Python 的函数是代码复用的核心，模块化编程是工程化开发的基础，而内置模块则是 Python 生态的 “工具箱”—— 三者结合能让代码更简洁、可维护、高效。本文将从函数编程实战、模块化编程实践、常用内置模块探索三个维度，通过实战案例讲解核心用法，帮助你构建高质量的 Python 代码。
一、函数编程实战：从基础到进阶
函数是封装可复用逻辑的最小单元，Python 的函数支持灵活的参数设计、高阶特性（如闭包、装饰器），是实现代码抽象的关键。
1. 函数基础：参数与返回值
Python 函数的参数类型包括位置参数、关键字参数、默认参数、可变参数，灵活运用可适应不同场景。
（1）核心参数类型实战
def calculate_score( name, # 位置参数（必填） base_score=60, # 默认参数（可选） *bonus, # 可变位置参数（接收多个值，转为元组） **kwargs # 可变关键字参数（接收多个键值对，转为字典） ): """ 计算学生最终成绩：基础分 + 各项加分 + 额外调整分 """ total = base_score + sum(bonus) # 处理额外调整分（如考勤分、作业分） for key, value in kwargs.items(): total += value return { "name": name, "total_score": total, "details": f"基础分：{base_score}，加分：{sum(bonus)}，额外调整：{sum(kwargs.values())}" } # 调用示例 result1 = calculate_score("张三", 70, 10, 5, attendance=3, homework=2) result2 = calculate_score("李四", bonus=(8, 4), homework=5) # 关键字传参 print(result1) # 输出：{'name': '张三', 'total_score': 90, 'details': '基础分：70，加分：15，额外调整：5'} print(result2) # 输出：{'name': '李四', 'total_score': 77, 'details': '基础分：60，加分：12，额外调整：5'}（2）关键注意点
- 默认参数的陷阱：默认参数在函数定义时初始化，若使用可变对象（如列表、字典），会导致多次调用共享同一对象，建议用
None作为占位符。
2. 函数进阶：闭包与装饰器
（1）闭包：嵌套函数的变量捕获
闭包是内部函数引用外部函数变量的特殊结构，可实现 “数据封装” 和 “状态保留”。
（2）装饰器：函数的 “增强插件”
装饰器是 Python 的语法糖，用于在不修改原函数代码的前提下，为函数添加额外功能（如日志、计时、权限校验）。
实战 1：计时装饰器（统计函数执行时间）
import time def timer_decorator(func): """装饰器：统计函数执行时间""" def wrapper(*args, **kwargs): start_time = time.time() result = func(*args, **kwargs) end_time = time.time() print(f"函数 {func.__name__} 执行时间：{end_time - start_time:.4f} 秒") return result return wrapper # 使用装饰器 @timer_decorator def slow_function(n): """模拟耗时函数""" time.sleep(n) return f"等待了{n}秒" slow_function(1) # 输出：函数 slow_function 执行时间：1.0005 秒实战 2：带参数的装饰器（日志级别控制）
def log_decorator(level="info"): """带参数的装饰器：按级别输出日志""" def decorator(func): def wrapper(*args, **kwargs): print(f"[{level.upper()}] 函数 {func.__name__} 开始执行") result = func(*args, **kwargs) print(f"[{level.upper()}] 函数 {func.__name__} 执行完成") return result return wrapper return decorator # 使用带参数的装饰器 @log_decorator(level="warning") def process_data(data): return f"处理了 {len(data)} 条数据" process_data([1,2,3]) # 输出： # [WARNING] 函数 process_data 开始执行 # [WARNING] 函数 process_data 执行完成3. 生成器函数：节省内存的迭代器
生成器函数通过yield关键字返回迭代器，无需一次性加载所有数据，适合处理大数据集。
def generate_large_data(n): """生成器函数：逐个生成0~n-1的数字，节省内存""" for i in range(n): yield i # 暂停执行，返回当前值，下次调用继续 # 实战：遍历1000万条数据（仅占用单个元素的内存） data_generator = generate_large_data(10**7) for _ in range(5): print(next(data_generator)) # 0,1,2,3,4
