Python for Data Analysis v2 | Notes_ Chapter 3 Python 的数据结构、函数和文件

本人以简书作者 SeanCheney 系列专题文章并结合原书为学习资源，记录个人笔记，仅作为知识记录及后期复习所用，原作者地址查看 简书 SeanCheney，如有错误，还望批评指教。——ZJ

原作者：SeanCheney | 链接：https://www.jianshu.com/p/b444cda10aa0 | 來源：简书

Github:wesm | Github:中文 BrambleXu|
简书:利用Python进行数据分析·第2版

环境：Python 3.6

---

第3章 Python 的数据结构、函数和文件

3.1 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,当用复杂的表达式定义元组，最好将值放到圆括号内

In [1]: tup = 4, 5, 6, 'what'

In [2]: tup
Out[2]: (4, 5, 6, 'what')

In [3]: nested_tup = (4,5,6),(7,8),[2,3,4],'what'

In [4]: nested_tup
Out[4]: ((4, 5, 6), (7, 8), [2, 3, 4], 'what')

• 用 tuple 可以将任意序列或迭代器转换成元组：

In [5]: tuple([4,0,4])
Out[5]: (4, 0, 4)

In [6]: tup = tuple('string')

In [7]: tup
Out[7]: ('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：

In [8]: tup[2]
Out[8]: 'r'

• 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
• 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

In [11]: tup = tuple(['foo',[1,2],True])

In [12]: tup[2]
Out[12]: True

In [13]: tup[2] = False
----------------------------------------------------------------

TypeError                      Traceback (most recent call last)

<ipython-input-13-b89d0c4ae599> in <module>()
----> 1 tup[2] = False

TypeError: 'tuple' object does not support item assignment

In [14]: tup[1].append(3)

In [15]: tup
Out[15]: ('foo', [1, 2, 3], True)

• 可以用加号运算符将元组串联起来,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

In [17]: (4, None, 'foo') + (6,0) + ('bat',)
Out[17]: (4, None, 'foo', 6, 0, 'bat')

In [19]: (4, None, 'foo') + (6,0) + (4,)
Out[19]: (4, None, 'foo', 6, 0, 4)

In [21]: (4,)+(5,6)
Out[21]: (4, 5, 6)

In [22]: ('4', 4, 'bat') * 4
Out[22]: ('4', 4, 'bat', '4', 4, 'bat', '4', 4, 'bat', '4', 4, '
bat')

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,即使含有元组的元组也会被拆分

In [25]: tup = (4,56,{'X':'X','y':'Y'})

In [26]: a, b, c = tup

In [27]: a
Out[27]: 4

In [28]: b
Out[28]: 56

In [29]: c
Out[29]: {'X': 'X', 'y': 'Y'}


In [31]: tup = 4,5,(6,7)

In [32]: a,b,c,d = tup
----------------------------------------------------------------

ValueError                     Traceback (most recent call last)

<ipython-input-32-fca040b764b2> in <module>()
----> 1 a,b,c,d = tup

ValueError: not enough values to unpack (expected 4, got 3)

In [33]: a,b,(c,d) = tup

In [34]: d
Out[34]: 7

• 在 Python 中，替换变量的名字可以这样做

In [35]: a,b = 1, 2

In [36]: b, a = a,b

In [37]: a
Out[37]: 2

In [38]: b
Out[38]: 1

• 变量拆分常用来迭代元组或列表序列：

In [39]: seq = [(1,2,3),(4,5,6),(7,8,9)]

In [40]: for a, b, c in seq:
    ...:     print('a={0}, b={1}, c={2}'.format(a,b,c))
    ...:
a=1, b=2, c=3
a=4, b=5, c=6
a=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, 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：

In [41]: values = 1,2,3,4,5

In [42]: a, b, *rest = values

In [43]: rest
Out[43]: [3, 4, 5]

In [44]: a, b, *_ = values

In [45]: _
Out[45]: [3, 4, 5]

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：

In [48]: a = (1,2,2,2,3,3,4,5)

In [49]: a
Out[49]: (1, 2, 2, 2, 3, 3, 4, 5)

In [50]: a.count(2)
Out[50]: 3

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
• list 函数常用来在数据处理中实体化迭代器或生成器：

In [42]: gen = range(10)

In [43]: gen
Out[43]: range(0, 10)

In [44]: list(gen)
Out[44]: [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,insert可以在特定的位置插入元素,插入的序号必须在 0 和列表长度之间。

