通过 Python 理解 Mixin 概念

Python——Mixin设计模式 Mixin类通常命名时带有Mixin后缀,但这并不是强制的,只是为了在代码中清楚地表明其作为Mixin的用途。"""返回创建时间""""""返回更新时间""""""设置时间戳""" 阅读详情

Mixin 的概念

Mixin 即 Mix-in,常被译为“混入”,是一种编程模式,在 Python 等面向对象语言中,通常它是实现了某种功能单元的类,用于被其他子类继承,将功能组合到子类中。

利用 Python 的多重继承,子类可以继承不同功能的 Mixin 类,按需动态组合使用。

当多个类都实现了同一种功能时,这时应该考虑将该功能抽离成 Mixin 类。

举个例子

定义一个简单的类:

class Person:
    def __init__(self, name, gender, age):
        self.name = name
        self.gender = gender
        self.age = age

我们可以通过调用实例属性的方式来访问:

p = Person("小陈", "男", 18)
print(p.name)  # "小陈"

然后我们定义一个 Mixin 类:

class MappingMixin:
    def __getitem__(self, key):
        return self.__dict__.get(key)


    def __setitem__(self, key, value):
        return self.__dict__.set(key, value)

这个类可以让子类拥有像 dict 一样调用属性的功能

我们将这个 Mixin 加入到 Person 类中:

class Person(MappingMixin):
    def __init__(self, name, gender, age):
        self.name = name
        self.gender = gender
        self.age = age

现在 Person 拥有另一种调用属性方式了:

p = Person("小陈", "男", 18)
print(p['name'])  # "小陈"
print(p['age'])  # 18

再定义一个 Mixin 类,这个类实现了 __repr__ 方法,能自动将属性与值拼接成字符串:

class ReprMixin:
    def __repr__(self):
        s = self.__class__.__name__ + '('
        for k, v in self.__dict__.items():
            if not k.startswith('_'):
                s += '{}={}, '.format(k, v)
        s = s.rstrip(', ') + ')'  # 将最后一个逗号和空格换成括号
        return s

利用 Python 的特性,一个类可以继承多个父类:

class Person(MappingMixin, ReprMixin):
    def __init__(self, name, gender, age):
        self.name = name
        self.gender = gender
        self.age = age

这样这个子类混入了两种功能:

p = Person("小陈", "男", 18)
print(p['name'])  # "小陈"
print(p)  # Person(name=小陈, gender=男, age=18)

总结

Mixin 实质上是利用语言特性,可以把它看作一种特殊的多重继承,所以它并不是 Python 独享,只要支持多重继承或者类似特性的都可以使用,比如 Ruby 中 include 语法,Vue 等前端领域也有 Mixin 的概念。

但 Mixin 终归不属于语言的语法,为了代码的可读性和可维护性,定义和使用 Mixin 类应该遵循几个原则:

1.Mixin 实现的功能需要是通用的,并且是单一的,比如上例中两个 Mixin 类都适用于大部分子类,每个 Mixin 只实现一种功能,可按需继承。2.Mixin 只用于拓展子类的功能,不能影响子类的主要功能,子类也不能依赖 Mixin。比如上例中 Person 继承不同的 Mixin 只是增加了一些功能,并不影响自身的主要功能。如果是依赖关系,则是真正的基类,不应该用 Mixin 命名。3.Mixin 类自身不能进行实例化,仅用于被子类继承。

(完)


【雕爷学编程】Arduino FOC 之 AS5600 磁编码器的模拟电压与IIC通信 在Arduino平台上实现FOC可以提供平滑的运行和高度的扭矩、速度和位置控制,它通过精确控制电机的电流和电压来实现高效率、高精度和低噪声的操作。案例三在使用I2C通信读取角度值的基础上,添加了设置角度范围的功能。5、创新:Arduino可以让你用电子的方式来表达你的创意和想象,你可以用Arduino来制作各种有趣和有用的项目,如机器人、智能家居、艺术装置等。1、高性能电机控制:FOC是一种高级的电机控制算法,可以精准控制PMSM(永磁同步电机)和BLDC(无刷直流)电机,实现平滑的转速和扭矩输出。 阅读详情

