outname = "outname.cst"
# 在此处调用该函数.函数体定义必须放在调用以前.可以通过import
read_ESRT_......(file = inname, fileOut = outname)
# 这两个参数只是字符串而已,指明你的文件路径.注意在python中,若有 \ 号,则最好使用 \\ 双斜杠,或者如上例,加上前缀 r
python的函数参数传递是"引用传递（地址传递）".
python中赋值语句的过程（x = 1）：先申请一段内存分配给一个整型对象来存储数据1,然后让变量x去指向这个对象,实际上就是指向这段内存（这里有点和C语言中的指针类似）.
在Python中,会为每个层次生成一个符号表,里层能调用外层中的变量,而外层不能调用里层中的变量,并且当外层和里层有同名变量时,外层变量会被里层变量屏蔽掉.函数? 调用 ?会为函数局部变量生成一个新的符号表.
局部变量：作用于该函数内部,一旦函数执行完成,该变量就被回收.
全局变量：它是在函数外部定义的,作用域是整个文件.全局变量可以直接在函数里面应用,但是如果要在函数内部改变全局变量,必须使用global关键字进行声明.
注意 ：默认值在函数? 定义 ?作用域被解析
在定义函数时,就已经执行力它的局部变量
python中不可变类型是共享内存地址的：把相同的两个不可变类型数据赋给两个不同变量a,b,a,b在内存中的地址是一样的.
单元测试（Unit Testing）
为程序编写测试——如果做的到位——有助于减少bug的出现,并可以提高我们对程序按预期目标运行的信心.通常,测试并不能保证正确性,因为对大多数程序而言, 可能的输入范围以及可能的计算范围是如此之大,只有其中最小的一部分能被实际地进 行测试.尽管如此,通过仔细地选择测试的方法和目标,可以提高代码的质量.
大量不同类型的测试都可以进行,比如可用性测试、功能测试以及整合测试等.这里, 我们只讲单元测试一对单独的函数、类与方法进行测试,确保其符合预期的行为.
TDD的一个关键点是,当我们想添加一个功能时——比如为类添加一个方法—— 我们首次为其编写一个测试用例.当然,测试将失败,因为我们还没有实际编写该方法.现在,我们编写该方法,一旦方法通过了测试,就可以返回所有测试,确保我们新添加的代码没有任何预期外的副作用.一旦所有测试运行完毕（包括我们为新功能编写的测试）,就可以对我们的代码进行检查,并有理有据地相信程序行为符合我们的期望——当然,前提是我们的测试是适当的.
比如,我们编写了一个函数,该函数在特定的索引位置插入一个字符串,可以像下面这样开始我们的TDD：
def insert_at（string, position, insert）:
"""Returns a copy of string with insert inserted at the position
string = "ABCDE"
result =[]
... result.append(insert_at(string, i,"-"))
['ABC-DE', 'ABCD-E', '-ABCDE','A-BCDE', 'AB-CDE']
['ABC-DE', 'ABCD-E', 'ABCDE-', 'ABCDE-']
"""
return string
对不返回任何参数的函数或方法（通常返回None）,我们通常赋予其由pass构成的一个suite,对那些返回值被试用的,我们或者返回一个常数（比如0）,或者某个不变的参数——这也是我们这里所做的.（在更复杂的情况下,返回fake对象可能更有用一一对这样的类,提供mock对象的第三方模块是可用的.）
运行doctest时会失败,并列出每个预期内的字符串（'ABCD-EF'、'ABCDE-F' 等）,及其实际获取的字符串（所有的都是'ABCD-EF'）.一旦确定doctest是充分的和正确的,就可以编写该函数的主体部分,在本例中只是简单的return string[:position] + insert+string[position:].（如果我们编写的是 return string[:position] + insert,之后复制 string [:position]并将其粘贴在末尾以便减少一些输入操作,那么doctest会立即提示错误.）
Python的标准库提供了两个单元测试模块,一个是doctest,这里和前面都简单地提到过,另一个是unittest.此外,还有一些可用于Python的第三方测试工具.其中最著名的两个是nose (code.google.com/p/python-nose)与py.test (codespeak.net/py/dist/test/test.html), nose 致力于提供比标准的unittest 模块更广泛的功能,同时保持与该模块的兼容性,py.test则采用了与unittest有些不同的方法,试图尽可能消除样板测试代码.这两个第三方模块都支持测试发现,所以呢没必要写一个总体的测试程序——因为模块将自己搜索测试程序.这使得测试整个代码树或某一部分 (比如那些已经起作用的模块)变得很容易.那些对测试严重关切的人,在决定使用哪个测试工具之前,对这两个(以及任何其他有吸引力的)第三方模块进行研究都是值 得的.
