Python3 函数的参数类型
定义函数的时候,确定参数的名字和位置,函数定义就完成了。函数的调用者只需要知道如何传递参数及函数返回什么值,函数内部的复杂逻辑被封装起来,调用者不用了解。
Python的函数定义非常简单,但灵活度却非常大。除了正常定义的必需参数外,还有默认参数、可变参数和关键字参数,使得函数定义能处理复杂的参数,还能简化调用者的代码。
必需参数
必需参数须以正确的顺序传入函数。调用时的数量必须和声明时的一样。
写一个计算x2的函数:
def power(x):
return x * x
#对于power(x)函数,参数x就是一个必需参数(位置参数)。
#当我们调用power函数时,必须传入有且仅有的一个参数x:
a = power(6)
print(a)
把power(x)修改为power(x, n),用来计算x的n次方,:
def power(x, n):
s = 1
while n > 0:
n = n - 1
s = s * x
return s
#对于这个修改后的power(x, n)函数,可以计算x的任意n次方:
a = power(6, 2)
修改后的power(x, n)函数有两个参数:x和n,都是位置参数,调用函数时,传入的两个值按照位置顺序依次赋给参数x和n。
默认参数
调用函数时,如果没有传递参数,则会使用默认参数。
对于power函数,我们经常计算x2,所以,第二个参数n的默认值设定为2:
def power(x, n=2):
s = 1
while n > 0:
n = n - 1
s = s * x
return s
这样,当调用power(5)时,相当于调用power(5, 2):
而对于n > 2的其他情况,就必须传入n,比如power(5, 3)
默认参数简化函数的调用
设置默认参数时:
一是必需参数在前,默认参数在后,否则Python的解释器会报错(思考一下为什么默认参数不能放在必选参数前面)
二是如何设置默认参数:
当函数有多个参数时,把变化大的参数放前面,变化小的参数放后面。变化小的参数就可以作为默认参数。
使用默认参数最大的好处是能降低调用函数的难度。
可变参数
在Python函数中,还能定义可变参数。顾名思义,可变参数就是传入的参数个数是可变的,可以是1个、2个到任意个,还可以是0个。
基本语法如下:
def functionname([formal_args,] *var_args_tuple ):
"函数_文档字符串"
function_suite
return [expression]
加了星号(*)的变量名会存放所有未命名的变量参数。如果在函数调用时没有指定参数,它就是一个空元组。我们也可以不向函数传递未命名的变量。如下:
# 函数说明
def printinfo(arg1, *vartuple):
"打印任何传入的参数"
print("输出: ")
print(arg1)
for var in vartuple:
print(var)
return;
# 调用printinfo 函数
printinfo(1);
printinfo(7, 6, 5);
输出: 1
输出: 7 6 5
关键字参数
关键字参数和函数调用关系紧密,函数调用使用关键字参数来确定传入的参数值。
使用关键字参数允许函数调用时参数的顺序与声明时不一致,因为 Python 解释器能够用参数名匹配参数值。
可变参数允许你传入0个或任意个参数,这些可变参数在函数调用时自动组装为一个tuple。
而关键字参数允许你传入0个或任意个含参数名的参数,这些关键字参数在函数内部自动组装为一个dict。
以下演示了函数参数的使用不需要使用指定顺序
# 函数说明
def printin(name, nu):
"打印任何传入的字符串"
print("课程: ", name);
print("数量: ", nu);
return;
# 调用printin函数
printin(nu=2, name="python");
输出:课程: python 数量: 2
def person(name, age, **all):
print('name:', name, 'age:', age, 'other:', all)
person('a1', 1)
person('a2', 2, gender='M', job='Engineer')
输出:
name: a1 age: 1 other: {}
name: a2 age: 2 other: {'gender': 'M', 'job': 'Engineer'}
命名关键字参数
对于关键字参数,函数的调用者可以传入任意不受限制的关键字参数。至于到底传入了哪些,就需要在函数内部通过kw检查。
如果要限制关键字参数的名字,就可以用命名关键字参数,例如,只接收city和job作为关键字参数。
和关键字参数**kw不同,命名关键字参数需要一个特殊分隔符*,*后面的参数被视为命名关键字参数。
这种方式定义的函数,调用方式如下:
def person(name, age, *, city, job):
print(name, age, city, job)
person('a1', 2, city='Beijing', job='Engineer')
输出:a1 2 Beijing Engineer
解包函数参数
有时候,函数调用的参数会以元组、列表或字典的形式存在。我们通过使用“*”或“**”操作符将这些参数解包到函数内部以供调用。
以下面的函数为例,该函数接受两个位置参数,并打印出两个参数的值。
如果提供给函数的参数值是以列表形式存在,那么我们可以直接将这些值解包到函数中,如下所示:
def print_args(a, b):
print(a)
print(b)
args = [1, 2]
print_args(1,2) #输出 1 2
print_args(*args) #输出 1 2
类似的,当我们有关键词时,可以使用字典来存储kwarg到值的映射关系,并利用“**”操作符将关键字参数解包到函数
def print_re(name, type='a', show='a'):
print("name:", name)
print("type:", type, "all")
print("show:", show, "!")
