python基础学习——静态方法、类方法

本文深入解析Python中的静态方法和类方法,通过实例对比其调用方式及应用场景,探讨装饰器概念,并引用《Python基础教程第三版》解释其在编程实践中的作用。

最近温故了一下 python 基础知识,有新的理解,整理在此,以便以后查阅或纠正。

本文描述一下静态方法和类方法,引出装饰器的概念,在下一篇博文中记录。


先举例,看效果:

 1 class MyClass:
 2     def smeth():
 3         print('This is a static method')
 4     smeth = staticmethod(smeth)
 5 
 6     def cmeth(cls):
 7         print('This is a class method of', cls)
 8     cmeth = classmethod(cmeth)
 9 
10 # 或用装饰器
11 class MyClass:
12     @staticmethod
13     def smeth():
14         print('This is a static method')
15 
16     @classmethod
17     def cmeth(cls):
18         print('This is a class method of', cls)

定义这些方法后,就可像下面这样使用它们(无需实例化类):

 

In [24]: MyClass.smeth()
This is a static method

In [25]: MyClass.cmeth()
This is a class method of <class '__main__.MyClass'>

上一篇文章提到的例子中出现的报错,可以用类方法包装一下消除,而用静态方法不可,其实问题不是这样的。

In [31]: class Foo:
...: @classmethod
...: def func(cls):
...: print('This is class method')

@staticmethod
def stat():
  print('This is static method')

def cust(self):
  print('If you want to call me, write some agrs here')

In [32]: Foo.func()
This is class method
In [33]: Foo.stat()
This is static method
In [34]: Foo.cust()
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-72-2f40225d37e1> in <module>()
----> 1 Foo.cust()

TypeError: cust() missing 1 required positional argument: 'self'

In [35]: Foo.cust(123)
If you want to call me, write some agrs here

 

之所以出现这种情况,就在于静态方法和类方法创建的过程,它们分别包装在 staticmethod 和 classmethod 类的对象中。
  静态方法的定义中没有参数 self,可直接通过类来调用;
  类方法的定义中包含类似于 self 的参数,通常被命名为 cls。对于类方法,也可通过对象直接调用,这时参数 cls 将自动关联到类。
  而普通的方法则需要传递一个 self 参数,否则就会报错

说了这么多,静态方法和类方法在编程中起什么作用,或是哪些情况下要用到它们?
  我个人缺少编程的经验,日常项目练习中也很少用到这个方法,所以只能拾人牙慧,摘录如下:

  在 Python 中,静态方法和类方法以前一直都不太重要,主要是因为从某种程度上说,总是可以使用函数或关联的方法替代它们,而且早期的 Python 版本并不支持它们。

  因此,虽然较新的代码没有大量使用它们,但它们确实有用武之地(如工厂函数),因此你或许应该考虑使用它们。--摘自《python基础教程第三版》

 

以下两位博主的总结很清晰易懂,可做参考

Done博主   ITxiaoke博主

【多变量输入超前多步预测】基于CNN-BiLSTM的光伏功率预测研究(Matlab代码实现)内容概要:本文介绍了基于CNN-BiLSTM模型的多变量输入超前多步光伏功率预测方法,并提供了Matlab代码实现。该研究结合卷积神经网络(CNN)强大的特征提取能力与双向长短期记忆网络(BiLSTM)对时间序列前后依赖关系的捕捉能力,构建了一个高效的深度学习预测模型。模型输入包含多个影响光伏发电的气象与环境变量,能够实现对未来多个时间步长的光伏功率进行精确预测,适用于复杂多变的实际应用场景。文中详细阐述了数据预处理、模型结构设计、训练流程及实验验证过程,展示了该方法相较于传统模型在预测精度和稳定性方面的优势。; 适合人群:具备一定机器学习和深度学习基础,熟悉Matlab编程,从事新能源预测、电力系统分析或相关领域研究的研发人员与高校研究生。; 使用场景及目标:①应用于光伏电站功率预测系统,提升电网调度的准确性与稳定性;②为可再生能源并网管理、能量存储规划及电力市场交易提供可靠的数据支持;③作为深度学习在时间序列多步预测中的典型案例,用于科研复现与教学参考。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注数据归一化、CNN特征提取层设计、BiLSTM时序建模及多步预测策略的实现细节,同时可尝试引入更多外部变量或优化网络结构以进一步提升预测性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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