1.1==，is的使用

总结

·is是比较两个引用是否指向了同一个对象（引用比较）。

·==是比较两个对象是否相等。

1.1深拷贝、浅拷贝

1.1.1浅拷贝

浅拷贝是对于一个对象的顶层拷贝

通俗的理解是：拷贝了引用，并没有拷贝内容

分析一下以上代码：

a == b  它们的值是一样的。 a is not b  这个判断的是它们的内存地址，它们都是在一个新的内存空间内。在第5行时，又将a，b赋值给c。在第6行时，又将c赋值给d。此时，d的地址等于c的地址，改变a的值，此时 c==d，c is d。 一个‘=’相当于浅复制，相当于引用传递。

1.1.1深拷贝

深拷贝是对于一个对象所有层次的拷贝(递归)

第九行这里使用了深拷贝，拷贝了c。在a改变值的时候，c也改变了，c和d之前是浅拷贝。e是深拷贝，没有变。地址也和c不一样。

1.1.1拷贝的其他方式

浅拷贝对不可变类型和可变类型的copy不同

= ：浅拷贝

copy.deepcopy : 深拷贝

copy.copy:  对于列表(深)，对于元组(浅)

对于里面的对象相当于浅拷贝

1.1属性property

面试题：

1、你对面向对象的理解

2、面向对象的特征是什么

3、对封装的理解？

封装，类本身就是一个封装，封装了属性和方法。方法也是封装，对一些业务逻辑的封装。私有也是封装，将一些方法和属性私有化，对外提供可访问的接口。

4、对继承的理解

将共性的内容放在父类中，子类只需要关注自己特有的内容，共性的继承过来就行了。

这样简化开发，符合逻辑习惯，利于扩展。

5、多态的理解

多态，一个对象在不同的情况下显示不同的形态。在python中因为是弱类型语言，对类型没有限定，所有python中不完全支持多态，但是多态的思想呢，python也是能体现的。

1.1.1私有属性添加getter和setter方法

使用property升级getter和setter方法

运行结果：

1.1.1使用property取代getter和setter方法

@property成为属性函数，可以对属性赋值时做必要的检查，并保证代码的清晰短小，主要有2个作用

·将方法转换为只读

重新实现一个属性的设置和读取方法,可做边界判定

1.1生成器

1.1.1什么是生成器

通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator。

1.1.1创建生成器方法1

要创建一个生成器，有很多种方法。第一种方法很简单，只要把一个列表生成式的[ ]改成( )

创建l和g的区别仅在于最外层的[ ]和( )，l是一个列表，而g是一个生成器。我们可以直接打印出l的每一个元素，但我们怎么打印出g的每一个元素呢？如果要一个一个打印出来，可以通过next()函数获得生成器的下一个返回值：

生成器保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的异常。当然，这种不断调用next()实在是太变态了，正确的方法是使用for循环，因为生成器也是可迭代对象。所以，我们创建了一个生成器后，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration异常。

1.1.1创建生成器方法2

generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。

比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, ...

斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

仔细观察，可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。

也就是说，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

在上面fib的例子，我们在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：

但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：

1.1.1send

例子：执行到yield时，gen函数作用暂时保存，返回i的值;temp接收下次c.send("python")，send发送过来的值，c.next()等价c.send(None)

使用next函数

使用__next__()方法

使用send

可以使用send传入的值进行判断

1.1.1实现多任务

模拟多任务实现方式之一：协程

总结

生成器是这样一个函数，它记住上一次返回时在函数体中的位置。对生成器函数的第二次（或第n次）调用跳转至该函数中间，而上次调用的所有局部变量都保持不变。

生成器不仅“记住”了它数据状态；生成器还“记住”了它在流控制构造（在命令式编程中，这种构造不只是数据值）中的位置。

生成器的特点：

1.节约内存

2.迭代到下一次的调用时，所使用的参数都是第一次所保留下的，即是说，在整个所有函数调用的参数都是第一次所调用时保留的，而不是新创建的

1.1迭代器

迭代是访问集合元素的一种方式。迭代器是一个可以记住遍历的位置的对象。迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。

1.1.1可迭代对象

以直接作用于for循环的数据类型有以下几种：

一类是集合数据类型，如list、tuple、dict、set、str等；

一类是generator，包括生成器和带yield的generator function。

这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。

1.1.1判断是否可以迭代

可以使用isinstance()判断一个对象是否是Iterable对象：

而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了。

1.1.1迭代器

可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。

可以使用isinstance()判断一个对象是否是Iterator对象：

1.1.1iter()函数

生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。

把list、dict、str等Iterable变成Iterator可以使用iter()函数：

总结

·凡是可作用于for循环的对象都是Iterable类型；

·凡是可作用于next()函数的对象都是Iterator类型

·集合数据类型如list、dict、str等是Iterable但不是Iterator，不过可以通过iter()函数获得一个Iterator对象。

·目的是在使用集合的时候，减少占用的内容。

1.1闭包

1.1.1函数引用

1.1.1什么是闭包

1.1.1看一个闭包的实际例子：

这个例子中，函数line与变量a,b构成闭包。在创建闭包的时候，我们通过line_conf的参数a,b说明了这两个变量的取值，这样，我们就确定了函数的最终形式(y = x + 1和y = 4x + 5)。我们只需要变换参数a,b，就可以获得不同的直线表达函数。由此，我们可以看到，闭包也具有提高代码可复用性的作用。

如果没有闭包，我们需要每次创建直线函数的时候同时说明a,b,x。这样，我们就需要更多的参数传递，也减少了代码的可移植性。

闭包思考：

1.闭包似优化了变量，原来需要类对象完成的工作，闭包也可以完成

2.由于闭包引用了外部函数的局部变量，则外部函数的局部变量没有及时释放，消耗内存