导读：本文介绍Python中的常见控制结构。

作者：挪亚·吉夫特（Noah Gift）

来源：华章科技

传统Python语言的主要控制结构是for循环。然而，需要注意的是for循环在Pandas中不常用，因此Python中for循环的有效执行并不适用于Pandas模式。一些常见控制结构如下。

for循环while循环if/else语句try/except语句生成器表达式列表推导式模式匹配

所有的程序最终都需要一种控制执行流的方式。本节介绍一些控制执行流的技术。

01 for循环

for循环是Python的一种最基本的控制结构。使用for循环的一种常见模式是使用range函数生成数值范围，然后对其进行迭代。

res = range(3)print(list(res))#输出：[0, 1, 2]

for i in range(3):print(i)'''输出：012'''

使用for循环的另一种常见模式是对列表进行迭代。

martial_arts = ["Sambo","Muay Thai","BJJ"]for martial_art in martial_arts:    print(f"{ martial_art} has influenced\          modern mixed martial arts")'''输出：Sambo has influenced modern mixed martial artsMuay Thai has influenced modern mixed martial artsBJJ has influenced modern mixed martial arts'''

while循环是一种条件有效就会重复执行的循环方式。while循环的常见用途是创建无限循环。在本示例中，while循环用于过滤函数，该函数返回两种攻击类型中的一种。

def attacks():    list_of_attacks = ["lower_body", "lower_body",         "upper_body"]    print("There are a total of {lenlist_of_attacks)}\          attacks coming!")    for attack in list_of_ attacks:        yield attackattack = attacks()count = 0while next(attack) == "lower_body":    count +=1    print(f"crossing legs to prevent attack #{count}")else:    count += 1    print(f"This is not lower body attack, \I will cross my arms for# count}")'''输出：There are a total of 3 attacks coming!crossing legs to prevent attack #1crossing legs to prevent attack #2This is not a lower body attack, I will cross my arms for #3'''

if/else语句是一条在判断之间进行分支的常见语句。在本示例中，if/elif用于匹配分支。如果没有匹配项，则执行最后一条else语句。

def recommended_attack(position):    """Recommends an attack based on the position"""    if position == "full_guard":        print(f"Try an armbar attack")    elif position == "half_guard":        print(f"Try a kimura attack")    elif position == "fu1l_mount":        print(f"Try an arm triangle")    else:        print(f"You're on your own, \         there is no suggestion for an attack")

recommended_attack("full_guard")#输出：Try an armbar attack

recommended_attack("z_guard")#输出：You're on your own, there is no suggestion for an attack

生成器表达式建立在yield语句的概念上，它允许对序列进行惰性求值。生成器表达式的益处是，在实际求值计算前不会对任何内容进行求值或将其放入内存。这就是下面的示例可以在生成的无限随机攻击序列中执行的原因。

在生成器管道中，诸如 “arm_triangle”的小写攻击被转换为“ARM_TRIANGLE”，接下来删除其中的下划线，得到“ARM TRIANGLE”。

 def lazy_return_random_attacks():     """Yield attacks each time"""     import random     attacks = {"kimura": "upper_body",            "straight_ankle_lock": "lower_body",            "arm_triangle": "upper_body",             "keylock": "upper_body",             "knee_bar": "lower_body"}     while True:         random_attack random.choices(list(attacks.keys()))         yield random attack#Make all attacks appear as Upper Caseupper_case_attacks = \         (attack.pop().upper() for attack in \         lazy_return_random_attacks())

next(upper-case_attacks)#输出：ARM-TRIANGLE

## Generator Pipeline: One expression chains into the next#Make all attacks appear as Upper Caseupper-case_attacks =\    (attack. pop().upper() for attack in\    lazy_return_random_attacks())#remove the underscoreremove underscore =\    (attack.split("_")for attack in\    upper-case_attacks)#create a new phrasenew_attack_phrase =\    (" ".join(phrase) for phrase in\    remove_underscore)

next(new_attack_phrase)#输出：'STRAIGHT ANKLE LOCK'

for number in range(10):    print(next(new_attack_phrase))'''输出：KIMURAKEYLOCKSTRAIGHT ANKLE LOCK'''