In [47]: b_list.insert(1, 'red')

In [48]: b_list
Out[48]: ['foo', 'red', 'peekaboo', 'baz', 'dwarf']

• 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：

In [55]: b_list = [2,3,4,5]

In [56]: b_list.insert(1,5)

In [57]: b_list
Out[57]: [2, 5, 3, 4, 5]

In [58]: b_list.pop(3)
Out[58]: 4

In [59]: b_list
Out[59]: [2, 5, 3, 5]

• 可以用 remove 去除某个值，remove 会先寻找第一个值并除去,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。

In [60]: a_list = ['foo','wa', 'ten', 'foo']

In [61]: a_list.remove('foo')

In [62]: a_list
Out[62]: ['wa', 'ten', 'foo']

In [63]: a_list.remove('foo')

In [65]: a_list
Out[65]: ['wa', 'ten']

• 用 in 可以检查列表是否包含某个值,否定 in 可以再加一个 not

In [73]: a_list
Out[73]: ['wa', 'ten', 'look', 'time']

In [74]: 'tn' in a_list
Out[74]: False

In [75]: 'ten' in a_list
Out[75]: True

In [76]: 'ten'  not in a_list
Out[76]: 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,如果已经定义了一个列表，用 extend方法可以追加多个元素

In [77]: [4, None, 'foo'] + [7, 8, (2,3)]
Out[77]: [4, None, 'foo', 7, 8, (2, 3)]

In [78]: x = [4,5,6,None,'foo']

In [80]: x.extend([7, 8, 90,(3,4)])

In [81]: x
Out[81]: [4, 5, 6, None, 'foo', 7, 8, 90, (3, 4)]

• 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。要比串联方法快,因此：

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

In [86]: a = [7,3,8,4,6,1,9,2]

In [87]: a.sort()

In [88]: a
Out[88]: [1, 2, 3, 4, 6, 7, 8, 9]

In [89]:  b = ['ipyhon','python','list','set']

In [90]: b.sort()

In [91]: b
Out[91]: ['ipyhon', 'list', 'python', 'set']

In [92]: b.sort(key=len)

In [93]: b
Out[93]: ['set', 'list', 'ipyhon', 'python']

• 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：

In [94]: import bisect

In [95]: c = [1, 2, 2, 2, 3, 4, 7]

In [96]: bisect.bisect(c,2) # 意思是，如果将 2 这个数字插入进去，将排在索引值 为 4 的位置
Out[96]: 4

In [97]: bisect.bisect(c,5) # 意思是，如果将 2 这个数字插入进去，将排在索引值 为 6 的位置
Out[97]: 6

In [98]: bisect.insort(c,6)

In [99]: c
Out[99]: [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：

In [100]: seq = [7,2,3,4,5,7,3,4,5]

In [101]: seq[1:4]
Out[101]: [2, 3, 4]

• 切片也可以被序列赋值：

In [106]: seq[1:2] = [9,9]

In [107]: seq
Out[107]: [7, 9, 9, 4, 3, 3, 4, 5, 7, 3, 4, 5]

• 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,负数表明从后向前切片：

In [5]: seq = [1,2,3,4,5,6,7,8,9]

In [6]: seq[:6]
Out[6]: [1, 2, 3, 4, 5, 6]

In [7]: seq[-4:]
Out[7]: [6, 7, 8, 9]

In [8]: seq[-1]
Out[8]: 9

In [9]: seq[-2]
Out[9]: 8

In [10]: seq[-6:-2]
Out[10]: [4, 5, 6, 7]

- 需要一段时间来熟悉使用切片，尤其是当你之前学的是 R 或 MATLAB。图 3-1 展示了正整数和负整数的切片。在图中，指数标示在边缘以表明切片是在哪里开始哪里结束的。

• 在第二个冒号后面使用 step，可以隔一个取一个元素,一个聪明的方法是使用-1，它可以将列表或元组颠倒过来：

In [11]: seq[::2]
Out[11]: [1, 3, 5, 7, 9]

In [12]: seq[::-1]
Out[12]: [9, 8, 7, 6, 5, 4, 3, 2, 1]

序列函数

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

In [18]: some_list = ['foo', 'iii', 'waz']

In [19]: mapping = {}

In [20]: for i, v in enumerate(some_list):
    ...:     mapping[v] = i
    ...:

