python函数推导,函数求导推理过程

python函数深入浅出 11.math.pow()及其相关函数详解

这是math模块的一个函数

专注于为中小企业提供成都网站建设、网站制作服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业漳平免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了上千企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。

pow() 源于英文power，返回给定数字的乘幂

所以我们执行math.pow()示例：

注意：math 模块则会把参数转换为 float。

math是非常常用的数学计算包，其中math.pow()语法如下

参数说明：

等同于写法

但注意math函数返回的是浮点数,后者可能返回整数

其他常用的数学函数有：

python2 有cmp(x,y)函数，python3移除了cmp，新增了 operator模块,提供了如下比较方法

作为比较函数

在处理数字时使用数学函数能更高效的获取计算结果。

对基础运行环境有疑问的，推荐参考: python函数深入浅出 0.基础篇

python列表推导式和生成器表达式-

列表推导式和生成器表达式以及字典推导式 通常被视为Python中函数式编程的一部分，列表推导允许您使用包含较少代码的for循环创建列表。

用[] 包围

用{} 包围

生成器表达式允许在没有yield关键字的情况下即时创建生成器。

语法和概念类似于列表推导的语法和概念：用()包围

python 8个常用内置函数解说

8个超好用内置函数set（），eval（），sorted（），reversed（），map（），reduce（），filter（），enumerate（）

python中有许多内置函数，不像print那么广为人知，但它们却异常的强大，用好了可以大大提高代码效率。

这次来梳理下8个好用的python内置函数

1、set()

当需要对一个列表进行去重操作的时候，set()函数就派上用场了。

用于创建一个集合，集合里的元素是无序且不重复的。集合对象创建后，还能使用并集、交集、差集功能。

2、eval()之前有人问如何用python写一个四则运算器，输入字符串公式，直接产生结果。用eval()来做就很简单：eval(str_expression)作用是将字符串转换成表达式，并且执行。

3、sorted()在处理数据过程中，我们经常会用到排序操作，比如将列表、字典、元组里面的元素正/倒排序。这时候就需要用到sorted() ，它可以对任何可迭代对象进行排序，并返回列表。对列表升序操作：

对元组倒序操作：

使用参数：key，根据自定义规则，按字符串长度来排序：

根据自定义规则，对元组构成的列表进行排序：

4、reversed()如果需要对序列的元素进行反转操作，reversed()函数能帮到你。reversed()接受一个序列，将序列里的元素反转，并最终返回迭代器。

5、map()做文本处理的时候，假如要对序列里的每个单词进行大写转化操作。这个时候就可以使用map()函数。

map()会根据提供的函数，对指定的序列做映射，最终返回迭代器。也就是说map()函数会把序列里的每一个元素用指定的方法加工一遍，最终返回给你加工好的序列。举个例子，对列表里的每个数字作平方处理：

6、reduce()前面说到对列表里的每个数字作平方处理，用map()函数。那我想将列表里的每个元素相乘，该怎么做呢？这时候用到reduce()函数。

reduce()会对参数序列中元素进行累积。第一、第二个元素先进行函数操作，生成的结果再和第三个元素进行函数操作，以此类推，最终生成所有元素累积运算的结果。再举个例子，将字母连接成字符串。

你可能已经注意到，reduce()函数在python3里已经不再是内置函数，而是迁移到了functools模块中。这里把reduce()函数拎出来讲，是因为它太重要了。

7、filter()一些数字组成的列表，要把其中偶数去掉，该怎么做呢？

filter()函数轻松完成了任务，它用于过滤序列，过滤掉不符合条件的元素，返回一个迭代器对象。filter()函数和map()、reduce()函数类似，都是将序列里的每个元素映射到函数，最终返回结果。我们再试试，如何从许多单词里挑出包含字母w的单词。

8、enumerate()这样一个场景，同时打印出序列里每一个元素和它对应的顺序号，我们用enumerate()函数做做看。

enumerate翻译过来是枚举、列举的意思，所以说enumerate()函数用于对序列里的元素进行顺序标注，返回(元素、索引)组成的迭代器。再举个例子说明，对字符串进行标注，返回每个字母和其索引。

Python 嵌套的列表推导式怎么理解的呢？

5.1.4. 嵌套的列表推导式

列表解析中的第一个表达式可以是任何表达式，包括列表解析。

考虑下面有三个长度为 4 的列表组成的 3x4 矩阵:

matrix = [

... [1, 2, 3, 4],

... [5, 6, 7, 8],

... [9, 10, 11, 12],

... ]

现在，如果你想交换行和列，可以用嵌套的列表推导式:

[[row[i] for row in matrix] for i in range(4)]