if __name__ =="__main__":
import doctest
doctest.testmod()
在程序内部使用doctest也是可能的.比如,blocks.py程序(其模块在后面)有自己函数的doctest,但以如下代码结尾：
if __name__== "__main__":
main()
另一种执行doctest的方法是使用unittest模块创建单独的测试程序.在概念上, unittest模块是根据Java的JUnit单元测试库进行建模的,并用于创建包含测试用例的测试套件.unittest模块可以基于doctests创建测试用例,而不需要知道程序或模块包含的任何事物——只要知道其包含doctest即可.所以呢,为给blocks.py程序制作一个测试套件,我们可以创建如下的简单程序(将其称为test_blocks.py)：
import unittest
import blocks
suite = unittest.TestSuite()
suite.addTest(doctest.DocTestSuite(blocks))
runner = unittest.TextTestRunner()
print(runner.run(suite))
注意,如果釆用这种方法,程序的名称上会有一个隐含的约束：程序名必须是有效的模块名.所以呢,名为convert-incidents.py的程序的测试不能写成这样.因为import convert-incidents不是有效的,在Python标识符中,连接符是无效的（避开这一约束是可能的,但最简单的解决方案是使用总是有效模块名的程序文件名,比如,使用下划线替换连接符）.这里展示的结构（创建一个测试套件,添加一个或多个测试用例或测试套件,运行总体的测试套件,输出结果）是典型的机遇unittest的测试.运行时,这一特定实例产生如下结果：
...
.............................................................................................................
OK
如果我们尝试将测试分离开（典型情况下是要测试的每个程序和模块都有一个测试用例）,就不要再使用doctests,而是直接使用unittest模块的功能——尤其是我们习惯于使用JUnit方法进行测试时ounittest模块会将测试分离于代码——对大型项目（测试编写人员与开发人员可能不一致）而言,这种方法特别有用.此外,unittest单元测试编写为独立的Python模块,所以呢,不会像在docstring内部编写测试用例时受到兼容性和明智性的限制.
典型情况下,测试套件是通过创建unittest.TestCase的子类实现的,其中每个名称 以"test"开头的方法都是一个测试用例.如果我们需要完成任何创建操作,就可以在一个名为setUp()的方法中实现；类似地,对任何清理操作,也可以实现一个名为 tearDown()的方法.在测试内部,有大量可供我们使用的unittest.TestCase方法,包括 assertTrue()、assertEqual()、assertAlmostEqual()（对于测试浮点数很有用）、assertRaises() 以及更多,还包括很多对应的逆方法,比如assertFalse()、assertNotEqual()、failIfEqual()、 failUnlessEqual ()等.
结构上看,测试不同数据类型实质上是一样的,所以呢,我们将只为测试列表编写测试用例,而将其他的留作练习.test_Atomic.py模块必须导入unittest模块与要进行测试的Atomic模块.
创建unittest文件时,我们通常创建的是模块而非程序.在每个模块内部,我们定义一个或多个unittest.TestCase子类.比如,test_Atomic.py模块中仅一个单独的 unittest-TestCase子类,也就是TestAtomic (稍后将对其进行讲解),并以如下两行结束:
if name == "__main__":
unittest.main()
这两行使得该模块可以单独运行.当然,该模块也可以被导入并从其他测试程序中运行——如果这只是多个测试套件中的一个,这一点是有意义的.
如果想要从其他测试程序中运行test_Atomic.py模块,那么可以编写一个与此类似的程序.我们习惯于使用unittest模块执行doctests,比如：
import test_Atomic
suite = unittest.TestLoader().loadTestsFromTestCase(test_Atomic.TestAtomic)
pnnt(runner.run(suite))
这里,我们已经创建了一个单独的套件,这是通过让unittest模块读取test_Atomic 模块实现的,并且使用其每一个test*()方法(本实例中是test_list_success()、test_list_fail(),稍后很快就会看到)作为测试用例.