e = {"name": "you", "type": "get", "show": "info"}
print_re(**e)
利用“*”和“**”定义函数参数
有时候,当定义一个函数时,我们之前可能不知道参数的数量。这就导致了下面签名的函数定义:
show(arg, *args, **kwargs)
“*args”参数表示未知的位置参数序列长度,而“**kwargs”代表包含关键字和值映射关系的字典,它可以包含任意数量的关键字和值映射,并且在函数定义中“*args”必须位于“**kwargs”前面。
下面的这种情况:必须向函数提供正常的参数,但“*args”和“**kwargs”却是可选的,如下所示:
def show(arg, *args, **kwargs):
print(arg)
for all in args:
print(all)
for key, value in kwargs.items():
print(key, value)
args = [1, 2]
kwargs = dict(name='you', age=2, year=2017)
show("a", *args, **kwargs)
在函数调用中,普通参数以正常方式提供,而可选参数则可以通过解包的形式到达函数调用中。
参数组合使用
在Python中定义函数,能用必选参数、默认参数、可变参数、关键字参数和命名关键字参数,这5种参数都能组合使用。
注意,参数定义的顺序必须是:必选参数、默认参数、可变参数、命名关键字参数和关键字参数。
比如定义一个函数,包含上述若干种参数:
def a1(a, b, c=0, *args, **kw):
print('a =', a, 'b =', b, 'c =', c, 'args =', args, 'kw =', kw)
def a2(a, b, c=0, *, d, **kw):
print('a =', a, 'b =', b, 'c =', c, 'd =', d, 'kw =', kw)
小结
Python的函数有非常灵活的参数形态,既实现简单的调用,又能传入复杂的参数。
默认参数一定要用不可变对象,如果是可变对象,程序运行时会有逻辑错误!
要注意定义可变参数和关键字参数的语法:
*args是可变参数,args接收的是一个tuple;
**kw是关键字参数,kw接收的是一个dict。
以及调用函数时如何传入可变参数和关键字参数的语法:
可变参数既可以直接传入:func(1, 2, 3),又可以先组装list或tuple,再通过*args传入:func(*(1, 2, 3));
关键字参数既可以直接传入:func(a=1, b=2),又可以先组装dict,再通过**kw传入:func(**{'a': 1, 'b': 2})。
使用*args和**kw是Python的习惯写法,当然也可以用其他参数名,但最好使用习惯用法。
命名的关键字参数是为了限制调用者可以传入的参数名,同时可以提供默认值。
定义命名的关键字参数在没有可变参数的情况下不要忘了写分隔符*,否则定义的将是位置参数。

相关推荐
深度学习 -- 损失函数
深度残差网络(Deep Residual Networks (ResNets))
深度学习 -- 激活函数
神经网络训练 -- 调整学习速率
生成对抗网络(GAN)改进与发展
生成对抗网络(GAN)优点与缺点
生成对抗网络(GAN)的训练
生成对抗网络(GAN)基本原理
生成模型与判别模型