In [21]: mapping
Out[21]: {'foo': 0, 'iii': 1, 'waz': 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

• 函数可以接受和 sort 相同的参数。

In [87]: sorted([7, 1, 2, 6, 0, 3, 2])
Out[87]: [0, 1, 2, 2, 3, 6, 7]

In [88]: sorted('horse race')
Out[88]: [' ', 'a', 'c', 'e', 'e', 'h', 'o', 'r', 'r', 's']

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：

In [22]: seq1 = ['foo', 'bar', 'baz']

In [23]: seq2 = ['one', 'two', 'three']

In [24]: zipped = zip(seq1, seq2)

In [25]: zipped
Out[25]: <zip at 0x23ba9550e88>

In [26]: list(zipped)
Out[26]: [('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：

In [27]: seq3 = [False, True]

In [28]: list(zip(seq1, seq2, seq3))
Out[28]: [('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：

In [29]: for i , (a,b) in enumerate(zip(seq1,seq2)):
    ...:     print('{0}:{1},{2}'.format(i, a,b))
    ...:
0:foo,one
1:bar,two
2: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：

In [30]: pitchers = [('Nolan', 'Ryan'),('Roger', 'Clemens'),('S
    ...: chilling', 'Curt')]

In [31]: fisrt_names, last_names = zip(*pitchers)

In [32]: fisrt_names
Out[32]: ('Nolan', 'Roger', 'Schilling')

In [33]: last_names
Out[33]: ('Ryan', 'Clemens', 'Curt')

reversed 函数

• reversed 可以从后向前迭代一个序列,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。

In [100]: list(reversed(range(10)))
Out[100]: [9, 8, 7, 6, 5, 4, 3, 2, 1, 0]

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

• 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

In [34]: empty_dict = {}

In [35]: d1 = {'a':'some value','b':[1,2,3,4]}

In [36]: d1
Out[36]: {'a': 'some value', 'b': [1, 2, 3, 4]}

In [37]: d1[7] = 'an integer'

In [38]: d1
Out[38]: {7: 'an integer', 'a': 'some value', 'b': [1, 2, 3, 4]}

In [40]: d1['b']
Out[40]: [1, 2, 3, 4]

• 你可以用检查列表和元组是否包含某个值得方法，检查字典中是否包含某个键,可以用del 关键字或 pop 方法（返回值得同时删除键）删除值

In [41]: 'b' in d1
Out[41]: True

In [42]: d1[5] = 'some value'

In [43]: d1
Out[43]: {5: 'some value', 7: 'an integer', 'a': 'some value', 'b':
 [1, 2, 3, 4]}

In [44]: d1['dummy'] = 'another value'

In [45]: d1
Out[45]:
{5: 'some value',
 7: 'an integer',
 'a': 'some value',
 'b': [1, 2, 3, 4],
 'dummy': 'another value'}

In [46]: del d1[5]

In [47]: d1
Out[47]:
{7: 'an integer',
 'a': 'some value',
 'b': [1, 2, 3, 4],
 'dummy': 'another value'}

In [48]: ret = d1.pop('dummy')

In [49]: ret
Out[49]: 'another value'

In [50]: d1
Out[50]: {7: 'an integer', 'a': 'some value', 'b': [1, 2, 3, 4]}

• keys和values是字典的键和值的迭代器方法。虽然键值对没有顺序，这两个方法可以用相同的顺序输出键和值：

In [51]: d1.keys()
Out[51]: dict_keys(['a', 'b', 7])

In [52]: list(d1.keys())
Out[52]: ['a', 'b', 7]

In [53]: list(d1.values())
Out[53]: ['some value', [1, 2, 3, 4], 'an integer']

• 用 update 方法可以将一个字典与另一个融合,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

• 你可能想将两个序列配对组合成字典。下面是一种写法,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,后面会谈到dict comprehensions，另一种构建字典的优雅方式。

In [54]: mapping = {}

In [55]: for key, value in zip(key_list, value_list):
    ...:     mapping[key] = value


In [56]: mapping = dict(zip(range(5), reversed(range(5))))

In [57]: mapping
Out[57]: {0: 4, 1: 3, 2: 2, 3: 1, 4: 0}

默认值

• 下面的逻辑很常见,因此，dict的方法get和pop可以取默认值进行返回，if-else 语句可以简写成第二个：

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

# 简写    
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：

In [58]: words = ['apple', 'bat', 'bar', 'atom', 'book']

