Python函数查询

本平台致力于为开发者提供全面、精准、实用的Python函数查询服务。无论您是初学者还是资深工程师,都能在这里快速定位所需函数的定义、参数、返回值、典型用法及常见陷阱。我们不仅覆盖Python内置函数,还系统整理了标准库与主流第三方库的核心函数,结合真实场景示例与最佳实践,助您高效掌握Python函数查询核心技能。

作为Python函数查询领域的专业平台,我们坚持内容深度与实用并重:每个函数条目均包含参数详解、类型注解、返回值说明、行为边界、异常触发条件及性能特征。同时,我们特别关注新手易混淆点,如可变默认参数陷阱、闭包变量捕获、生成器惰性求值等,并通过对比表格、流程图、时序图等形式直观呈现差异。

平台所有内容均经多轮校验,确保与Python官方文档同步更新(当前支持Python 3.12),并融入社区实战经验。您可随时通过导航栏跳转至特定功能模块,所有页面均采用响应式设计,适配桌面端、平板与移动端设备。无论是在IDE中调试代码、阅读文档,还是准备技术面试,本平台都是您值得信赖的Python函数查询助手。

内置函数详解

Python内置函数是语言核心的一部分,无需导入即可直接使用。它们经过高度优化,掌握其使用技巧可显著提升代码质量与执行效率。以下精选高频内置函数,按功能分类详述。

数据转换与构造类

⚡ int():整数构造与进制转换

int(x=0, base=10) 将字符串、浮点数或其他数字类型转换为整数。当x为字符串时,base参数指定进制(默认10),支持2~36进制。注意:浮点数直接传入会截断小数部分(非四舍五入)。

>>> int("1010", 2)       # 二进制字符串 → 十进制整数
10
>>> int("ff", 16)        # 十六进制字符串
255
>>> int(-3.7)            # 浮点数截断
-3
>>> int("1_000_000")     # 下划线分隔符(Python 3.6+)
1000000

⚠️ 常见错误:传入非数字字符串(如int("12a"))会抛出ValueError;base仅对字符串有效,int(10, 2)会报错。

⚙️ list():列表构造与迭代器展开

list(iterable=()) 从可迭代对象创建列表。注意:对字符串调用list()会拆分为字符列表;对字典则仅获取键列表(需用.items()获取键值对)。

>>> list("abc")
['a', 'b', 'c']
>>> list({"x":1, "y":2})  # 仅键
['x', 'y']
>>> list(range(3, 8, 2))  # range对象展开
[3, 5, 7]

💡 实用技巧:用list(map(func, *iterables))替代列表推导式可提升可读性,尤其当func是内置函数时(如list(map(int, strings)))。

逻辑判断与聚合类

⚡ all()与any():全真与任真判断

二者均返回布尔值,支持任意可迭代对象:

  • all(iterable):当所有元素为真(或迭代器为空)时返回True
  • any(iterable):当至少一个元素为真时返回True,空迭代器返回False
>>> all([True, 1, "non-empty"])
True
>>> any([False, 0, ""])
False
>>> all([])  # 空迭代器:全真(vacuous truth)
True
>>> any([])  # 空迭代器:无真 → 假
False

📌 关键点:空容器在all()中视为“全真”,在any()中视为“无真”,这是逻辑学中的空真性(vacuous truth),需特别注意。

⚙️ sum():数值累加与初始值

sum(iterable, /, start=0) 从start开始累加可迭代对象的元素。注意:浮点数累加可能导致精度误差,此时应使用math.fsum()。

>>> sum([1.1, 2.2, 3.3])
6.6000000000000005  # 累积误差
>>> import math
>>> math.fsum([1.1, 2.2, 3.3])
6.6  # 精确累加

⚠️ 不适用于字符串连接(应使用"".join()),因其时间复杂度为O(n²)。

排序与搜索类

⚡ sorted():稳定排序

sorted(iterable, *, key=None, reverse=False) 返回新列表,不修改原对象。key参数接收函数,用于提取比较键;reverse=True降序排列。

>>> data = [{"name":"Alice","age":30}, {"name":"Bob","age":25}]
>>> sorted(data, key=lambda x: x["age"])
[{'name':'Bob','age':25}, {'name':'Alice','age':30}]

💡 高级技巧:用functools.cmp_to_key()将比较函数转为key函数,支持复杂排序逻辑。

⚙️ enumerate():带索引遍历

enumerate(iterable, start=0) 返回枚举对象,每个元素为(index, value)元组。

# 传统写法
for i in range(len(items)):
    print(i, items[i])
# 推荐写法
for i, item in enumerate(items):
    print(i, item)

📌 实用场景:处理文件行号、生成带序号的报告等。

高阶函数类

⚡ map():映射转换

map(function, *iterables) 将函数应用于每个可迭代对象的元素,返回迭代器。注意:Python 3中map返回迭代器,需用list()显式转换。

>>> list(map(str.upper, ["a","b","c"]))
['A', 'B', 'C']
>>> list(map(lambda x,y: x+y, [1,2], [3,4]))
[4, 6]

⚠️ 当函数需多参数时,传入多个可迭代对象,map会并行迭代,以最短长度为准。

⚙️ filter():过滤筛选

filter(function, iterable) 保留使function(item)为真的元素。

>>> list(filter(lambda x: x>0, [-1,2,-3,4]))
[2, 4]

💡 等价于列表推导式:[x for x in iterable if function(x)],但filter更简洁且惰性求值。

标准库核心函数

Python标准库提供丰富模块,其函数设计遵循“开箱即用”原则。以下精选collections、itertools、functools等模块的高价值函数,展示其在数据处理中的强大能力。

容器类工具

collections
itertools
functools

collections模块扩展了内置容器类型:

  • Counter:统计可哈希对象的出现次数,返回字典子类
  • deque:双端队列,支持O(1)头尾操作
  • defaultdict:带默认值的字典
>>> from collections import Counter
>>> text = "abracadabra"
>>> Counter(text)
Counter({'a': 5, 'b': 2, 'r': 2, 'c': 1, 'd': 1})
>>> Counter(text).most_common(2)
[('a', 5), ('b', 2)]

📌 Counter支持集合运算:c1 + c2(元素计数相加)、c1 - c2(仅保留正计数差)、c1 & c2(最小值交集)、c1 | c2(最大值并集)。

itertools提供高效迭代器构造函数:

  • chain():串联多个迭代器
  • groupby():按键分组(需先排序)
  • permutations():排列组合
>>> from itertools import groupby
>>> data = [("A", 1), ("A", 2), ("B", 3), ("B", 4)]
>>> [(k, list(v)) for k, v in groupby(sorted(data), key=lambda x:x[0])]
[('A', [('A', 1), ('A', 2)]), ('B', [('B', 3), ('B', 4)])]

⚠️ groupby()仅对连续相同元素分组,使用前必须排序!

functools提供高阶函数工具:

  • lru_cache():LRU缓存装饰器
  • partial():偏函数应用
  • reduce():累积归约
>>> from functools import lru_cache
>>> @lru_cache(maxsize=128)
... def fib(n):
...     return n if n<2 else fib(n-1)+fib(n-2)
>>> fib(100)  # 高效计算
354224848179261915075

💡 lru_cache需参数可哈希,不适用于含列表/字典的参数。

时间与日期处理

⚡ datetime模块核心函数

datetime模块提供日期时间处理能力:

>>> from datetime import datetime, timedelta
>>> dt = datetime(2023, 10, 5, 14, 30)
>>> dt.strftime("%Y-%m-%d %H:%M:%S")
'2023-10-05 14:30:00'
>>> dt + timedelta(days=7)
datetime.datetime(2023, 10, 12, 14, 30)

📌 重要提示:时区处理应使用pytz或Python 3.9+的zoneinfo,避免datetime对象的隐式时区转换。

函数使用模式

掌握常见函数使用模式可提升代码质量。以下总结高频设计模式及反模式。

装饰器模式

装饰器本质是接收函数并返回新函数的高阶函数,常用于日志、缓存、权限校验等场景:

def log_calls(func):
    def wrapper(*args, **kwargs):
        print(f"Calling {func.__name__} with {args}")
        return func(*args, **kwargs)
    return wrapper
@log_calls
def add(a, b):
    return a + b
add(2, 3)  # 输出调用日志

📌 核心要点:

生成器模式

生成器函数用yield返回值,实现惰性求值与内存优化:

def fibonacci():
    a, b = 0, 1
    while True:
        yield a
        a, b = b, a + b
# 生成前10项
fibs = [next(fib()) for _ in range(10)]

💡 优势:

上下文管理器模式

通过__enter__和__exit__实现资源管理:

class Timer:
    def __enter__(self):
        self.start = time.time()
        return self
    def __exit__(self, exc_type, exc_val, exc_tb):
        self.end = time.time()
        print(f"Elapsed: {self.end - self.start:.2f}s")
with Timer():
    time.sleep(1)  # 计时块

📌 实用场景:数据库连接、文件操作、性能计时等。

常见陷阱解析

初学者常陷入以下函数使用陷阱,我们结合实例详细解析。

陷阱1:可变默认参数

默认参数在函数定义时求值,非调用时:

def add_item(item, lst=[]):
    lst.append(item)
    return lst
print(add_item(1))  # [1]
print(add_item(2))  # [1, 2]!非[2]!

✅ 正确写法:

def add_item(item, lst=None):
    if lst is None:
        lst = []
    lst.append(item)
    return lst

陷阱2:闭包变量捕获

循环中创建的闭包可能捕获错误变量:

funcs = []
for i in range(3):
    funcs.append(lambda: i)
print([f() for f in funcs])  # [2, 2, 2]

✅ 正确写法(默认参数绑定):

funcs = []
for i in range(3):
    funcs.append(lambda x=i: x)
print([f() for f in funcs])  # [0, 1, 2]

陷阱3:字典遍历修改

直接遍历时修改字典大小会抛RuntimeError:

d = {"a":1, "b":2, "c":3}
for k in d:
    if k == "b":
        del d[k]  # RuntimeError!

✅ 正确写法(遍历键列表):

for k in list(d.keys()):
    if k == "b":
        del d[k]