Python 是一种代表简单思想的语言，其语法相对简单，很容易上手。不过，如果就此小视 Python 语法的精妙和深邃，那就大错特错了。本文精心筛选了最能展现 Python 语法之精妙的十个知识点，并附上详细的实例代码。如能在实战中融会贯通、灵活使用，必将使代码更为精炼、高效，同时也会极大提升代码B格，使之看上去更老练，读起来更优雅。
for - else
什么？不是 if 和 else 才是原配吗？No，你可能不知道，else 是个脚踩两只船的家伙，for 和 else 也是一对，而且是合法的。十大装B语法，for-else 绝对算得上南无湾！不信，请看：
>>>foriin[1,2,3,4]:
print(i)
else:
print(i,'我是else')
1
2
3
4
4 我是else
如果在 for 和 else 之间（循环体内）有第三者 if 插足，也不会影响 for 和 else 的关系。因为 for 的级别比 if 高，else 又是一个攀附权贵的家伙，根本不在乎是否有 if，以及是否执行了满足 if 条件的语句。else 的眼里只有 for，只要 for 顺利执行完毕，else 就会屁颠儿屁颠儿地跑一遍：
>>>foriin[1,2,3,4]:
ifi > 2:
print(i)
else:
print(i,'我是else')
3
4
4 我是else
那么，如何拆散 for 和 else 这对冤家呢？只有当 for 循环被 break 语句中断之后，才会跳过 else 语句：
>>>foriin[1,2,3,4]:
ifi>2:
print(i)
break
else:
print(i,'我是else')
3
有没有发现，星(*)真是一个神奇的符号！想一想，没有它，C语言还有啥好玩的？同样，因为有它，Python 才会如此的仪态万方、风姿绰约、楚楚动人！Python 函数支持默认参数和可变参数，一颗星表示不限数量的单值参数，两颗星表示不限数量的键值对参数。
我们还是举例说明吧：设计一个函数，返回多个输入数值的和。我们固然可以把这些输入数值做成一个list传给函数，但这个方法，远没有使用一颗星的可变参数来得优雅：
>>>defmulti_sum(*args):
s =0
foriteminargs:
s += item
returns
>>> multi_sum(3,4,5)
12
Python 函数允许同时全部或部分使用固定参数、默认参数、单值（一颗星）可变参数、键值对（两颗星）可变参数，使用时必须按照前述顺序书写。
>>>defdo_something(name, age, gender='男', *args, **kwds):
print('姓名：%s，年龄：%d，性别：%s'%(name, age, gender))
print(args)
print(kwds)
>>> do_something('xufive',50,'男',175,75, math=99, english=90)
姓名：xufive，年龄：50，性别：男
(175,75)
{'math':99,'english':90}
熟悉 C/C++ 的程序员，初上手 python 时，一定会怀念经典的三元操作符，因为想表达同样的思想，用python 写起来似乎更麻烦。比如：
>>> y = 5
>>>ify < 0:
print('y是一个负数')
else:
print('y是一个非负数')
y是一个非负数
其实，python 是支持三元表达式的，只是稍微怪异了一点，类似于我们山东人讲话。比如，山东人最喜欢用倒装句：打球去吧，要是不下雨的话；下雨，咱就去自习室。翻译成三元表达式就是
打球去吧 if 不下雨 else 去自习室
来看看三元表达式具体的使用：
>>> y = 5
>>>print('y是一个负数'ify < 0else'y是一个非负数')
y是一个非负数
python 的三元表达式也可以用来赋值：
>>> y =5
>>> x = -1if y <0else1
>>> x
1
with 这个词儿，英文里面不难翻译，但在 Python 语法中怎么翻译，我还真想不出来，大致上是一种上下文管理协议。作为初学者，不用关注 with 的各种方法以及机制如何，只需要了解它的应用场景就可以了。with 语句适合一些事先需要准备，事后需要处理的任务，比如，文件操作，需要先打开文件，操作完成后需要关闭文件。如果不使用with，文件操作通常得这样：
fp = open(r"D:\CSDN\Column\temp\mpmap.py",'r')
try:
contents = fp.readlines()