In [59]: by_letter = {}

In [60]: for word in words:
    ...:     letter = word[0]
    ...:     if letter not in by_letter:
    ...:         by_letter[letter] = [word]
    ...:     else:
    ...:         by_letter[letter].append(word)
    ...:

In [61]: by_letter
Out[61]: {'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：

In [62]: 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：

In [65]: from collections import defaultdict

In [66]: by_letter = defaultdict(list)

In [67]: for word in words:
    ...:     by_letter[word[0]].append(word)

In [68]: by_letter
Out[68]: 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）：

In [69]: hash('string')
Out[69]: -2802364732335948762

In [70]: hash((1,2,(2,3)))
Out[70]: 1097636502276347782

In [71]: hash(([2,3,4],'fail'))
-------------------------------------------------------------------

TypeError                         Traceback (most recent call last)

<ipython-input-71-18105c851885> in <module>()
----> 1 hash(([2,3,4],'fail'))

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：

In [72]: d = {}

In [73]: d[tuple([1, 2, 3])] = 5

In [74]: d
Out[74]: {(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 函数或使用花(尖)括号 set 语句：

In [75]: set([2,2,2,3,3,3,4,5,6])
Out[75]: {2, 3, 4, 5, 6}

In [76]: {3,3,3,3,4,4,56,7,78,8}
Out[76]: {3, 4, 7, 8, 56, 78}

• 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,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,交集的元素包含在两个集合中。可以用 intersection 或 & 运算符：

In [77]: a = {1,2, 3,4,5}

In [78]: b = {3,4,5,6,7,8}

In [79]: a.union(b)
Out[79]: {1, 2, 3, 4, 5, 6, 7, 8}

In [80]: a | b # 并集
Out[80]: {1, 2, 3, 4, 5, 6, 7, 8}

In [81]: # 交集

In [82]: a.intersection(b)
Out[82]: {3, 4, 5}

In [83]: a & b
Out[83]: {3, 4, 5}

常用的集合方法。

• 所有逻辑集合操作都有另外原地实现方法，它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：

In [84]: c = a.copy()

In [85]: c |= b

In [86]: c
Out[86]: {1, 2, 3, 4, 5, 6, 7, 8}

In [87]: d = a.copy()

In [88]: d &= b

In [89]: d
Out[89]: {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,你还可以检测一个集合是否是另一个集合的子集或父集,集合的内容相同时，集合才对等：

In [90]: my_data = [1,2,3,4]

In [91]: my_set = {tuple(my_data)}

In [92]: my_set
Out[92]: {(1, 2, 3, 4)}

In [93]: a_set = {1,2,3,4,5}

In [94]: {1,2,3}.issubset(a_set)
Out[94]: True

In [95]: a_set.issuperset({1,2,3})
Out[95]: True

In [97]: {1,2,3} == {2,3,1}
Out[97]: 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：

In [98]: strings = ['a', 'as', 'bat', 'car', 'dove', 'python']
    ...:

In [99]: [x.upper() for x in strings if len(x) > 2]
Out[99]: ['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：

In [1]: strings = ['a', 'as', 'bat', 'car', 'dove', 'python']

In [2]: unique_lengths = {len(x) for x in strings}

In [3]: unique_lengths
Out[3]: {1, 2, 3, 4, 6}

• map函数可以进一步简化：

In [4]: set(map(len, strings))
Out[4]: {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：

In [5]: loc_mapping = {val:index for index, val in enumerate(st
   ...: rings)}

In [6]: loc_mapping
Out[6]: {'a': 0, 'as': 1, 'bat': 2, 'car': 3, 'dove': 4, 'python
': 5}

In [7]: strings
Out[7]: ['a', 'as', 'bat', 'car', 'dove', 'python']

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
• 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：

In [8]: all_data = [['John', 'Emily', 'Michael', 'Mary', 'Steve
   ...: n'],['Maria', 'Juan', 'Javier', 'Natalia', 'Pilar']]

InIn [9]: names__interest = []

In [10]: for names in all_data:
    ...:     enough_es = [name for name in names if name.count(
    ...: 'e') >=2]
    ...:     names__interest.extend(enough_es)
    ...:

In [11]: names__interest
Out[11]: ['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：

In [12]: result = [name for names in all_data for name in names
    ...:  if name.count('e') >= 2]

In [13]: result
Out[13]: ['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：

In [14]: some_tuples = [(1,2,3),(4,5,6),(7,8,9)]

