6 Python 基础： 难点装饰器的学习介绍及实现赌博收益小案例
- 2019 年 10 月 4 日
- 笔记
目录
6 Python 基础： 难点装饰器的学习介绍及实现赌博收益小案例，共有 3 部分：
- 装饰器
- 返回函数
- 赌博收益–凯利公式
装饰器
image.png
image.png
Python提供了可变参数*args和关键字参数**kwargs，有了这两个参数，装饰器就可以用于任意目标函数了。
装饰器
image.png
由于函数也是一个对象，而且函数对象可以被赋值给变量，所以，通过变量也能调用该函数。
>>> def now(): ... print('2015-3-25') ... >>> f = now >>> f() 2015-3-25
函数对象有一个__name__属性，可以拿到函数的名字：
>>> now.__name__ 'now' >>> f.__name__ 'now'
现在，假设我们要增强now()函数的功能，比如，在函数调用前后自动打印日志，但又不希望修改now()函数的定义，这种在代码运行期间动态增加功能的方式，称之为“装饰器”（Decorator）。
本质上，decorator就是一个返回函数的高阶函数。所以，我们要定义一个能打印日志的decorator，可以定义如下：
def log(func): def wrapper(*args, **kw): print('call %s():' % func.__name__) return func(*args, **kw) return wrapper
观察上面的log，因为它是一个decorator，所以接受一个函数作为参数，并返回一个函数。我们要借助Python的@语法，把decorator置于函数的定义处：
@log def now(): print('2015-3-25')
调用now()函数，不仅会运行now()函数本身，还会在运行now()函数前打印一行日志：
>>> now() call now(): 2015-3-25
把@log放到now()函数的定义处，相当于执行了语句：
now = log(now)
由于log()是一个decorator，返回一个函数，所以，原来的now()函数仍然存在，只是现在同名的now变量指向了新的函数，于是调用now()将执行新函数，即在log()函数中返回的wrapper()函数。
wrapper()函数的参数定义是(*args, **kw)，因此，wrapper()函数可以接受任意参数的调用。在wrapper()函数内，首先打印日志，再紧接着调用原始函数。
如果decorator本身需要传入参数，那就需要编写一个返回decorator的高阶函数，写出来会更复杂。比如，要自定义log的文本：
def log(text): def decorator(func): def wrapper(*args, **kw): print('%s %s():' % (text, func.__name__)) return func(*args, **kw) return wrapper return decorator
这个3层嵌套的decorator用法如下：
@log('execute') def now(): print('2015-3-25')
执行结果如下：
>>> now() execute now(): 2015-3-25
和两层嵌套的decorator相比，3层嵌套的效果是这样的：
>>> now = log('execute')(now)
我们来剖析上面的语句，首先执行log('execute')，返回的是decorator函数，再调用返回的函数，参数是now函数，返回值最终是wrapper函数。
以上两种decorator的定义都没有问题，但还差最后一步。因为我们讲了函数也是对象，它有__name__等属性，但你去看经过decorator装饰之后的函数，它们的__name__已经从原来的'now'变成了'wrapper'：
>>> now.__name__ 'wrapper'
因为返回的那个wrapper()函数名字就是'wrapper'，所以，需要把原始函数的__name__等属性复制到wrapper()函数中，否则，有些依赖函数签名的代码执行就会出错。
不需要编写wrapper.__name__= func.__name__这样的代码，Python内置的functools.wraps就是干这个事的，所以，一个完整的decorator的写法如下：
import functools def log(func): @functools.wraps(func) def wrapper(*args, **kw): print('call %s():' % func.__name__) return func(*args, **kw) return wrapper
或者针对带参数的decorator：
import functools def log(text): def decorator(func): @functools.wraps(func) def wrapper(*args, **kw): print('%s %s():' % (text, func.__name__)) return func(*args, **kw) return wrapper return decorator
import functools是导入functools模块。模块的概念稍候讲解。现在，只需记住在定义wrapper()的前面加上@functools.wraps(func)即可。
image.png
image.png
image.png
image.png
小结
在面向对象（OOP）的设计模式中，decorator被称为装饰模式。OOP的装饰模式需要通过继承和组合来实现，而Python除了能支持OOP的decorator外，直接从语法层次支持decorator。Python的decorator可以用函数实现，也可以用类实现。
decorator可以增强函数的功能，定义起来虽然有点复杂，但使用起来非常灵活和方便。
返回函数
函数作为返回值 高阶函数除了可以接受函数作为参数外，还可以把函数作为结果值返回。
一个简单的函数返回例子：
image.png
闭包
注意到返回的函数在其定义内部引用了局部变量args，所以，当一个函数返回了一个函数后，其内部的局部变量还被新函数引用，所以，闭包用起来简单，实现起来可不容易。
