0
0

【笔记】效率之门——Python中的函数式编程技巧

Python效率之门

文章目录

Python函数式编程

我的AI Studio项目：【笔记】LearnDL第三课：Python高级编程——抽象与封装 - 飞桨AI Studio (baidu.com)

python中函数式编程的一些技巧，可以提升我们编写代码的效率，写出更加清晰且高效的代码。

开发者关心两个效率，

  • 程序运行的效率：程序用更少的计算资源完成更多的任务。
  • 编写代码的效率：程序员在更少的时间实现更多的功能。

随着计算机算力的不断增长，如今我们更加关心的往往是后者。

本文主要包含以下内容：

  • 函数应当如何使用数据
  • 使用列表推导式或字典推导式简化代码
  • 使用Lambda函数，简化代码
  • python中一些内置函数的使用技巧
  • 什么是高阶函数
  • 使用函数式编程的技巧完成一个小任务

最后一节“函数式编程的应用”中用到了一个图像数据集，在AI Studio中可以使用它。

1. 数据

  1. 数据的状态——尤为重要 - 不修改外部环境，不影响输入，多次调用函数不会产生不同的结果
  2. 避免可变的状态 - 尽量使用不可变的数据结构。例如list可变，而tuple不可变。
# 返回斐波那契数列的某一项deffib(i):if i >1:return fib(i -1)+ fib(i -2)else:return1print(fib(5))

8

使用可变的数据结构，例如

list

，有时会踩坑，例如作为函数的默认参数时，下面是一个例子。

你惊讶地发现，

put(10)

和

put(5)

竟然输出了一样的结果，而你单独运行

put(5)

时又能得到正确的结果。

defput(n, x=[1,1]):whilelen(x)< n:
        x.append(x[-1]+ x[-2])return x

print(put(10))print(put(5))

[1, 1, 2, 3, 5, 8, 13, 21, 34, 55]
[1, 1, 2, 3, 5, 8, 13, 21, 34, 55]

原因就是，两次调用

put

函数时，默认参数

[1, 1]

都是同一个对象，例如可以打印出对象的id（相当于在内存中的地址）看一下，发现两次调用put函数都在直接操作同一个list对象。

defput(n, x=[1,1]):print(id(x))whilelen(x)< n:
        x.append(x[-1]+ x[-2])return x
put(10), put(5)

140357520173648
140357520173648
([1, 1, 2, 3, 5, 8, 13, 21, 34, 55], [1, 1, 2, 3, 5, 8, 13, 21, 34, 55])

而使用不可变的数据对象作为函数的默认参数，就不会出现该问题。之前因为默认参数list本身也是一个对象实例，“可变”就是可以被篡改；而元组对象本身是无法修改的，后面代码怎么写都不会影响默认参数的值。

下面的例子中，你发现两次调用时元组x的id还是相同的，但是转换成的list的id就不同了，

put(5)

也得到了正确的结果。

defput(n, x=(1,1)):print("tuple:",id(x))
    x =list(x)print("list: ",id(x))whilelen(x)< n:
        x.append(x[-1]+ x[-2])return x
put(10), put(5)

tuple: 140357563320112
list:  140357519739872
tuple: 140357563320112
list:  140357519346416
([1, 1, 2, 3, 5, 8, 13, 21, 34, 55], [1, 1, 2, 3, 5])

2. 推导式

列表推导式与字典推导式，可以提升我们编码的效率，以及程序运行的效率。

例如前面的

put

函数，使用推导式，函数体仅需一行代码，而且代码逻辑也清晰易懂。

# 列表推导式defput(n):return[fib(i)for i inrange(n)]print(put(5))# 字典推导式defput(n):return{i:fib(i)for i inrange(n)}print(put(5))

[1, 1, 2, 3, 5]
{0: 1, 1: 1, 2: 2, 3: 3, 4: 5}

3. 函数式编程

善用一些函数式编程技巧，提高编程效率。

  1. Lambda函数
  2. python内置函数
  • sum：求和
  • all：有一个None就返回False
  • any：有一个不是None，就返回True
  • reduce：自定义求和方式
  1. 高阶函数

3.1. Lambda函数

Lambda定义的函数，与

def

定义的函数是等价的，但是在形式上更简单。

f =lambda a, b : a + b
print(f(1,2))deff(a, b):return a + b
print(f(1,2))

3
3

Lambda与其它迭代器对象结合使用，有时会十分方便。例如，生成一个完全平方数列：

# 生成一个完全平方数列
x =list(map(lambda x : x * x,range(11)))print(x)# 找到数列中以‘1’结尾的数字，组成一个新的数列
x =list(filter(lambda x :str(x).endswith("1"), x))print(x)

[0, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
[1, 81]

3.2. python内置函数

关于python内置函数，下面给出几个示例代码。其中

all

和

any

常用于有效数据的筛选。

x =[1,2,3,4,5]print(sum(x))
x =[1,2,3,None,5]print(all(x))
x =[None,None,3,None,None]print(any(x))
x =['a','b','c','d']reduce(lambda x, y : x *2+ y, x)