In [15]: flattend = [x for tup in some_tuples for x in tup]

In [16]: flattend
Out[16]: [1, 2, 3, 4, 5, 6, 7, 8, 9]

• 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)

• 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：

In [17]: [[x for x in tup] for tup in some_tuples]
Out[17]: [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

3.2 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)

• 笔记：也可以用关键字传递位置参数。前面的例子，也可以写为如下，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:

In [168]: a = None

In [169]: def bind_a_variable():
   .....:     global a
   .....:     a = []
   .....: bind_a_variable()
   .....:

In [170]: print(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

一个很好的功能是：函数可以返回多个值。下面是一个简单的例子：

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

a, 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()

• 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 = 5
    b = 6
    c = 7
    return {'a' : a, 'b' : b, 'c' : c}

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：

In [18]: states = ['   Alabama ', 'Georgia!', 'Georgia', 'georg
    ...: ia', '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：

In [19]: import re

In [20]: def clean_strings(strings):
    ...:     result = []
    ...:     for value in strings:
    ...:         value = value.strip()
    ...:         value = re.sub('[!#?]', '', value)
    ...:         value = value.title()
    ...:         result.append(value)
    ...:     return result
    ...:

In [22]: clean_strings(states)
Out[22]:
['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：

In [23]: def remove_punctuation(value):
    ...:     return re.sub('[!#?]', '', value)
    ...:

In [24]: clean_ops = [str.strip, remove_punctuation, str.title]
    ...:

In [26]: def clean_strings(strings, ops):
    ...:     result = []
    ...:     for value in strings:
    ...:         for function in ops:
    ...:             value = function(value)
    ...:         result.append(value)
    ...:     return result
    ...:

In [27]: clean_strings(states, clean_ops)
Out[27]:
['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：

In [28]: for x in map(remove_punctuation, states):
    ...:     print(x)
    ...:
Alabama
Georgia
Georgia
georgia
FlOrIda
south   carolina
West 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”。

In [29]: def short_function(x):
    ...:     return x * 2
    ...:

In [30]: equiv_anon = lambda x: x * 2

In [31]: equiv_anon
Out[31]: <function __main__.<lambda>>

In [32]: equiv_anon(5)
Out[32]: 10

• 简单例子

In [33]: def apply_to_list(some_list, f):
    ...:     return [f(x) for x in some_list]
    ...:

In [34]: ints = [4, 0, 1, 5, 6]

In [35]: apply_to_list(ints, lambda x:x * 2)
Out[35]: [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。

• 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：

In [36]:  strings = ['foo', 'card', 'bar', 'aaaa', 'abab']

In [37]: strings.sort(key=lambda x:len(set(list(x))))

In [38]: strings
Out[38]: ['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,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：

In [39]: def add_numbers(x,y):
    ...:     return x + y
    ...:

In [40]: add_five = lambda y: add_numbers(5,y)

In [41]: add_five(10)
Out[41]: 15

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：

In [42]: from functools import partial

In [43]: add_five = partial(add_numbers, 5)

In [44]: add_five(22)
Out[44]: 27

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：

In [180]: some_dict = {'a': 1, 'b': 2, 'c': 3}

In [181]: for key in some_dict:
   .....:     print(key)


a
b
c

• 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：

In [182]: dict_iterator = iter(some_dict)

In [183]: dict_iterator
Out[183]: <dict_keyiterator at 0x7fbbd5a9f908>

• 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：

In [184]: list(dict_iterator)
Out[184]: ['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：

In [45]: def squares(n=10):
    ...:     print('Generating squares from 1 to {0}'.format(n
    ...: ** 2))
    ...:     for i in range(1, n + 1):
    ...:         yield i ** 2
    ...:

In [46]: gen = squares() # 调用该生成器时，没有任何代码会被立即执行：

In [47]: gen
Out[47]: <generator object squares at 0x000002088B669CA8>

# 直到你从该生成器中请求元素时，它才会开始执行其代码：

In [48]: for x in gen:
    ...:     print(x, end= " ")
    ...:
Generating squares from 1 to 100
1 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：

In [49]: gen = (x**2 for x in range(100))

In [50]: gen
Out[50]: <generator object <genexpr> at 0x000002088AFDFDB0>

# 它跟下面这个冗长得多的生成器是完全等价的：

In [51]: def _make_gen():
    ...:     for x in range(100):
    ...:         yield x **2
    ...:

In [52]: gen = _make_gen()

• 生成器表达式也可以取代列表推导式，作为函数参数：

In [54]: sum(x **2 for x in range(100))
Out[54]: 328350

In [55]: dict((i, i**2) for i in range(5))
Out[55]: {0: 0, 1: 1, 2: 4, 3: 9, 4: 16}

itertools 模块

标准库tertools块中有一组用于许多常见数据算法的生成器。例如，roupby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：

In [56]: import itertools

In [57]: first_letter = lambda x:x[0]

In [58]: names = ['Alan', 'Adam','Wes', 'Will', 'Albert', 'Stev
    ...: en']

In [59]: for letter, names in itertools.groupby(names, first_le
    ...: tter):
    ...:     print(letter, list(names))
    ...:
A ['Alan', 'Adam']
W ['Wes', 'Will']
A ['Albert']
S ['Steven']

• 常用到的tertools函数

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：

In [60]: float('1.2345')
Out[60]: 1.2345

In [61]: float('something')
----------------------------------------------------------------

ValueError                     Traceback (most recent call last)

<ipython-input-61-2649e4ade0e6> 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,当float(x)抛出异常时，才会执行except的部分,你可能注意到float抛出的异常不仅是ValueError：

In [62]: def attempt_float(x):
    ...:     try:
    ...:         return float(x)
    ...:     except:
    ...:         return x
    ...:

In [63]: attempt_float('2.2222')
Out[63]: 2.2222

In [64]: attempt_float('nothing')
Out[64]: 'nothing'

In [65]: float((1,2))
----------------------------------------------------------------

TypeError                      Traceback (most recent call last)

<ipython-input-65-a101b3a3d6cd> in <module>()
----> 1 float((1,2))

TypeError: float() argument must be a string or a number, not 't
uple'

• 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：

In [66]: def attempt_float(x):
    ...:     try:
    ...:         return float(x)
    ...:     except ValueError:
    ...:         return x
    ...:

In [67]: attempt_float((1,2))
----------------------------------------------------------------

TypeError                      Traceback (most recent call last)

<ipython-input-67-102527222085> in <module>()
----> 1 attempt_float((1,2))

<ipython-input-66-5a7c37ce098e> in attempt_float(x)
      1 def attempt_float(x):
      2     try:
----> 3         return float(x)
      4     except ValueError:
      5         return x

TypeError: float() argument must be a string or a number, not 't
uple'

• 可以用元组包含多个异常,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：

In [68]: def attempt_float(x):
    ...:     try:
    ...:         return float(x)
    ...:     except (TypeError, ValueError):
    ...:         return x



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


In [72]: path = "./01_practice.py"

In [73]: f = open(path, 'w')

In [74]: try:
    ...:     write_to_file(f)
    ...: except:
    ...:     print('Failed')
    ...: else:
    ...:     print('Succeeded')
    ...: finally:
    ...:     f.close()
    ...:
Failed

IPython 的异常

如果是在%run一个脚本或一条语句时抛出异常，IPython默认会打印完整的调用栈（traceback），在栈的每个点都会有几行上下文：

In [10]: %run examples/ipython_bug.py
---------------------------------------------------------------------------
AssertionError                            Traceback (most recent call last)
/home/wesm/code/pydata-book/examples/ipython_bug.py in <module>()
     13     throws_an_exception()
     14
---> 15 calling_things()

/home/wesm/code/pydata-book/examples/ipython_bug.py in calling_things()
     11 def calling_things():
     12     works_fine()
---> 13     throws_an_exception()
     14
     15 calling_things()

/home/wesm/code/pydata-book/examples/ipython_bug.py in throws_an_exception()
      7     a = 5
      8     b = 6
----> 9     assert(a + b == 10)
     10
     11 def calling_things():

AssertionError:

自身就带有文本是相对于 Python 标准解释器的极大优点。你可以用魔术命令 %xmode，从Plain（与 Python 标准解释器相同）到 Verbose（带有函数的参数值）控制文本显示的数量。后面可以看到，发生错误之后，（用%debug或%pdb magics）可以进入stack进行事后调试。

3.3 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：

In [84]: path = "./test/01_practice.py"

In [85]: 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：

In [86]: 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）

In [87]: lines = [x.rstrip() for x in open(path)]