[[1, 5, 9], [2, 6, 10], [3, 7, 11], [4, 8, 12]]

像前面看到的，嵌套的列表推导式是对 for 后面的内容进行求值，所以上例就等价于:

transposed = []

for i in range(4):

... transposed.append([row[i] for row in matrix])

...

transposed

[[1, 5, 9], [2, 6, 10], [3, 7, 11], [4, 8, 12]]

反过来说，如下也是一样的:

transposed = []

for i in range(4):

... # the following 3 lines implement the nested listcomp

... transposed_row = []

... for row in matrix:

... transposed_row.append(row[i])

... transposed.append(transposed_row)

...

transposed

[[1, 5, 9], [2, 6, 10], [3, 7, 11], [4, 8, 12]]

在实际中，你应该更喜欢使用内置函数组成复杂流程语句。对此种情况 zip() 函数将会做的更好:

list(zip(*matrix))

[(1, 5, 9), (2, 6, 10), (3, 7, 11), (4, 8, 12)]

python 列表推导 为什么快

首先肯定 map 和列表推导效率确实会比循环的高，

先说列表推导，下边是我在 ipython 里的测试结果（测试环境 Python 2.7.10）：

long_list = range(1000)

a = []

%timeit for i in long_list: a.append(i+1)

10000 loops, best of 3: 100 µs per loop

%timeit [i+1 for i in long_list]

10000 loops, best of 3: 43.3 µs per loop

可以看出列表推导还是要快过 for 循环的。

那为什么列表推导会快呢？我们直接调用 python 的 dis 模块去看看他的字节码：

这个是列表推导那一行代码的字节码：

0 BUILD_LIST 0

3 LOAD_GLOBAL 0 (long_list)

6 GET_ITER

7 FOR_ITER 16 (to 26)

10 STORE_FAST 0 (i)

13 LOAD_FAST 0 (i)

16 LOAD_CONST 1 (1)

19 BINARY_ADD

20 LIST_APPEND 2

23 JUMP_ABSOLUTE 7

...

这个是 for 循环那一行的字节码：

6 SETUP_LOOP 31 (to 40)

9 LOAD_GLOBAL 0 (long_list)

12 GET_ITER

13 FOR_ITER 23 (to 39)

16 STORE_FAST 1 (i)

19 LOAD_FAST 0 (a)

22 LOAD_ATTR 1 (append)

25 LOAD_FAST 1 (i)

28 LOAD_CONST 1 (1)

31 BINARY_ADD

32 CALL_FUNCTION 1

35 POP_TOP

36 JUMP_ABSOLUTE 13

...

对比一下不难发现其实列表推导和 for 循环的过程几乎是一样的，除了如何append。所以你要说他是语法糖也不是不行……

在

列表推导中直接使用了‘LIST_APPEND’这个字节码来实现 append 功能，效率相当的高。而在 for 循环中每次循环都要先载入

append 这个属性然后再 ‘CALL_FUNCTION’一下。这样势必就会慢了很多。为了验证我们的猜想，我们把 append

这个函数存到局部变量里去：

a = []

invoke = a.append

%timeit for i in long_list: invoke(i+1)

10000 loops, best of 3: 67.2 µs per loop

发现没有比前一个版本的 for 循环快了接近40%，剩下的多出来20多 µs 的开销自然就是‘CALL_FUNCTION’的开销咯 ╮(╯_╰)╭。

相信到这里你应该明白了为什么列表推导要比 for 循环快吧，秘诀就在这个‘LIST_APPEND’这个字节码上，相当于你直接调用了 C 语言版本的函数（不严谨）而且越过了一些中间步骤。

接下来简单说说 map 的事情，直接使用 map 一般来说是要比循环快的，但有的时候情况会比较诡异，例如：

%timeit for i in long_list: a.append(i+1)

10000 loops, best of 3: 100 µs per loop

%timeit map(lambda x: x+1, long_list)

10000 loops, best of 3: 109 µs per loop

别急，我们把 map 的写法改成这样：

int_object = 1

%timeit map(int_object.__add__, long_list)

10000 loops, best of 3: 41.6 µs per loop

于是神奇的事情出现了！基本上和列表推导一样快！(⊙o⊙)

这个主要是因为 lambda

表达式生成的函数是 Python 的，而直接用+运算符或者__add__方法调用的是 C 版本的。你要是把列表推导里边的+换成 lambda

表达式两者的速度差不多，map 一般来说还要快上一点点。本质上来说 map 调用了底层的 C 函数所以速度自然是快的。粗暴的总结一下就是不用

lambda 的时候 map 要快一些