相关推荐

【环境搭建】使用openSfM+MVSNet重建稠密点云

本帖详细介绍了如何使用openSfM+MVSNet对真实采集的数据进行稀疏重建与稠密重建,并针对一些真实场景下可能遇到的问题进行了整理。

YuhsiHu的博客 1973

python中Mixin类的使用

python中Mixin类的使用

喵酱 1357

记录Nvidia AGX Orin的配置日常(二)设置上电自动开机和远程桌面

因为要拿AGX作为机器人的主控板,所以需要给他设置一下通电后无需按电源键就自动开机,然后再配置一下远程桌面。

AutomaticForever的博客 1366

python的mixin设计模式

在 Python 中,mixin 是一种设计模式,它是一个包含了特定功能单元的类,这些功能可以被其他类组合利用,这些功能可以被其他类组合利用,以实现代码的复用和功能扩展。mixin 类通常不被单独实例化,也不作为其他类的唯一父类,而是通过多重继承与其他类结合使用。子类可以根据需要组合继承不同功能的 mixin 类,从而在不修改源代码的情况下扩展已有类的功能。例如,假设有一个然后可以定义其他类,并通过继承来获得日志记录功能:在上述示例中,MyClass继承了的log方法,无需在MyClass。

zhendianluli的博客 1548

FPGA开发者必看:Xilinx PCIe IP核BAR地址配置避坑指南(附实例解析)

本文为FPGA开发者提供了Xilinx PCIe IP核中BAR地址配置的详细避坑指南。文章深入解析了32位与64位地址空间的选择逻辑、Pcie to AXI Translation参数的核心作用,并通过实例说明如何正确配置以避免地址映射错乱和数据访问失败。重点探讨了BAR空间类型、大小设定以及地址转换机制,帮助开发者构建清晰可靠的PCIe系统,是调试与优化PCIe设计的关键参考。

weixin_29252171的博客 425

USB摄像头开发实战:从参数配置到图像采集的完整流程(Python+OpenCV)

本文详细介绍了USB摄像头开发的完整流程,从参数配置到图像采集,使用Python和OpenCV实现。内容涵盖硬件原理、环境配置、参数调优及高级优化技巧,帮助开发者解决常见问题如分辨率设置、帧率控制和灯光频闪等,提升开发效率。

star的博客 235

【Python】 Python中的Mixin:一种增强代码复用的实用技巧

")")

PythonWeb实践 888

020、Sensor 供电设计:AVDD、DVDD、IOVDD 的上电时序与纹波要求

本文总结了图像传感器(Sensor)供电设计中的关键要点与常见问题:1. 三路供电特性差异:AVDD(模拟供电)对纹波最敏感(通常<30mVpp),DVDD需应对大电流瞬态变化,IOVDD需满足MIPI接口电压稳定要求。2. 上电时序至关重要,应遵循"模拟→数字→IO"的启动顺序,时序偏差可能导致初始化失败。3. 纹波控制需合理选择电容组合(如10μF+0.1μF),注意布局走线及电容ESR/ESL特性。4. 调试建议使用示波器多通道测量时序和纹波,重点关注传感器启动瞬间的电源特性。5. 经验教训包括预留设

sundong_81的博客 535

Python中类的混合(mixin)

以 Werkzeug 的请求和响应系统为例,可以说明第一种情况。区别很微妙,但在上述示例中,Mixin 类并不是设计成独立使用的。在更传统的多重继承中,例如。Mixin 是一种特殊的多重继承形式。也就是说,该类可能会被设计成能够独立工作。

liluo0815481的博客 381

【即插即用模块】Transformer篇 | CVPR 2025 | D2T:双域特征融合,完美适配缺陷检测/小目标检测和分割等频域细节敏感的任务!