我们现在将查看TestAtomic类的实现.对通常的子类(不包括unittest.TestCase 子类),不怎么常见的是,没有必要实现初始化程序.在这一案例中,我们将需要建立 一个方法,但不需要清理方法,并且我们将实现两个测试用例.
def setUp(self)：
self.original_list = list(range(10))
我们已经使用了 unittest.TestCase.setUp()方法来创建单独的测试数据片段.
def test_list_succeed(self):
items = self.original_list[:]
with Atomic.Atomic(items) as atomic:
self.assertEqual(items,
def test_list_fail(self):
with self.assertRaises(AttributeError):
atomic.poop() # Typo
self.assertListEqual(items, self.original_list)
性能剖析（Profiling）
如果程序运行很慢,或者消耗了比预期内要多得多的内存,那么问题通常是选择的算法或数据结构不合适,或者是以低效的方式进行实现.不管问题的原因是什么, 最好的方法都是准确地找到问题发生的地方,而不只是检査代码并试图对其进行优化. 随机优化会导致引入bug,或者对程序中本来对程序整体性能并没有实际影响的部分进行提速,而这并非解释器耗费大部分时间的地方.
在深入讨论profiling之前,注意一些易于学习和使用的Python程序设计习惯是有意义的,并且对提高程序性能不无裨益.这些技术都不是特定于某个Python版本的, 而是合理的Python程序设计风格.第一,在需要只读序列时,最好使用元组而非列表； 第二,使用生成器,而不是创建大的元组和列表并在其上进行迭代处理；第三,尽量使用Python内置的数据结构 dicts、lists、tuples 而不实现自己的自定义结构,因为内置的数据结构都是经过了高度优化的；第四,从小字符串中产生大字符串时, 不要对小字符串进行连接,而是在列表中累积,最后将字符串列表结合成为一个单独的字符串；第五,也是最后一点,如果某个对象(包括函数或方法)需要多次使用属性进行访问(比如访问模块中的某个函数),或从某个数据结构中进行访问,那么较好的做法是创建并使用一个局部变量来访问该对象,以便提供更快的访问速度.
Python标准库提供了两个特别有用的模块,可以辅助调査代码的性能问题.一个是timeit模块——该模块可用于对一小段Python代码进行计时,并可用于诸如对两个或多个特定函数或方法的性能进行比较等场合.另一个是cProfile模块,可用于profile 程序的性能——该模块对调用计数与次数进行了详细分解,以便发现性能瓶颈所在.
if __name__ == "__main__":
repeats = 1000
for function in ("function_a", "function_b", "function_c"):
t = timeit.Timer("{0}(X, Y)".format(function),"from __main__ import {0}, X, Y".format(function))
sec = t.timeit(repeats) / repeats
赋予timeit.Timer()构造子的第一个参数是我们想要执行并计时的代码,其形式是字符串.这里,该字符串是"function_a(X,Y)"；第二个参数是可选的,还是一个待执行的字符串,这一次是在待计时的代码之前,以便提供一些建立工作.这里,我们从 __main__ (即this)模块导入了待测试的函数,还有两个作为输入数据传入的变量(X 与Y),这两个变量在该模块中是作为全局变量提供的.我们也可以很轻易地像从其他模块中导入数据一样来进行导入操作.
调用timeit.Timer对象的timeit()方法时,首先将执行构造子的第二个参数(如果有), 之后执行构造子的第一个参数并对其执行时间进行计时.timeit.Timer.timeit()方法的返回值是以秒计数的时间,类型是float.默认情况下,timeit()方法重复100万次,并返回所 有这些执行的总秒数,但在这一特定案例中,只需要1000次反复就可以给出有用的结果, 所以呢对重复计数次数进行了显式指定.在对每个函数进行计时后,使用重复次数对总数进行除法操作,就得到了平均执行时间,并在控制台中打印出函数名与执行时间.
在这一实例中,function_a()显然是最快的——至少对于这里使用的输入数据而言. 在有些情况下一一比如输入数据不同会对性能产生巨大影响——可能需要使用多组输入数据对每个函数进行测试,以便覆盖有代表性的测试用例,并对总执行时间或平均执行时间进行比较.
