python装饰器和描述器的使用总结
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
| 12345678910 | def deco(func): def _deco(): print \’before invoked\’ func() print \’after invoked\’ return _deco @decodef 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
| 123456789101112 | def deco(func): def _deco(*args, **kwargs): print \’before invoked\’ ret = func(*args, **kwargs) print \’after invoded\’ return ret return _deco @decodef 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
| 123456789101112131415 | 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
| 1234567891011121314151617181920212223 | 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\’ @LoginCheckdef 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。
| 123456789101112131415 | #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：
| 1234567891011 | #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：
| 12345678910111213 | #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 |
下一篇：协同过滤算法