本文提出了一种基于小波和原型增强的双域Transformer(WPFormer)用于像素级表面缺陷检测。该模型通过Dual-domain Transformer (D2T)模块融合频域和空间域特征:小波增强交叉注意力(WCA)分解高低频特征并加权平衡,增强缺陷细节捕捉;原型引导注意力(PCA)生成全局原型向量强化关键信息聚合。实验表明,该模块在缺陷检测任务中性能优于现有方法,通过频域细节增强和全局依赖建模有效提升了复杂场景下的检测效果。代码已开源,适用于对频域敏感的目标检测和分割任务。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 1376

MIKE水动力笔记13_数字化海图2之克里金插值

在进行MIKE水动力建模之初,需要准备好水深数据,本专题系列博文主要讲解如何将扫描版JPG格式海图数据在ArcGIS中进行数字化并制作成xyz水深地形数据,用的克里金插值方法,仅供参考。

晏长街的博客 2881

mixin模式 python_通过 Python 理解 Mixin 概念

Mixin 的概念Mixin 即 Mix-in,常被译为“混入”,是一种编程模式,在 Python 等面向对象语言中,通常它是实现了某种功能单元的类,用于被其他子类继承,将功能组合到子类中。利用 Python 的多重继承,子类可以继承不同功能的 Mixin 类,按需动态组合使用。当多个类都实现了同一种功能时,这时应该考虑将该功能抽离成 Mixin 类。举个例子定义一个简单的类:class Pers...

weixin_28843191的博客 393

educoder实训——计算几何形状的表面积与体积

educoder python实训

qq_41234663的博客 1230

python Mixin 是个啥?

内容待添加。。。 参考文章: 【1】[python] Mixin 扫盲班 转载于:https://www.cnblogs.com/tlz888/p/6995469.html

weixin_30478923的博客 76

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Python中的类、实例以及方法,MRO继承解析顺序以及Mixin类

Python中的类、实例以及方法,MRO继承解析顺序以及Mixin类

ikkyphoenix的专栏 608

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

python的两种继承模式_PythonI/O进阶学习笔记_3.2面向对象编程_python的继承(多继承/super/MRO/抽象基类/mixin模式)...

前言:本篇相关内容分为3篇多态、继承、封装,这篇为第二篇 继承。本篇内容围绕 python基础教程这段:在面向对象编程中,术语对象大致意味着一系列数据(属性)以及一套访问和操作这些数据的方法。使用对象而非全局变量和函数的原因有多个,下面列出了使用对象的最重要的好处。 多态:可对不同类型的对象执行相同的操作,而这些操作就像“被施了魔法”一样能够正常运行。 封装:对外部隐藏有关对象工作原理的细节。...

weixin_39929646的博客 252

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python——继承

继承是一种面向对象编程的机制,允许一个类(子类)从另一个类(父类)继承属性和方法。子类可以扩展或修改父类的功能。多继承是指一个类可以继承多个父类,从而获得多个父类的属性和方法。这在某些复杂场景下非常有用,但也可能带来混乱和复杂性。Mixin类是一种设计模式,用于提供特定功能,但不单独实例化。Mixin类通常是用来扩展其他类的功能,避免多继承带来的复杂性。继承:允许一个类从另一个类继承属性和方法,简化代码。调用父类方法:通过super()函数调用父类方法,实现代码重用。多继承。

pumpkin84514的博客 1152

python学习日志(六)"封装,继承,多态,Mixin,类的属性,魔法函数,抽象类,自定义类"

该部分知识点特别多,整理了很久,应该也没有整理完全,至此python的基本语法整理完毕,开始学习高级语法了! 封装 - 三个级别 公开:public 受保护的:protected 私有的:private 都不是关键字 - 判别对象位置 对象内部 对象外部 子类中 - 私有 私有成员是最高级别的封装,只能在当前类或对象中访问 在成员面前加两个下划线即可 class person(): ...

