6 Python 基礎： 難點裝飾器的學習介紹及實現賭博收益小案例
- 2019 年 10 月 4 日
- 筆記
目錄
6 Python 基礎： 難點裝飾器的學習介紹及實現賭博收益小案例，共有 3 部分：
- 裝飾器
- 返回函數
- 賭博收益–凱利公式
裝飾器
image.png
image.png
Python提供了可變參數*args和關鍵字參數**kwargs，有了這兩個參數，裝飾器就可以用於任意目標函數了。
裝飾器
image.png
由於函數也是一個對象，而且函數對象可以被賦值給變數，所以，通過變數也能調用該函數。
>>> def now(): ... print('2015-3-25') ... >>> f = now >>> f() 2015-3-25
函數對象有一個__name__屬性，可以拿到函數的名字：
>>> now.__name__ 'now' >>> f.__name__ 'now'
現在，假設我們要增強now()函數的功能，比如，在函數調用前後自動列印日誌，但又不希望修改now()函數的定義，這種在程式碼運行期間動態增加功能的方式，稱之為「裝飾器」（Decorator）。
本質上，decorator就是一個返回函數的高階函數。所以，我們要定義一個能列印日誌的decorator，可以定義如下：
def log(func): def wrapper(*args, **kw): print('call %s():' % func.__name__) return func(*args, **kw) return wrapper
觀察上面的log，因為它是一個decorator，所以接受一個函數作為參數，並返回一個函數。我們要藉助Python的@語法，把decorator置於函數的定義處：
@log def now(): print('2015-3-25')
調用now()函數，不僅會運行now()函數本身，還會在運行now()函數前列印一行日誌：
>>> now() call now(): 2015-3-25
把@log放到now()函數的定義處，相當於執行了語句：
now = log(now)
由於log()是一個decorator，返回一個函數，所以，原來的now()函數仍然存在，只是現在同名的now變數指向了新的函數，於是調用now()將執行新函數，即在log()函數中返回的wrapper()函數。
wrapper()函數的參數定義是(*args, **kw)，因此，wrapper()函數可以接受任意參數的調用。在wrapper()函數內，首先列印日誌，再緊接著調用原始函數。
如果decorator本身需要傳入參數，那就需要編寫一個返回decorator的高階函數，寫出來會更複雜。比如，要自定義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
這個3層嵌套的decorator用法如下：
@log('execute') def now(): print('2015-3-25')
執行結果如下：
>>> now() execute now(): 2015-3-25
和兩層嵌套的decorator相比，3層嵌套的效果是這樣的：
>>> now = log('execute')(now)
我們來剖析上面的語句，首先執行log('execute')，返回的是decorator函數，再調用返回的函數，參數是now函數，返回值最終是wrapper函數。
以上兩種decorator的定義都沒有問題，但還差最後一步。因為我們講了函數也是對象，它有__name__等屬性，但你去看經過decorator裝飾之後的函數，它們的__name__已經從原來的'now'變成了'wrapper'：
>>> now.__name__ 'wrapper'
因為返回的那個wrapper()函數名字就是'wrapper'，所以，需要把原始函數的__name__等屬性複製到wrapper()函數中，否則，有些依賴函數簽名的程式碼執行就會出錯。
不需要編寫wrapper.__name__= func.__name__這樣的程式碼，Python內置的functools.wraps就是干這個事的，所以，一個完整的decorator的寫法如下：
import functools def log(func): @functools.wraps(func) def wrapper(*args, **kw): print('call %s():' % func.__name__) return func(*args, **kw) return wrapper
或者針對帶參數的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是導入functools模組。模組的概念稍候講解。現在，只需記住在定義wrapper()的前面加上@functools.wraps(func)即可。