之后我们可以轻易地对其他两个函数进行计时,以便对其进行整体的比较.
cProfile.run("for i in ranged 1000): {0}(X, Y)".format(function))
我们必须将重复的次数放置在要传递给cProfile.run()函数的代码内部,但不需要做任何创建,因为模块函数会使用内省来寻找需要使用的函数与变量.这里没有使用显式的print()语句,因为默认情况下,cProfile.run()函数会在控制台中打印其输出.下面给出的是所有函数的相关结果(有些无关行被省略,格式也进行了稍许调整,以便与页面适应)：
ncalls tottime percall cumtime percall filename:lineno(function)
①.000 0.001 0.000 0.001 0.000 {built-in method len}
ncalls ("调用的次数")列列出了对指定函数(在filename:lineno(function)中列出) 的调用次数.回想一下我们重复了 1000次调用,所以呢必须将这个次数记住.tottime ("总的时间")列列出了某个函数中耗费的总时间,但是排除了函数调用的其他函数内部花费的时间.第一个percall列列出了对函数的每次调用的平均时间(tottime // ncalls). cumtime ("累积时间")列出了在函数中耗费的时间,并且包含了函数调用的其他函数内部花费的时间.第二个percall列列出了对函数的每次调用的平均时间,包括其调用的函数耗费的时间.
在cProfile术语学中,原始调用指的就是非递归的函数调用.
下面给出的是一个非常短的控制台会话实例,为使其适合页面展示,进行了适当调整,我们自己的输入则以粗体展示：
Welcome to the profile statistics browser.
% read profile.dat
profile.dat% callers function_b
Random listing order was used
Function was called by...
ncalls tottime cumtime
profile.dat% callees function_b
Function called...
①.000 0.001 0.001 built-in method len
profile.dat% quit
输入help可以获取命令列表,help后面跟随命令名可以获取该命令的更多信息.比如, help stats将列出可以赋予stats命令的参数.还有其他一些可用的工具,可以提供profile数据的图形化展示形式,比如 RunSnakeRun (), 该工具需要依赖于wxPython GUI库.
使用timeit与cProfile模块,我们可以识别出我们自己代码中哪些区域会耗费超过预期的时间；使用cProfile模块,还可以准确算岀时间消耗在哪里.
装个Pycharm
①. 添加断点
Python自带的pdb库,发现用pdb来调试程序还是很方便的,当然了,什么远程调试,多线程之类,pdb是搞不定的.
用pdb调试有多种方式可选：
① 命令行启动目标程序,加上-m参数,这样调用myscript.py的话断点就是程序的执行第一行之前
python -m pdb myscript.py
import pdb
import mymodule
pdb.run('mymodule.test()')
a = 1
pdb.set_trace()
c = a + b
print (c)
然后正常运行脚本,到了pdb.set_trace()那就会定下来,就可以看到调试的提示符(Pdb)了
常用的调试命令
h(elp),会打印当前版本Pdb可用的命令,如果要查询某个命令,可以输入 h [command],例如："h l" — 查看list命令
l(ist),可以列出当前将要运行的代码块
(Pdb) l
(Pdb) b
Num Type Disp Enb Where
(Pdb) cl
Clear all breaks? y
disable/enable,禁用/激活断点
n(ext),让程序运行下一行,如果当前语句有一个函数调用,用n是不会进入被调用的函数体中的
s(tep),跟n相似,但是如果当前有一个函数调用,那么s会进入被调用的函数体中
c(ont(inue)),让程序正常运行,直到遇到断点
j(ump),让程序跳转到指定的行数
- pdb.set_trace()
a(rgs),打印当前函数的参数
(Pdb) a
_logger =
_toStepNum = 10
_cmpMap = {'_bcmpbinarylog': 'True', '_bcmpLog': 'True', '_bcmpresp': 'True'}
p,最有用的命令之一,打印某个变量
(Pdb) p _new
！,感叹号后面跟着语句,可以直接改变某个变量
q(uit),退出调试
发现在命令行下调试程序也是一件挺有意思的事情,记录下来分享一下
w ,Print a stack trace, with the most recent frame at the bottom.An arrow indicates the "current frame", which determines the context of most commands. 'bt' is an alias for this command.
d ,Move the current frame one level down in the stack trace
(to a newer frame).
u ,Move the current frame one level up in the stack trace
(to an older frame).
使用 u 和 d 命令,我们可以在栈帧之间切换,用以获取其相关上下文变量信息.w可以显示最近的一些栈帧信息.
以上就是土嘎嘎小编为大家整理的python调试函数的简单介绍python调试函数的简单介绍相关咨询咨询主题介绍,如果您觉得小编更新的文章只要能对粉丝们有用,就是我们最大的鼓励和动力,不要忘记讲本站分享给您身边的朋友哦！！