波波大仙的博客 274

24 - 面向对象基础-多继承-super-mro-Mixin

目录 1 类的继承 2 不同版本的类 3 基本概念 4 特殊属性和方法 5 继承中的访问控制 6 方法的重写(override) 6.1 super 6.2 继承中的初始化 7 多继承 ...

anhuoqiu1787的博客 136

Python类和对象

Python类和对象的学习笔记 本文章是作者在学习python的过程中的学习笔记,如果有错误请提醒 #本文档用于记录python class 的学习笔记(参考小甲鱼的视频进行学习) 一、Class 1. class = 属性+方法; 2. self 相当于c++中this指针: class ball: speed = 50 def setname(self, name): self.name = name 3.

qhjstc的博客 135

《100天精通Python——基础篇 2025 第14天:零基础玩转面向对象编程》

本篇文章系统讲解了 Python 的面向对象基础知识,包括对象与类的概念、类和对象的创建、实例属性和方法的使用,静态方法与类方法的区别与应用,封装、继承与多态的基本实现方式,并扩展介绍了 Mixin 混入模式的初步用法。文章定位为基础入门篇,不涉及复杂魔法方法和底层访问机制,适合初学者打下坚实的 OOP 基础,为后续进阶学习做好铺垫。

XAMO Lab|代码、调试与复盘笔记 2080

Python学习历程——Python面向对象编程详解

本文详细介绍了Python面向对象编程的核心概念,重点讲解了类与实例的定义、变量类型以及方法分类。主要内容包括: 类定义基础:使用class关键字创建类,解释类作为type类实例的元编程特性,以及通过type()动态创建类的方法。 变量类型:区分实例变量(每个对象独有)和类变量(所有实例共享),通过代码示例说明变量查找顺序和修改时的注意事项。 方法分类:介绍实例方法(默认)、类方法(@classmethod)和静态方法(@staticmethod)三种类型,强调self参数的作用和方法的调用方式。 文中通过

蓝桉 990

python面向对象思路_Python面向对象三要素-继承(Inheritance)

Python面向对象三要素-继承(Inheritance)作者:尹正杰版权声明:原创作品,谢绝转载!否则将追究法律责任。一.继承概述1>.基本概念前面我们学习了Python的面向对象三要素之一,封装。今天我们来学习一下继承(Inheritance)人类和猫类都继承自动物类。个体继承自父类,继承了父类的一部分特征,但也可以有自己的个性。再面向对象的世界中,从父类继承,就可以直接拥有父类的属性方...

weixin_39934296的博客 163

【Python】类与对象、自省、数据验证

在 Python 中,类是对象的抽象模板,用于定义对象的属性和行为。class ClassName : # 类的属性和方法其中,ClassName为类的名称,类的属性和方法需要缩进一个层级来声明。类的属性可以是实例属性和类属性。实例属性是每个对象单独拥有的属性,而类属性是所有对象共享的属性。类属性可以通过来访问,也可以通过来访问,但是在类属性和实例属性名字相同时,实例属性具有更高的优先级。类的方法可以是实例方法、类方法和静态方法。实例方法是针对对象的方法,其第一个参数为self,表示方法所属的对象。

黎明总是如期而至 609

《编写高质量代码 改善python程序的91个建议》读书笔记

前言: python 一切皆对象,此为前提。 一、关于函数:不要在函数中定义可变对象为默认值,使用异常替换返回错误,保证通过单元测试。python函数传递的是对象的引用。在类的初始化方法里,参数的默认值应该为None,因为默认参数在函数被调用时候仅仅被评估一次。 二、编码。 最开始使用ASCII使用一个字节(8bit)只能表示128个字符;unicode 实现了从数字代码到不同语言字符集之间的...

蕾姆的博客 385

Python 面向对象 高阶-描述符与设计模式#学习猿地

## 描述符 > 当一个类中,包含了三个魔术方法(`__get__,__set__,__delete__`)之一,或者全部时,那么这个类就称为描述符类 ### 作用 > 描述符的作用就是对一个类中的某个成员进行一个详细的管理操作(获取,赋值,删除) > 描述符就是代理了一个类中的成员的操作,描述符属于类,只能定义为类的属性 ### 三个魔术方法 ```pyt...

学习猿地 233
上一篇: 牛逼了,第一次知道 GitHub 上还有这么多好玩的项目...
下一篇: 下载 | 数学分析八讲(修订版)
Wang_AI
博客等级 码龄12年 998粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值