In [88]: lines
Out[88]:
['what a great day 1',
 '',
 'what a great day 2',
 '',
 'what a great day 3',
 '',
 'what a great day 4',
 '',
 'what a great day 5',
 '',
 'what a great day 6',
 '',
 'what a great day 7',
 'what a great day 8',
 'what a great day 9',
 'what a great day 10']

• 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,这样可以在退出代码块时，自动关闭文件。

In [212]: with open(path) as f:
   .....:     lines = [x.rstrip() for x in f]

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。表3-3列出了所有的读/写模式。

• 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：

In [90]: f = open(path)

In [91]: f.read(10)
Out[91]: 'what a gre'

In [92]: f2 = open(path, 'rb') # Binary mode

In [93]: f2.read(10)
Out[93]: b'what a gre'

In [94]: # 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：

In [95]: f.tell()
Out[95]: 10

In [96]: f2.tell()
Out[96]: 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：

In [97]:
In [97]: import sys

In [98]: sys.getdefaultencoding()
Out[98]: 'utf-8'

In [99]: # seek 将文件位置更改为文件中的指定字节：

In [100]: f.seek(3)
Out[100]: 3

In [101]: f.read(1)
Out[101]: 't'

In [102]: f.close()

In [103]: f2.close()

• 向文件写入，可以使用文件的write或writelines方法。例如，我们可以创建一个无空行版的 prof_mod.py：

In [104]: with open('tmp.txt', 'w') as handle:
     ...:     handle.writelines(x for x in open(path) if len(x)
     ...:  > 1)
     ...:

In [105]: with open('tmp.txt') as f:
     ...:     lines = f.readlines()
     ...:

In [106]: lines
Out[106]:
['what a great day 1 \n',
 'what a great day 2 \n',
 'what a great day 3 \n',
 'what a great day 4 \n',
 'what a great day 5 \n',
 'what a great day 6 \n',
 'what a great day 7 \n',
 'what a great day 8 \n',
 'what a great day 9 \n',
 'what a great day 10 \n']

• 一些最常用的文件方法。

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）：

In [107]: with open(path) as f:
     ...:     chars = f.read(10)
     ...:

In [108]: chars
Out[108]: 'what a gre'

• 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：

In [109]: with open(path,'rb') as f:
     ...:     data = f.read(10)
     ...:

In [110]: data
Out[110]: b'what a gre'

• 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：

In [109]: with open(path,'rb') as f:
     ...:     data = f.read(10)
     ...:

In [110]: data
Out[110]: b'what a gre'

In [111]: data.decode('utf-8')
Out[111]: 'what a gre'

In [112]: data[:4].decode('utf-8')
Out[112]: 'what'

原文章中：

In [234]: data.decode('utf8')
Out[234]: 'Sueña el '

In [235]: data[:4].decode('utf8')
---------------------------------------------------------------------------
UnicodeDecodeError                        Traceback (most recent call last)
<ipython-input-235-300e0af10bb7> in <module>()
----> 1 data[:4].decode('utf8')
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc3 in position 3: unexpecte
d 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：

In [113]: sink_path = 'sink.txt'

In [114]: with open(path) as source:
     ...:     with open(sink_path, 'xt', encoding='iso-8859-1')
     ...:  as sink:
     ...:         sink.write(source.read())
     ...:

In [115]: with open(sink_path, encoding='iso-8859-1') as f:
     ...:     print(f.read(10))
     ...:
what a gre

• 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：

In [123]: f = open(path)

In [124]: f.read(10)
Out[124]: 'what a gre'

In [125]: f.seek(7)
Out[125]: 7

In [126]: f.read(1)
Out[126]: 'g'

In [127]: f.close()

原文章中：

In [240]: f = open(path)

In [241]: f.read(5)
Out[241]: 'Sueña'

In [242]: f.seek(4)
Out[242]: 4

In [243]: f.read(1)
---------------------------------------------------------------------------
UnicodeDecodeError                        Traceback (most recent call last)
<ipython-input-243-7841103e33f5> in <module>()
----> 1 f.read(1)
/miniconda/envs/book-env/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 call
    323         self.buffer = data[consumed:]
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb1 in position 0: invalid s
tart byte

In [244]: f.close()

• 如果你经常要对 非ASCII 字符文本进行数据分析，通晓 Python 的 Unicode 功能是非常重要的。更多内容，参阅 Python 官方文档。

3.4 结论

我们已经学过了 Python 的基础、环境和语法，接下来学习 NumPy 和 Python 的面向数组计算。