image.png
一个函数的变量被另外一个函数所引用，那么饿这个变量不会被销毁掉，会长期驻留在内存里面，这就是所谓的闭包。
解决上面输出全是 9 的问题：
image.png
image.png
内存地方完全不同，所以不是一个东西
image.png
函数作为返回值
高阶函数除了可以接受函数作为参数外，还可以把函数作为结果值返回。
如果不需要立刻求和，而是在后面的代码中，根据需要再计算怎么办？可以不返回求和的结果，而是返回求和的函数：
def lazy_sum(*args): def sum(): ax = 0 for n in args: ax = ax + n return ax return sum
当我们调用lazy_sum()时，返回的并不是求和结果，而是求和函数：
image.png
在这个例子中，我们在函数lazy_sum中又定义了函数sum，并且，内部函数sum可以引用外部函数lazy_sum的参数和局部变量，当lazy_sum返回函数sum时，相关参数和变量都保存在返回的函数中，这种称为“闭包（Closure）”的程序结构拥有极大的威力。
请再注意一点，当我们调用lazy_sum()时，每次调用都会返回一个新的函数，即使传入相同的参数：
image.png
闭包
注意到返回的函数在其定义内部引用了局部变量args，所以，当一个函数返回了一个函数后，其内部的局部变量还被新函数引用。
另一个需要注意的问题是，返回的函数并没有立刻执行，而是直到调用了f()才执行。我们来看一个例子：
def count(): fs = [] for i in range(1, 4): def f(): return i*i fs.append(f) return fs f1, f2, f3 = count()
在上面的例子中，每次循环，都创建了一个新的函数，然后，把创建的3个函数都返回了。
你可能认为调用f1()，f2()和f3()结果应该是1，4，9，但实际结果是：
image.png
全部都是9！原因就在于返回的函数引用了变量i，但它并非立刻执行。等到3个函数都返回时，它们所引用的变量i已经变成了3，因此最终结果为9。
返回闭包时牢记的一点就是：返回函数不要引用任何循环变量，或者后续会发生变化的变量。
如果一定要引用循环变量怎么办？方法是再创建一个函数，用该函数的参数绑定循环变量当前的值，无论该循环变量后续如何更改，已绑定到函数参数的值不变：
image.png
小结
一个函数可以返回一个计算结果，也可以返回一个函数。
返回一个函数时，牢记该函数并未执行，返回函数中不要引用任何可能会变化的变量。
凯利公式
f* = (bp-q)/b
- f*为现有资金应进行下次投注的比例
- b为投注可得的赔率
- p为获胜率
- q为落败率，即 1 – p
验证凯文凯利公式
有4中策略：
- 使用凯利公式进行赌博
- 最大化的将现有资金作为赌注，投出去
- 将现有资金平均分成3份，然后将其中一份作为赌注投出去。
- 随意的将现有的资金投注出去 初始化资金 10000
每个人有20轮机会，最后查看收益，如果有人中途现有资金为0，他将不在进入循环
实验100次，查看对比结果。
from random import random def celie1(money,b,p): #f为要投注的钱 f = (b*p-(1-p))/b #r随机值，是否是在获胜的概率里 r = random() if r<p: return f*b+money-f else: return money - f def celie2(money,b,p): r = random() if r<p: return money*b+money else: return 0 def celie3(money,b,p): r = random() f = money/3 if r<p: return f*b+money else: return money - f def celie4(money,b,p): r = random() f = money*random() if r<p: return f*b+money else: return money - f def kaili(): listMan = [ { 'id':0, 'money':10000 }, { 'id':1, 'money':10000 }, { 'id':2, 'money':10000 }, { 'id':3, 'money':10000 } ] for i,value in enumerate(range(100)): #b为投注可得的赔率 b = random()*2 #[随机的赔率是从0-2] #p为获胜率 p = random() listMan[0]['money'] = celie1(listMan[0]['money'],b,p) listMan[1]['money'] = celie2(listMan[1]['money'],b,p) listMan[2]['money'] = celie3(listMan[2]['money'],b,p) listMan[3]['money'] = celie4(listMan[3]['money'],b,p) return listMan results = { 'm1':0, 'm2':0, 'm3':0, 'm4':0 } for i in range(100): # results.append(kaili()) results['m1'] += kaili()[0]['money'] results['m2'] += kaili()[1]['money'] results['m3'] += kaili()[2]['money'] results['m4'] += kaili()[3]['money'] print('m1:' ,results['m1']/100) print('m2:' ,results['m2']/100) print('m3:' ,results['m3']/100) print('m4:' ,results['m4']/100)
结果如下：
m1: 10199.016996951466 m2: 0.0 m3: 8690.540159613349 m4: 23.98995071178086
