
作者:小K
来源:麦叔编程
简答读者问
要查看一个类型的父类,可以使用__bases__属性查看,
要查看一个实例的类型可以用__class__来查看
type是object的子类,type是type的实例。
object没有父类,object是type的实例。
这个“伦理”关系乱不乱??
type和object,分管不同的任务,但type和object又是各自的顶端。
type掌管一切类型,所以object也是type类型,type也是type类型。
而object是一切类的父类,所以type的父类又是object。
看过上期的小伙伴应该都记住了用type创造一个类的方式,
❝
type(类名, 父类的元组(针对继承的情况,可以为空), 包含属性的字典(名称和值))
❞
今天再来学习一种用type创造类的方式,这种方式的代码更易读些。
先创造一个元类:
class Boing737MetaClass(type): def __new__(cls, name, bases, attrs): attrs["plane_model_"+name] = lambda self, name: f"BoingPlane737{name}" return type.__new__(cls, name, bases, attrs)
分析代码:
class Boing737MetaClass(type):
继承type,表示我要创造一个类型(元类)。
def __new__(cls, name, bases, attrs)
name, bases和attrs都是元类的老朋友了。
类名,继承父类,包含属性的字典(名称和值)。
attrs["plane_model_"+name] = lambda self, name: f"BoingPlane737{name}"
确定元类中的属性和函数(不明白可以复习上一篇元类的文章)。
return type.__new__(cls, name, bases, attrs)
返回之后,就按照传入的参数new一个新类。
实际操作下,
class Boing737MetaClass(type): def __new__(cls, name, bases, attrs): attrs["plane_model_"+name] = lambda self, name: f"BoingPlane737{name}" return type.__new__(cls, name, bases, attrs)# 定义一个类并指定元类class B100(object, metaclass = Boing737MetaClass): pass# 实例化定义的类plane = B100()# 调用类中来自元类的方法print(plane.plane_model_B100(100))
plane.plane_model_B100函数名是由类名动态订制而来。
❝
attrs["plane_model_"+name]
❞
运行上方代码之后得到结果:
BoingPlane737100
❝
今天的内容比较抽象,概念都比较虚,所以需要花时间去理解消化。
❞
今天继续感谢归零这位铁粉的持续关注,我来回答你提一个问题。
在Python中一切皆对象,方法(函数)当然也是对象,所以方法也可作为值存入字典。
如果你也有一些疑问,请在评论区留言,
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10