简谈 Python3 中的闭包

 关注
发布于: 2020 年 08 月 13 日
闭包是指延伸了作用域的函数，其中包含函数定义体中引用、但是不在定义体中定义的非全局变量。
闭包(closure)是函数式编程的重要的语法结构。闭包也是一种组织代码的结构，它同样提高了代码的可重复使用性。
﻿
当一个内嵌函数引用其外部作用域的变量,我们就会得到一个闭包. 总结一下,创建一个闭包必须满足以下几点:
必须有一个内嵌函数
内嵌函数必须引用外部函数中的变量
外部函数的返回值必须是内嵌函数
﻿
闭包是一种函数，它会保留定义函数时存在的自由变量的绑定，这样调用函数时虽然定义作用域不可用了，但仍能使用那些绑定。
﻿
闭包的概念难以掌握，下面通过示例进行理解。
﻿
假设我们要实现一个计算移动平均功能的代码，如何实现呢？
﻿
初学者可能会用类来实现，如示例1:
﻿
# 示例1
class Averager(object):
    def __init__(self):
        self.series = []
    def __call__(self, new_value):
        self.series.append(new_value)
        total = sum(self.series)
        return total/len(self.series)
﻿
Average的实例是可调用对象：
>>> avg = Averager()
>>> avg(10)
10.0
>>> avg(11)
10.5
>>> avg(12)
11.0
﻿
下面使用函数式实现，如示例2:
# 示例2
def make_averager():
    series = []
    def averager(new_value):
        series.append(new_value)
        total = sum(series)
        return total/len(series)
    return averager
﻿
调用make_averager时，返回一个averager函数对象。每次调用averager时，该对象会把参数添加到series中，然后计算当前平均值，如下所示：
>>> avg = make_averager()
>>> avg(10)
10.0
>>> avg(11)
10.5
>>> avg(12)
11.0
﻿
以上两个示例有共通之处：调用Averager()或make_averager()得到一个可调用对象avg，该对象会更新历史值，然后计算当前均值。示例1中，avg是Averager的实例；实例2中是内部函数averager。不管怎样，我们都只需要调用avg(n)，把n放入系列值series中，然后重新计算均值。
﻿
Averager()类的实例avg在哪里存储历史值很明显，但是第二个示例中的avg函数在哪里寻找series呢？
﻿
注意，series是make_averager函数的局部变量，因为那个函数的定义体中初始化了series = []。可是，调用avg(10)时，make_averager函数已经返回了，而他的本地作用域也一去不复返了。
﻿
在averager函数中，series是自由变量，指未在本地作用域中绑定的变量，图形化展示如下：
﻿
﻿
averager的闭包延伸到那个函数的作用域之外，包含对自由变量series的绑定
﻿
我们可以审查返回的averager对象，发现Python在__code__属性（表示编译后的函数定义体）中保存局部变量和自由变量的名称，如下所示
﻿
# 审查make_averager创建的函数
>>> avg.__code__.co_varnames
('new_value', 'total')
>>> avg.__code__.co_freevars
('series',)
﻿
series绑定在返回的avg函数的__closure__属性中。avg.__closure__中各个元素对应于avg.__code__.co_freevars中的一个名称。这些元素是cell对象，有个cell_content属性，保存着真正的值。这些属性的值如示例所示：
﻿
>>> avg.__code__.co_freevars
('series',)
>>> avg.__closure__
(<cell at 0x108b89828: list object at 0x108ae96c8>,)
>>> avg.__closure__[0].cell_contents
[10,11,12]
﻿
综上，闭包是一种函数，它会保留定义函数时存在的自由变量的绑定，这样调用函数时虽然定义作用域不可用了，但仍能使用那些绑定。
﻿
稍微有点编程经验的人会看到，我们实现的计算移动平均值得方法实际上有很大的改进空间，改进代码如下：
def make_averager1():
    sums = 0
    count = 0
    def averager(new_value):
        nonlocal sums, count
        sums += new_value
        count += 1
        return sums/count
    return averager
﻿
补坑推荐阅读：
简述 Python 中变量作用域的规则
﻿