百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

python入门到脱坑 函数—函数的调用

ztj100 2025-06-23 23:42 17 浏览 0 评论

Python函数调用详解

函数调用是Python编程中最基础也是最重要的操作之一。下面我将详细介绍Python中函数调用的各种方式和注意事项。

一、基础函数调用

1.1 无参数函数调用

def greet():
    print("Hello, World!")

# 调用函数
greet()  # 输出: Hello, World!

1.2 带参数函数调用

def greet(name):
    print(f"Hello, {name}!")

# 调用方式1:位置参数
greet("Alice")  # 输出: Hello, Alice!

# 调用方式2:关键字参数
greet(name="Bob")  # 输出: Hello, Bob!

二、不同类型的参数传递

2.1 位置参数调用

def describe_pet(animal_type, pet_name):
    print(f"I have a {animal_type} named {pet_name}.")

describe_pet('hamster', 'Harry')
# 输出: I have a hamster named Harry.

2.2 关键字参数调用

describe_pet(pet_name='Harry', animal_type='hamster')
# 输出: I have a hamster named Harry.

2.3 默认参数调用

def describe_pet(pet_name, animal_type='dog'):
    print(f"I have a {animal_type} named {pet_name}.")

describe_pet('Willie')  # 使用默认值
# 输出: I have a dog named Willie.

describe_pet('Harry', 'hamster')  # 覆盖默认值
# 输出: I have a hamster named Harry.

三、特殊参数调用方式

3.1 可变数量参数(*args)

def make_pizza(*toppings):
    print("Making pizza with:")
    for topping in toppings:
        print(f"- {topping}")

make_pizza('pepperoni')
make_pizza('mushrooms', 'green peppers', 'extra cheese')

3.2 关键字可变参数(**kwargs)

def build_profile(first, last, **user_info):
    profile = {}
    profile['first_name'] = first
    profile['last_name'] = last
    for key, value in user_info.items():
        profile[key] = value
    return profile

user_profile = build_profile('albert', 'einstein',
                            location='princeton',
                            field='physics')
print(user_profile)

四、函数返回值的使用

4.1 使用单个返回值

def get_formatted_name(first_name, last_name):
    full_name = f"{first_name} {last_name}"
    return full_name.title()

musician = get_formatted_name('jimi', 'hendrix')
print(musician)  # 输出: Jimi Hendrix

4.2 使用多个返回值

def min_max(numbers):
    return min(numbers), max(numbers)

min_val, max_val = min_max([1, 2, 3, 4, 5])
print(f"最小值: {min_val}, 最大值: {max_val}")

五、高级调用技巧

5.1 函数作为参数传递

def apply_operation(x, y, operation):
    return operation(x, y)

def add(a, b):
    return a + b

result = apply_operation(2, 3, add)
print(result)  # 输出: 5

5.2 Lambda函数调用

square = lambda x: x * x
print(square(5))  # 输出: 25

# 直接调用匿名lambda
print((lambda x: x * x)(5))  # 输出: 25

5.3 函数链式调用

def add_one(x):
    return x + 1

def square(x):
    return x * x

result = square(add_one(2))  # (2+1)^2
print(result)  # 输出: 9

六、递归函数调用

6.1 基本递归

def factorial(n):
    if n == 1:
        return 1
    else:
        return n * factorial(n-1)

print(factorial(5))  # 输出: 120

6.2 尾递归优化

def factorial(n, accumulator=1):
    if n == 0:
        return accumulator
    else:
        return factorial(n-1, n*accumulator)

print(factorial(5))  # 输出: 120

七、常见调用错误

7.1 参数数量不匹配

def greet(name, age):
    print(f"{name} is {age} years old")

greet("Alice")  # TypeError: missing 1 required positional argument

7.2 参数顺序错误

def divide(a, b):
    return a / b

divide(0, 5)  # 正确
divide(5, 0)  # ZeroDivisionError

7.3 未处理返回值

def get_user():
    return {"name": "Alice", "age": 25}

# 忘记使用返回值
get_user()  # 返回值被丢弃

八、最佳实践

  1. 明确参数传递:优先使用关键字参数提高可读性
  2. 参数验证:在函数开始处验证参数有效性
  3. 合理返回值:确保函数返回值类型一致
  4. 避免副作用:函数不应修改传入的可变参数
  5. 文档注释:为函数编写清晰的docstring
def calculate_area(length: float, width: float) -> float:
    """计算矩形面积
    
    参数:
        length: 长度(单位:米)
        width: 宽度(单位:米)
        
    返回:
        面积(单位:平方米)
        
    异常:
        ValueError: 当长度或宽度为负数时抛出
    """
    if length < 0 or width < 0:
        raise ValueError("长度和宽度必须为正数")
    return length * width

通过掌握这些函数调用技巧,你将能够更加灵活高效地使用Python函数。

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: