摘要： 本文是作为计算机专业学生在学习Python高级特性时的详细笔记。文章首先简要回顾了作用域、闭包与装饰器的核心概念，随后深入探讨了函数递归、各类推导式的优雅写法、生成器与迭代器的内存管理机制，以及Python包与模块的导入与管理。旨在通过系统的梳理，打通Python进阶路上的关键节点。

---

上节课回顾：作用域、闭包与装饰器

在进入今天的新内容之前，我们先快速复盘一下Python函数式编程的三大基石，它们是理解后续高级特性的基础：

1. 作用域 (Scope)： Python遵循 LEGB 原则查找变量，即从局部作用域 (Local) -> 嵌套作用域 (Enclosing) -> 全局作用域 (Global) -> 内置作用域 (Built-in)。理解作用域是理解变量生命周期的关键。
2. 闭包 (Closure)： 当一个内部函数引用了外部函数的变量，并且外部函数返回了这个内部函数时，就形成了闭包。闭包让数据可以“私有化”并长期驻留在内存中。
3. 装饰器 (Decorator)： 装饰器本质上是一个返回函数的高阶函数（通常利用闭包实现）。它允许我们在不修改原函数代码的前提下，动态地为函数添加额外的功能（如日志、计时、权限校验）。

一、 函数递归：在函数中调用自己

1. 什么是递归？
递归函数是指在函数内部调用自身的函数。它包含了一种隐式的循环，不需要显式的循环条件控制，但必须包含两个核心要素：

• 临界条件（结束条件）： 防止无限循环，避免栈溢出。
• 递推关系（公式）： 找到相邻两次调用之间的规律。

2. 核心案例分析

• 阶乘计算： n! = n * (n-1)!，临界值为 1! = 1。
• 斐波那契数列： f(m) = f(m-1) + f(m-2)，临界值为第1、2个数均为1。

代码演示：

# 计算 n 的阶乘
def factorial(n):
    if n == 1:  # 临界条件
        return 1
    else:
        return n * factorial(n-1)  # 递推关系

print(factorial(5))  # 输出: 120

# 计算第 m 个斐波那契数
def fibonacci(m):
    if m <= 2:
        return 1
    else:
        return fibonacci(m-1) + fibonacci(m-2)

print(fibonacci(6))  # 输出: 8

💡 学习心得： 递归虽然代码简洁，逻辑清晰，但在实际项目中要慎用。因为Python默认的递归深度限制约为1000次，过深的递归会导致栈溢出（Stack Overflow）或内存泄漏。

---

二、 推导式：一行代码的优雅

推导式是Python中一种非常Pythonic的创建容器的方式，它能让代码更加简洁。

1. 列表推导式 (List Comprehension)
用于快速生成列表。基本语法：[表达式 for 变量 in 可迭代对象 if 条件]

2. 字典与集合推导式
与列表推导式类似，只是符号换成了 {}。

代码演示：

# 列表推导式：生成1-10的平方
squares = [i ** 2 for i in range(1, 11)]
print(squares)  # [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

# 带条件的推导式：筛选1-10中的偶数
evens = [i for i in range(1, 11) if i % 2 == 0]
print(evens)  # [2, 4, 6, 8, 10]

# 字典推导式：创建数字与其平方的映射
square_dict = {i: i ** 2 for i in range(1, 6)}
print(square_dict)  # {1: 1, 2: 4, 3: 9, 4: 16, 5: 25}

# 集合推导式：去重并生成集合
unique_squares = {i ** 2 for i in [1, 2, 2, 3, 3, 3]}
print(unique_squares)  # {1, 4, 9}

代码运行结果如图：

---

三、 生成器与迭代器：内存管理的艺术

1. 生成器 (Generator)
生成器是一种特殊的迭代器，它不会一次性将所有数据加载到内存中，而是按需生成数据，非常适合处理大量数据或无限序列。

• 创建方式： 将列表推导式的 [] 改为 ()。
• 生成器函数： 使用 yield 关键字。yield 类似于 return，但不会终止函数，而是暂停函数并在下次调用时从暂停处继续执行。

2. 迭代器 (Iterator)

• 可迭代对象 (Iterable)： 能被 for 循环遍历的对象（如 list, tuple, str, dict, generator）。
• 迭代器 (Iterator)： 既能被 for 遍历，又能被 next() 函数调用的对象。生成器是迭代器的一种。

代码演示：

# 1. 生成器表达式
g = (i for i in range(1, 4))
print(g)  # <generator object>
print(next(g))  # 1

代码运行结果如图：

我们可以发现，单纯使用print()函数打印出来的是告诉你这个是生成器对象，然后打印出来它的16进制内存地址。只有用next()才能调用打印这个生成器表达式。

# 2. 生成器函数 (斐波那契数列生成器)
def fib_generator():
    a, b = 0, 1
    while True:
        yield a
        a, b = b, a + b

f = fib_generator()
# 获取前5个斐波那契数
for _ in range(5):
    print(next(f), end=' ')  # 0 1 1 2 3

代码运行结果如图：

同理，生成器函数也是如此，需要用next()来调用。

---

四、 模块与包：代码的组织与复用

随着项目规模变大，将所有代码写在一个文件里是不可维护的。Python通过模块（Module）和包（Package）来组织代码。

1. 模块 (Module)
一个 .py 文件就是一个模块。模块分为三类：

• 内置模块： Python自带（如 os, time, random）。
• 自定义模块： 自己写的 .py 文件。
• 第三方模块： 别人写的（如 numpy, requests）。

2. 包 (Package)
包含 __init__.py 文件的文件夹称为包。它用于管理多个相关的模块。

3. 导入方式

• import module：导入整个模块。
• from module import function：精确导入，避免命名冲突。
• import module as alias：使用别名。

4. 第三方包管理
使用 pip 工具进行管理。国内推荐使用镜像源加速安装。

代码演示：

# 导入方式示例
import time
from random import randint
import numpy as np  # 使用别名

# 常用pip命令 (在终端执行)
# pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple  # 临时换源安装
# pip freeze > requirements.txt  # 导出当前环境依赖
# pip install -r requirements.txt  # 根据文件安装依赖

---

五、 总结与反思

通过这次学习，我深刻理解了Python中几个核心的高级特性：

1. 递归 是一种分治思想，虽然好用但要注意性能和深度限制。
2. 推导式 让代码变得极其简洁，但在可读性和简洁性之间需要权衡，过于复杂的推导式反而难以维护。
3. 生成器 是Python的内存优化利器，利用 yield 实现了“按需计算”，在处理大数据流时非常有用。
4. 模块化 是工程化的基础，合理的包结构能让项目井井有条。

未来的学习计划： 接下来我将开始面向对象编程的学习，继续夯实Python基础。