finally:
fp.close()
如果使用 with - as，那就优雅多了：
>>>withopen(r"D:\CSDN\Column\temp\mpmap.py",'r')asfp:
contents = fp.readlines()
在各种稀奇古怪的语法中，列表推导式的使用频率应该时最高的，对于代码的简化效果也非常明显。比如，求列表各元素的平方，通常应该这样写（当然也有其他写法，比如使用map函数）
>>> a = [1,2,3,4,5]
>>> result = list()
>>> for i ina:
result.append(i*i)
>>> result
[1,4,9,16,25]
如果使用列表推导式，看起来就舒服多了：
>>> a = [1,2,3,4,5]
>>> result = [i*i for i in a]
>>> result
[1,4,9,16,25]
事实上，推导式不仅支持列表，也支持字典、集合、元组等对象。有兴趣的话，可以自行研究。我有一篇博文《一行 Python 代码能实现什么丧心病狂的功能？》，里面的例子，都是列表推导式实现的。
Python 引入负整数作为数组的索引，这绝对是喜大普奔之举。想想看，在C/C++中，想要数组最后一个元素，得先取得数组长度，减一之后做索引，严重影响了思维的连贯性。Python语言之所以获得成功，我个人觉得，在诸多因素里面，列表操作的便捷性是不容忽视的一点。请看：
>>> a = [0,1,2,3,4,5]
>>> a[2:4]
[2,3]
>>> a[3:]
[3,4,5]
>>> a[1:]
[1,2,3,4,5]
>>> a[:]
[0,1,2,3,4,5]
>>> a[::2]
[0,2,4]
>>> a[1::2]
[1,3,5]
>>> a[-1]
5
>>> a[-2]
4
>>> a[1:-1]
[1,2,3,4]
>>> a[::-1]
[5,4,3,2,1,0]
如果说，这些你都很熟悉，也经常用，那么接下来这个用法，你一定会感觉很神奇：
>>> a = [0,1,2,3,4,5]
>>> b = ['a','b']
>>> a[2:2] = b
>>> a
[0,1,'a','b',2,3,4,5]
>>> a[3:6] = b
>>> a
[0,1,'a','a','b',4,5]
lambda 听起来很高大上，其实就是匿名函数（了解js的同学一定很熟悉匿名函数）。匿名函数的应用场景是什么呢？就是仅在定义匿名函数的地方使用这个函数，其他地方用不到，所以就不需要给它取个阿猫阿狗之类的名字了。下面是一个求和的匿名函数，输入参数有两个，x和y，函数体就是x+y，省略了return关键字。
>>> lambda x,y:x+y
at0x000001B2DE5BD598>
>>> (lambda x,y:x+y)(3,4)# 因为匿名函数没有名字，使用的时候要用括号把它包起来
匿名函数一般不会单独使用，而是配合其他方法，为其他方法提供内置的算法或判断条件。比如，使用排序函数sorted对多维数组或者字典排序时，就可以指定排序规则。
>>> a = [{'name':'B','age':50}, {'name':'A','age':30}, {'name':'C','age':40}]
>>> sorted(a, key=lambdax:x['name'])# 按姓名排序
[{'name':'A','age':30}, {'name':'B','age':50}, {'name':'C','age':40}]
>>> sorted(a, key=lambdax:x['age'])# 按年龄排序
[{'name':'A','age':30}, {'name':'C','age':40}, {'name':'B','age':50}]
再举一个数组元素求平方的例子，这次用map函数：
>>> a = [1,2,3]
>>>foriteminmap(lambdax:x*x, a):
print(item, end=', ')
1,4,9,
yield 这词儿，真不好翻译，翻词典也没用。我干脆就读作“一爱得”，算是外来词汇吧。要理解 yield，得先了解 generator（生成器）。要了解generator，得先知道 iterator（迭代器）。哈哈哈，绕晕了吧？算了，我还是说白话吧。