语法上列表推导式与生成器表达式类似，然而直接对比它们，会发现列表推导式是在内存中求值。此外，列表推导式是优化的C代码，可以认为这是对传统for循环的重大改进。

martial_arts = ["Sambo", "Muay Thai", "BJJ"]new_phrases [f"mixed Martial Arts is influenced by \    (martial_art)" for martial_art in martial_arts]

print(new_phrases)['Mixed Martial Arts is influenced by Sambo', \'Mixed Martial Arts is influenced by Muay Thai', \'Mixed Martial Arts is influenced by BJJ']

有了这些基础知识后，重要的是不仅要了解如何创建代码，还要了解如何创建可维护的代码。创建可维护代码的一种方法是创建一个库，另一种方法是使用已经安装的第三方库编写的代码。其总体思想是最小化和分解复杂性。

使用Python编写库

使用Python编写库非常重要，之后将该库导入项目无须很长时间。下面这些示例是编写库的基础知识：在存储库中有一个名为funclib的文件夹，其中有一个_init_ .py文件。要创建库，在该目录中需要有一个包含函数的模块。

首先创建一个文件。

touch funclib/funcmod.py

然后在该文件中创建一个函数。

"""This is a simple module"""def list_of_belts_in_bjj():    """Returns a list of the belts in Brazilian jiu-jitsu"""    belts= ["white", "blue", "purple", "brown", "black"]    return belts

import sys;sys.path.append("..")from funclib import funcmodfuncmod.list_of_belts_in-bjj()#输出：['white', 'blue', 'purple', 'brown', 'black']

如果库是上面的目录，则可以用Jupyter添加sys.path.append方法来将库导入。接下来，使用前面创建的文件夹/文件名/函数名的命名空间导入模块。

安装第三方库

可使用pip install命令安装第三方库。请注意，conda命令()是pip命令的可选替代命令。如果使用conda命令，那么pip命令也会工作得很好，因为pip是virtualenv虚拟环境的替代品，但它也能直接安装软件包。

安装pandas包。

pip install pandas

另外，还可使用requirements.txt文件安装包。

> ca requirements.txtpylintpytestpytest-covclickjupyternbval> pip install -r requirements.txt

下面是在Jupyter Notebook中使用小型库的示例。值得指出的是，在Jupyter Notebook中创建程序代码组成的巨型蜘蛛网很容易，而且非常简单的解决方法就是创建一些库，然后测试并导入这些库。

"""This is a simple module"""import pandas as pddef list_of_belts_in_bjj():    """Returns a list of the belts in Brazilian jiu-jitsu"""    belts = ["white", "blue", "purple", "brown", "black"]    return beltsdef count_belts():    """Uses Pandas to count number of belts"""    belts = list_of_belts_in_bjj()    df = pd.Dataframe(belts)    res = df.count()    count = res.values.tolist()[0]    return count

from funclib.funcmod import count_belts

print(count_belts())#输出：5

可在Jupyter Notebook中重复使用类并与类进行交互。最简单的类类型就是一个名称，类的定义形式如下。

class Competitor: pass

该类可实例化为多个对象。

class Competitor: pass

conor = Competitor()conor.name = "Conor McGregor"conor.age = 29conor.weight = 155

nate = Competitor()nate.name = "Nate Diaz"nate.age = 30nate.weight = 170

def print_competitor _age(object):    """Print out age statistics about a competitor"""    print(f"{object.name} is {object.age} years old")

print_competitor_age(nate)#输出：Nate Diaz is 30 years old

print_competitor_age(conor)#输出：Conor McGregor is 29 years old

类和函数的主要区别包括：

函数更容易解释。函数（典型情况下）只在函数内部具有状态，而类在函数外部保持不变的状态。类能以复杂性为代价提供更高级别的抽象。

关于作者：挪亚·吉夫特（Noah Gift），加州大学戴维斯分校工商管理研究生院机器学习课程讲师，是AWS认证的架构师，也是AWS云端机器学习专家，长期为包括初创公司在内的企业提供机器学习、云架构和CTO级别的咨询服务。

本文摘编自《人工智能开发实践：云端机器学习导论》，经出版方授权发布。

延伸阅读《人工智能开发实践》

推荐语：本书讲解Amazon、Google和Microsoft公司的强大云服务产品，以及Python数据科学生态系统的成熟技术，所介绍的工作流程和案例涉及从部署到生产各个环节，通过使用当代机器学习、人工智能和云计算工具逐步构建多种云端机器学习应用程序（覆盖体育、项目管理、产品定价、房地产等领域中的实际问题），帮助你构建可扩展并能交付于生产的解决方案。