTF-8编码、包含非ASCII字符）：

with open(path) as f:chars = f.read(10)

chars

'Sueña el r'

UTF-8是长度可变的Unicode编码，所以当我从文件请求一定数量的字符时，Python会从文件读取足够多（可能少至10或多至40字节）的字节进行解码。如果以“rb”模式打开文件，则读取确切的请求字节数：

with open(path, 'rb') as f:data = f.read(10)

data

b'Sue\xc3\xb1a el '

取决于文本的编码，你可以将字节解码为str对象，但只有当每个编码的Unicode字符都完全成形时才能这么做：

data.decode('utf8')

'Sueña el '

data[:4].decode('utf8')

---------------------------------------------------------------------------UnicodeDecodeError Traceback (most recent call last)<ipython-input-179-0ad9ad6a11bd> in <module>----> 1 data[:4].decode('utf8')UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc3 in position 3: unexpected end of data

文本模式结合了open的编码选项，提供了一种更方便的方法将Unicode转换为另一种编码：

sink_path = 'sink.txt'

with open(path) as source:with open(sink_path, 'xt', encoding='iso-8859-1') as sink:sink.write(source.read())

with open(sink_path, encoding='iso-8859-1') as f:print(f.read(10))

Sueña el r

注意，不要在二进制模式中使用seek。如果文件位置位于定义Unicode字符的字节的中间位置，读取后面会产生错误：

f = open(path)f.read(5)

'Sueña'

f.seek(4)

4

f.read(1)

---------------------------------------------------------------------------UnicodeDecodeError Traceback (most recent call last)<ipython-input-185-5a354f952aa4> in <module>----> 1 f.read(1)~/miniconda3/lib/python3.6/codecs.py in decode(self, input, final)319 # decode input (taking the buffer into account)320 data = self.buffer + input--> 321 (result, consumed) = self._buffer_decode(data, self.errors, final)322 # keep undecoded input until the next call323 self.buffer = data[consumed:]UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb1 in position 0: invalid start byte