image.png
image.png
image.png
image.png
小結
在面向對象（OOP）的設計模式中，decorator被稱為裝飾模式。OOP的裝飾模式需要通過繼承和組合來實現，而Python除了能支援OOP的decorator外，直接從語法層次支援decorator。Python的decorator可以用函數實現，也可以用類實現。
decorator可以增強函數的功能，定義起來雖然有點複雜，但使用起來非常靈活和方便。
返回函數
函數作為返回值 高階函數除了可以接受函數作為參數外，還可以把函數作為結果值返回。
一個簡單的函數返回例子：
image.png
閉包
注意到返回的函數在其定義內部引用了局部變數args，所以，當一個函數返回了一個函數後，其內部的局部變數還被新函數引用，所以，閉包用起來簡單，實現起來可不容易。
image.png
一個函數的變數被另外一個函數所引用，那麼餓這個變數不會被銷毀掉，會長期駐留在記憶體裡面，這就是所謂的閉包。
解決上面輸出全是 9 的問題：
image.png
image.png
記憶體地方完全不同，所以不是一個東西
image.png
函數作為返回值
高階函數除了可以接受函數作為參數外，還可以把函數作為結果值返回。
如果不需要立刻求和，而是在後面的程式碼中，根據需要再計算怎麼辦？可以不返回求和的結果，而是返回求和的函數：
def lazy_sum(*args): def sum(): ax = 0 for n in args: ax = ax + n return ax return sum
當我們調用lazy_sum()時，返回的並不是求和結果，而是求和函數：
image.png
在這個例子中，我們在函數lazy_sum中又定義了函數sum，並且，內部函數sum可以引用外部函數lazy_sum的參數和局部變數，當lazy_sum返回函數sum時，相關參數和變數都保存在返回的函數中，這種稱為「閉包（Closure）」的程式結構擁有極大的威力。
請再注意一點，當我們調用lazy_sum()時，每次調用都會返回一個新的函數，即使傳入相同的參數：
image.png
閉包
注意到返回的函數在其定義內部引用了局部變數args，所以，當一個函數返回了一個函數後，其內部的局部變數還被新函數引用。
另一個需要注意的問題是，返回的函數並沒有立刻執行，而是直到調用了f()才執行。我們來看一個例子：
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，每次循環，都創建了一個新的函數，然後，把創建的3個函數都返回了。
你可能認為調用f1()，f2()和f3()結果應該是1，4，9，但實際結果是：
image.png
全部都是9！原因就在於返回的函數引用了變數i，但它並非立刻執行。等到3個函數都返回時，它們所引用的變數i已經變成了3，因此最終結果為9。
返回閉包時牢記的一點就是：返回函數不要引用任何循環變數，或者後續會發生變化的變數。
如果一定要引用循環變數怎麼辦？方法是再創建一個函數，用該函數的參數綁定循環變數當前的值，無論該循環變數後續如何更改，已綁定到函數參數的值不變：
image.png
小結
一個函數可以返回一個計算結果，也可以返回一個函數。
返回一個函數時，牢記該函數並未執行，返回函數中不要引用任何可能會變化的變數。
凱利公式
f* = (bp-q)/b
- f*為現有資金應進行下次投注的比例
- b為投注可得的賠率
- p為獲勝率
- q為落敗率，即 1 – p
驗證凱文凱利公式
有4中策略：
- 使用凱利公式進行賭博
- 最大化的將現有資金作為賭注，投出去
- 將現有資金平均分成3份，然後將其中一份作為賭注投出去。
- 隨意的將現有的資金投注出去 初始化資金 10000
每個人有20輪機會，最後查看收益，如果有人中途現有資金為0，他將不在進入循環
實驗100次，查看對比結果。
from random import random def celie1(money,b,p): #f為要投注的錢 f = (b*p-(1-p))/b #r隨機值，是否是在獲勝的概率里 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為投注可得的賠率 b = random()*2 #[隨機的賠率是從0-2] #p為獲勝率 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)
結果如下：
m1: 10199.016996951466 m2: 0.0 m3: 8690.540159613349 m4: 23.98995071178086