话说py2时代，range()返回的是list，但如果range(10000000)的话，会消耗大量内存资源，所以，py2又搞了一个xrange()来解决这个问题。py3则只保留了xrange()，但写作range()。xrange()返回的就是一个迭代器，它可以像list那样被遍历，但又不占用多少内存。generator（生成器）是一种特殊的迭代器，只能被遍历一次，遍历结束，就自动消失了。总之，不管是迭代器还是生成器，都是为了避免使用list，从而节省内存。那么，如何得到迭代器和生成器呢？
pyrhon内置了迭代函数 iter，用于生成迭代器，用法如下：
>>> a = [1,2,3]
>>> a_iter = iter(a)
>>> a_iter
>>> for i ina_iter:
print(i,end=', ')
1,2,3,
yield 则是用于构造生成器的。比如，我们要写一个函数，返回从0到某正整数的所有整数的平方，传统的代码写法是这样的：
>>>defget_square(n):
result = list()
foriinrange(n):
result.append(pow(i,2))
returnresult
>>> print(get_square(5))
[0,1,4,9,16]
但是如果计算1亿以内的所有整数的平方，这个函数的内存开销会非常大，这是 yield 就可以大显身手了：
>>>defget_square(n):
for i in range(n):
yield(pow(i,2))
>>> a = get_square(5)
>>> a
>>> for i ina:
print(i,end=', ')
0,1,4,9,16,
如果再次遍历，则不会有输出了。
刚弄明白迭代器和生成器，这又来个装饰器，Python 咋这么多器呢？的确，Python 为我们提供了很多的武器，装饰器就是最有力的武器之一。装饰器很强大，我在这里尝试从需求的角度，用一个简单的例子，说明装饰器的使用方法和制造工艺。
假如我们需要定义很多个函数，在每个函数运行的时候要显示这个函数的运行时长，解决方案有很多。比如，可以在调用每个函数之前读一下时间戳，每个函数运行结束后再读一下时间戳，求差即可；也可以在每个函数体内的开始和结束位置上读时间戳，最后求差。不过，这两个方法，都没有使用装饰器那么简单、优雅。下面的例子，很好地展示了这一点。
>>> import time
>>>deftimer(func):
defwrapper(*args,**kwds):
t0= time.time()
func(*args,**kwds)
t1 = time.time()
print('耗时%0.3f'%(t1-t0,))
returnwrapper
>>> @timer
defdo_something(delay):
print('函数do_something开始')
time.sleep(delay)
print('函数do_something结束')
>>> do_something(3)
函数do_something开始
函数do_something结束
耗时3.077
timer() 是我们定义的装饰器函数，使用@把它附加在任何一个函数（比如do_something）定义之前，就等于把新定义的函数，当成了装饰器函数的输入参数。运行 do_something() 函数，可以理解为执行了timer(do_something) 。细节虽然复杂，不过这么理解不会偏差太大，且更易于把握装饰器的制造和使用。
所谓断言，就是声明表达式的布尔值必须为真的判定，否则将触发 AssertionError 异常。严格来讲，assert是调试手段，不宜使用在生产环境中，但这不影响我们用断言来实现一些特定功能，比如，输入参数的格式、类型验证等。
>>>defi_want_to_sleep(delay):
assert(isinstance(delay, (int,float))),'函数参数必须为整数或浮点数'
print('开始睡觉')
time.sleep(delay)
print('睡醒了')
>>> i_want_to_sleep(1.1)
开始睡觉
睡醒了
>>> i_want_to_sleep(2)
开始睡觉
睡醒了
>>> i_want_to_sleep('2')
Traceback (most recent call last):
File"<pyshell#247>", line1,in
i_want_to_sleep('2')
File"<pyshell#244>", line2,ini_want_to_sleep
assert(isinstance(delay, (int,float))),'函数参数必须为整数或浮点数'
AssertionError:函数参数必须为整数或浮点数
