python装饰器和描述器的使用总结

530 查看

被某些中文教程坑过，我的建议是有问题看官方文档，即使没有很详细的例子，至少不坑

装饰器

毫无疑问在python中用得非常多

def deco(func):

def _deco():

print 'before invoked'

func()

print 'after invoked'

return _deco

@deco

def f():

print 'f is invoked'

在f上加deco装饰器相当于f = deco(f), 和functools.partial有些类似

如果被装饰的函数f带参数且有返回值

def deco(func):

def _deco(*args, **kwargs):

print 'before invoked'

ret = func(*args, **kwargs)

print 'after invoded'

return ret

return _deco

@deco

def f(a):

print 'f is invoked'

return a + 1

如果装饰器带有参数，需要多包一层，把参数调用包进去

def deco(*args):

def _deco(func):

def __deco(*args, **kwargs):

print 'decorator args is', args

print 'before invoked'

ret = func(*args, **kwargs)

print 'after invoded'

return ret

return __deco

return _deco

@deco('test')

def f(a):

print 'f is invoked'

return a + 1

只有最里面一层的__deco才会每次都调用，其它外层函数只在包装时调用一次，当然，你可以在其中声明变量，然后拿到__deco里使用。如果需要保留函数名，则在__deco上加@functools.wraps装饰器

使用类作装饰器，注意是类此时相当于装饰函数，被装饰的函数会作为实例化参数，得到一个类实例，以python wiki上一个做登录检查的代码为例

class LoginCheck:

def __init__(self, f):

self._f = f

def __call__(self, *args):

Status = check_function()

if Status is 1:

return self._f(*args)

else:

return alt_function()

def check_function():

return test

def alt_function():

return 'Sorry - this is the forced behaviour'

@LoginCheck

def display_members_page():

print 'This is the members page'

描述器

描述器在监视特定属性的时候很有用，其只在新式类中起作用。所有的描述器协议如下：

descr.__get__(self, obj, type=None) --> value
descr.__set__(self, obj, value) --> None
descr.__delete__(self, obj) --> None

如果一个对象同时定义了 __get__() 和 __set__(),它叫做资料描述器(data descriptor)。仅定义了 __get__() 的描述器叫非资料描述器
描述器在属性访问时被自动调用。举例来说, obj.x 会在 obj 的字典中找x ,如果x定义了 __get__方法，那么 x.__get__(obj)会依据下面的优先规则被调用

调用优先级:
资料描述器 -> 实例字典 -> 非资料描述器

常用的描述器就是property了，一般都只实现了__get__的接口
先给出一个classmethod的实现和一个用于测试描述器优先级的类

另外如果想在字典中显示展现电影名，方便分析，也可以根据u.item中电影数据，预先生成电影的数据集。

#将id替换为电影名构造数据集

def loadMovieLens(path='data'):

# Get movie titles

movies={}

for line in open(path+'/u.item'):

(id,title)=line.split('|')[0:2]

movies[id]=title

# Load data

prefs={}

for line in open(path+'/u.data'):

(user,movieid,rating,ts)=line.split('\t')

prefs.setdefault(user,{})

prefs[user][movies[movieid]]=float(rating)

return prefs

根据上面两个函数中的一种，到此我们的用户数据集已经构造好了，由于数据量不是非常大，暂时放在内存中即可。
由于以上数据集比较抽象，不方便讲解，至此我们定义一个简单的数据集来讲解一些例子，一个简单的嵌套字典：

#用户：{电影名称：评分}

critics={

'Lisa Rose': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.5,'Just My Luck': 3.0, 'Superman Returns': 3.5, 'You, Me and Dupree': 2.5,'The Night Listener': 3.0},

'Gene Seymour': {'Lady in the Water': 3.0, 'Snakes on a Plane': 3.5,'Just My Luck': 1.5, 'Superman Returns': 5.0, 'The Night Listener': 3.0,'You, Me and Dupree': 3.5},

'Michael Phillips':{'Lady in the Water': 2.5, 'Snakes on a Plane': 3.0,'Superman Returns': 3.5, 'The Night Listener': 4.0},

'Claudia Puig': {'Snakes on a Plane': 3.5, 'Just My Luck': 3.0,'The Night Listener': 4.5, 'Superman Returns': 4.0,'You, Me and Dupree': 2.5},

'Mick LaSalle': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'Just My Luck': 2.0, 'Superman Returns': 3.0, 'The Night Listener': 3.0,

'You, Me and Dupree': 2.0},

'Jack Matthews': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0,'The Night Listener': 3.0, 'Superman Returns': 5.0, 'You, Me and Dupree': 3.5},

'Toby': {'Snakes on a Plane':4.5,'You, Me and Dupree':1.0,'Superman Returns':4.0}

}

寻找相近用户

收集完用户信息后，我们通过一些方法来确定两个用户之间品味的相似程度，计算他们的相似度评价值。有很多方法可以计算，我们在此介绍两套常见的方法：欧几里得距离和皮尔逊相关度。

欧几里得距离

欧几里得距离（euclidea nmetric）（也称欧式距离）是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

数学定义：
已知两点 A = (x_1,x_2,…,x_n)和B = (y_1,y_2,…,y_n)，则两点间距离：

接下来我们只要把数据集映射为坐标系就可以明显的比较出相似度，以”Snakes on a Plane”和”You, Me and Dupree”两部电影距离，有坐标系如下图：

计算上图中Toby和Mick LaSalle的相似度：

from math import sqrt
sqrt(pow( 4.5-4 , 2 ) + pow( 1 – 2 , 2))
1.118033988749895

上面的式子计算出了实际距离值，但在实际应用中，我们希望相似度越大返回的值越大，并且控制在0~1之间的值。为此，我们可以取函数值加1的倒数(加1是为了防止除0的情况)：

1/(1+sqrt(pow( 4.5-4 , 2 ) + pow( 1 – 2 , 2)))
0.4721359549995794

接下来我们就可以封装一个基于欧几里得距离的相似度评价，具体python实现如下：

#欧几里得距离

def sim_distance( prefs,person1,person2 ):

si={}

for itemId in prefs[person1]:

if itemId in prefs[person2]:

si[itemId] = 1

#no same item

if len(si)==0: return 0

sum_of_squares = 0.0

#计算距离