Python基础回顾总结

一 . Python入门

　　1.编程语言分为编译型和解释型

　　　　 #1. 编译型（需要编译器，相当于用谷歌翻译）：如C，执行速度快，调试麻烦

　　 　　 #2. 解释型（需要解释器，相当于同声传译）：如python，执行速度慢，调试方便

　　优点：
　　　　#编译型语言执行速度快，不依赖语言环境运行，跨平台差
　　   #解释型跨平台好，一份代码，到处使用，缺点是执行速度慢，依赖解释器运行

　2.Python有哪些种类
　　#CPython：
　　CPython是使用最广且被的Python解释器。
　　当我们从Python官方网站下载并安装好Python 2.7后，我们就直接获得了一个官方版本的解释器：CPython。
　　这个解释器是用C语言开发的，所以叫CPython。在命令行下运行python就是启动CPython解释器。

　　#IPython
　　IPython是基于CPython之上的一个交互式解释器，也就是说，IPython只是在交互方式上有所增强，
　　但是执行Python代码的功能和CPython是完全一样的。好比很多国产浏览器虽然外观不同，但内核其实都是调用了IE。
　　CPython用>>>作为提示符，而IPython用In [序号]:作为提示符。

　　#PyPy
　　PyPy是另一个Python解释器，它的目标是执行速度。PyPy采用JIT技术，对Python代码进行动态编译（注意不是解释），
　　所以可以显著提高Python代码的执行速度。绝大部分Python代码都可以在PyPy下运行，但是PyPy和CPython有一些是不同的，
　　就导致相同的Python代码在两种解释器下执行可能会有不同的结果。如果你的代码要放到PyPy下执行，
　　就需要了解PyPy和CPython的不同点。

　　#Jython
　　Jython是运行在Java平台上的Python解释器，可以直接把Python代码编译成Java字节码执行　　#IronPython

　　IronPython和Jython类似，只不过IronPython是运行在微软.Net平台上的Python解释器，
　　可以直接把Python代码编译成.Net的字节码。

 3.小整数池（优化机制）　　
　　Python实现int的时候有个小整数池。为了避免因创建相同的值而重复申请内存空间所带来的效率问题， 
　　Python解释器会在启动时创建出小整数池，范围是[-5,256]，该范围内的小整数对象是全局解释器范围内被重复使用，
　　永远不会被GC回收

 4.变量的修改与内存管理（引用计数与垃圾回收机制）
　　Python中垃圾回收是以引用计数为主，分带收集为辅

　　引用计数：
　　原理：跟踪每个值被引用的次数

　　流程：
　　　　1.声明了一个变量并将一个引用类型的值赋值给这个变量，这个引用类型值的引用次数就是1。
　　　　2.同一个值又被赋值给另一个变量，这个引用类型值的引用次数加1.
　　　　3.当包含这个引用类型值的变量又被赋值成另一个值了，那么这个引用类型值的引用次数减1.
　　　　4.当引用次数变成0时，说明没办法访问这个值了。
　　　　5.当垃圾收集器下一次运行时，它就会释放引用次数是0的值所占的内存。

　　一句话：引用计数就是跟踪每个值被引用的次数，如果引用次数为0则会被当做垃圾回收。这种机制简单，实时性好，
　　一旦没有引用就直接释放了。但是需要维护引用计数，而且当面对循环引用时会消耗大量资源，无法回收内存
　　会导致内存泄漏。
　　
　　标记-清理
　　　　python标记删除时通过两个容器完成：死亡容器、存货容器
　　　　1.对执行删除操作后的每个引用-1，此时如果对象的引用为0则将其放入死亡容器中。把那些引用仍然大于0的放到存活容器
　　　　2.遍历存活容器，查看是否有的存活对象引用了死亡容器内的对象，如果有就把该对象从死亡容器中取出放入存活容器
　　　　3.删除死亡容器所有对象
　　　　一句话：标记-清理如果要删除循环引用，必须将循环引用的双发对象全部删除才可以被回收

　　分代收集
　　　　目的：更合理的进行标记-删除，需要对对象进行分代处理
　　　　1.新创建的对象作为0代
　　　　2.每执行一个标记-删除，存活的对象代数+1
　　　　3.代数越高的对象（存活越持久的对象），进行标记-删除的时间间隔就越长。这个间隔江湖人称阀值。
　　
　　三种情况触发垃圾回收
　　　　1.调用gc.collect()
　　　　2.GC达到阀值
　　　　3.程序退出时