15
False
True
'aabaabcaabaabcd'

reduce可能看起来不太好懂，其实这里的“求和”对于字符串而言就是“连接”，x作为之前的和传入，y就是下一项，（其实和sum的求和还是很相似的，可以仔细比较一下）。过程如下：

  • a * 2 + b = aab
  • aab * 2 + c = aabaabc
  • aabaabc * 2 + d = aabaabcaabaabcd

3.3. 高阶函数

在python中，函数其实可以玩得挺花。例如，函数可以作为返回值，也可以作为函数的参数。

# 1. 函数作为返回值# 这里例子中，函数k()的定义受函数f()的控制deff(n):defk(x):return n * x
    return k

F = f(3)print(F(2))# 2. 函数作为参数defF(x, f):
    x = f(x)return x * x
print(F(1,lambda x : x +1))

6
4

4. 函数式编程的应用

对于一个任务，先梳理需求，把共性、重复的地方抽象出来，再统一安排。
例如下面的任务：

  • 将两个image文件夹归类至dataset/image文件夹，并将文件按照顺序重新编号

待处理数据集结构：

- PlantSegmentationDatasets
    - vinecuttings
        - images
        - masks
    - weeds
        - weed50images
        - weed50masks

images

文件夹中都是".JPG"后缀的文件，

weed50images

中既有".JPG"也有".png"。

首先，我们要得到待复制的所有文件，

dir_1 ="/home/aistudio/PlantSegmentationDatasets/vinecuttings/images/" 
dir_2 ="/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/"# 1. glob模糊匹配
paths = glob(dir_1 +"*.JPG")for path in paths[:5]:print(path)# 2. 列表推导式 --> 匹配多种文件后缀#   此时得到了一个两层嵌套的列表 [[], [], [], []]
ends =["*.JPG","*.jpg","*.png","*.jpeg"]
paths =[glob(dir_2 + end)for end in ends]print(paths)# 3. reduce（求和） --> 拼接嵌套列表为一层
paths =reduce(lambda x, y : x + y, paths)for path in paths[:5]:print(path)

输出：

输出内容过长， 已自动对输出内容进行截断
/home/aistudio/PlantSegmentationDatasets/vinecuttings/images/DSC00149.JPG
/home/aistudio/PlantSegmentationDatasets/vinecuttings/images/DSC00241.JPG
/home/aistudio/PlantSegmentationDatasets/vinecuttings/images/DSC00248.JPG
/home/aistudio/PlantSegmentationDatasets/vinecuttings/images/DSC00214.JPG
/home/aistudio/PlantSegmentationDatasets/vinecuttings/images/DSC00200.JPG

[['/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_SpurredAnoda_0026.JPG', '/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_SpurredAnoda_035.JPG'], [], ['/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_Carpetweed_0035-YuzhenLu(C).png', '/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_Carpetweed_0021-YuzhenLu(B).png', '/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_Carpetweed_0031-YuzhenLu.png', '/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_Carpetweed_0035-YuzhenLu(A).png', '/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_Carpetweed_0017-YuzhenLu(B).png', '/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_Carpetweed_0042-YuzhenLu.png', '/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_Nikon

/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_SpurredAnoda_0026.JPG
/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_SpurredAnoda_035.JPG
/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_Carpetweed_0035-YuzhenLu(C).png
/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_Carpetweed_0021-YuzhenLu(B).png
/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/08192020_NikonD3300_YL_Carpetweed_0031-YuzhenLu.png

下面是完整的代码：

# 将in_dirs里每个目录的图片，分别复制到同一个out_dir中，并为它们重新编号defcopy_dir(in_dirs, out_dir):
    !mkdir $out_dir  # 创建文件夹for j, in_dir inenumerate(in_dirs):
        ends =["*.JPG","*.png","*.jpg","*.jpeg"]
        paths =reduce(lambda x, y : x + y,[glob(in_dir + end)for end in ends])for i, in_filename inenumerate(paths):
            out_filename = out_dir +str(j)+"_"+str(i)+".jpg"print(out_filename)
            !cp $in_filename $out_filename  # 复制图片
            
dir_1 ="/home/aistudio/PlantSegmentationDatasets/vinecuttings/images/" 
dir_2 ="/home/aistudio/PlantSegmentationDatasets/weeds/weed50images/"
out_dir ="/home/aistudio/data/image/"
in_dirs =[dir_1, dir_2]
copy_dir(in_dirs, out_dir)

更多的应用，就以后在实践中慢慢摸索咯。

完

标签： python 人工智能 开发语言
本文转载自: https://blog.csdn.net/m0_63238256/article/details/129573550
版权归原作者 清风莫追 所有， 如有侵权，请联系我们删除。
登录后发布评论

“【笔记】效率之门——Python中的函数式编程技巧”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

WebPages 安全

工业生产安全-安全帽第二篇-用java语言看看opencv实现的目标检测使用过程

【项目日记】仿mudou的高并发服务器 --- 实现缓冲区模块，通用类型Any模块，套接字模块

在 X86_64(amd64) 平台上的docker支持打包跨平台的镜像(如arm64)

无需手动部署的正式版comfyUI是否就此收费？开源等同免费？

基于大数据的新闻推荐分析

WebAssembly (Wasm) 与 JavaScript 字符串交互

文章导航