  5.数据类型
　　int,float,str,list,dict,bool,set,tuple
　　str:
　　　　单、双、三引号的区别：
　　　　　　单双引号没有区别，只有在一个str内出现了单引号时应该用双引号包裹，反之亦然
　　　　　　多行字符必须用三引号

　　逻辑运算：
　　　　not、or、and优先级： not > or > and 
　

       6.函数

　　名称空间加载顺序

　　　　#1、python解释器先启动，因而首先加载的是：内置名称空间

　　　　#2、执行test.py文件，然后以文件为基础，加载全局名称空间

　　　　#3、在执行文件的过程中如果调用函数，则临时产生局部名称空间

　　名字的查找顺序

　　　 局部名称空间--->全局名称空间--->内置名称空间

　　闭包函数

　　　　内部函数引用了外部函数变量，且外部函数返回的是内嵌函数对象的一个嵌套函数。

　　　　意义：返回的函数对象，不仅仅是一个函数对象，在该函数外还包裹着一层作用域，这使得，该函数无论在何处调用，优先

　　　　使用自己外层包裹的作用域。

　　

　　7.装饰器

　　　　装饰器就是闭包函数的一种应用场景

　　　　开放封闭原则：对封闭修改，对外扩展开放

　　　　作用：在不改变装饰对象源代码和调用方式的情况下为函数添加新功能

　　　　

　　可迭代对象指的是内置有__iter__方法的对象
什么是迭代器对象？
　　可迭代对象执行obj.__iter__()得到的结果就是迭代器对象
　　而迭代器对象指的就是内置有—__iterII又内置有__next__方法的对象

   迭代器对象一定是一个可迭代对象，而可迭代对象不一定是迭代器对象
　　
　　优点：
　　　　提供一种统一的、不依赖于索引的迭代方式
　　　　惰性计算，节省内存
　　缺点：
　　　　无法获取长度（只有在next完毕才知道到底有几个值）
　　　　一次性的，只能往后走，不能往前退

 9.生成器
　　只要函数内部有yield关键字，那么函数名（）得到的结果就是生成器，并且不会执行函数代码
　　生成器就是迭代器

 10.三元表达式
　　name=input('姓名>>: ')
　　res='SB' if name == 'alex' else 'NB'
　　print(res)

 11.列表推导式
　　egg_list=[]
　　for i in range(10):
　　　　egg_list.append('鸡蛋%s' %i)

　　egg_list=['鸡蛋%s' %i for i in range(10)]

 12.生成器表达式
　　把列表推导式的[]换成（）就是生成器表达式　　#2、示例：生一筐鸡蛋变成给你一只老母鸡，用的时候就下蛋，这也是生成器的特性　　>>> chicken=('鸡蛋%s' %i for i in range(5))　　>>> chicken　　<generator object <genexpr> at 0x10143f　　>>> next(chicken)

　　'鸡蛋0'
　　>>> list(chicken) #因chicken可迭代，因而可以转成列表
　　['鸡蛋1', '鸡蛋2', '鸡蛋3', '鸡蛋4',]

　　#3、优点：省内存，一次只产生一个值在内存中

 13.递归调用的定义

　　递归调用是函数嵌套调用的一种特殊形式，函数在调用时，直接或间接调用了自身，就是递归调用
　　递归调用函数会产生局部名称空间，占用内存，python解释器的内存管理机制为了防止其无限制占用内存，对函数的递归调用
　　做了最大的层级限制。
　　
　　递归调用的两个明确阶段：
　　　　递推：从里向外一层一层结束递归
　　　　回溯：从外向里一层一层调用下去，回溯阶段必须有一个明确的结束条件，没进入下一次递归，问题规模都应该有所减少
　　　　　　　否则无限制的重复调用自身是没有意义的

　　
　　总结：
　　　　1.必须要有一个明确的结束条件
　　　　2.每次进入更深一层递归时，问题规模应相比上次递归有所减少
　　　　3.递归效率不高，层次过多会导致内存溢出，在python中递归效率低，且没有尾递归优化（在函数的最后一步而非最后一行调用自己）
　　

　14.