Python高级特性是解决实际问题的自然延伸：生成器节省内存，装饰器统一处理日志/超时，闭包封装配置；函数式工具（lambda、map/filter/reduce、闭包）提升简洁性与可组合性；生成器实现惰性计算；OOP通过协议、魔术方法、@property、dataclass增强灵活性；装饰器与上下文管理器提升健壮性与资源安全。
Python高级特性不是“炫技工具”，而是解决实际问题的自然延伸——比如用生成器省下几百MB内存，靠装饰器统一处理日志或超时，借闭包封装配置而不暴露全局变量。掌握它们的关键，在于理解“为什么需要”，而不是死记语法。
函数式编程能力：简洁、可组合、无副作用
Python虽非纯函数式语言，但提供了足够支撑函数思维的核心工具：
-
Lambda 表达式：适合单行简单逻辑，如
key=lambda x: x['age']用于排序；避免嵌套过深或含复杂语句 -
map/filter/reduce：替代显式 for 循环更声明式；
map(str.upper, names)比写循环更直白；reduce适合累积计算（如求积、拼接），但注意可读性 -
闭包：本质是“携带环境的函数”；典型用途是创建带默认参数的工厂函数，例如
make_adder(n)返回一个每次加n的函数，比反复传参更干净
惰性计算与内存友好：生成器是核心生产力
当数据规模超出内存承受范围，或逻辑天然按需产生结果时，生成器不是“进阶选项”，而是必选项：
-
生成器表达式：
(x**2 for x in range(10**6))几乎零内存开销，而列表推导式会立刻分配数百万整数空间 - yield 函数：适用于状态保持场景，如逐行读大文件、流式解析 JSON、实现斐波那契无限序列；函数暂停/恢复靠的是内部状态机，不是线程
-
协程基础：用
yield接收外部输入（gen.send(value)），可构建简单管道，如日志过滤器链、数据清洗流水线
面向对象的灵活扩展：不靠继承，靠协议与修饰
Python 的 OOP 强调“行为协议”而非 rigid 类型约束，高级特性让类更轻量、更可组合：
立即学习“Python免费学习笔记（深入）”；
-
魔术方法（Dunder Methods）：让自定义类像内置类型一样自然；
__len__支持len(obj)，__eq__支持==，__call__让实例可调用，减少模板代码 - @property 和 setter：把属性访问变成受控方法调用；无需提前定义 getter/setter 方法名，直接用点号操作，同时支持校验、懒加载、触发事件
-
数据类（dataclass，Python 3.7+）：自动补全
__init__、__repr__、__eq__等，大幅减少样板代码；配合frozen=True可快速定义不可变结构体
运行时增强与控制：装饰器与上下文管理
这些特性不改变业务逻辑本身，却极大提升代码健壮性、可观测性和资源安全性：
-
装饰器：本质是“函数的函数”；常见用途包括计时（
@timeit）、重试（@retry(max_tries=3)）、权限检查（@require_role('admin')）；支持带参数的装饰器（即“装饰器工厂”） -
上下文管理器（with 语句）：确保资源正确释放；除
open()外，可用@contextmanager装饰器快速将任意函数转为上下文管理器，比如临时修改全局配置、切换数据库连接 - __slots__：限制实例属性名，节省内存并加速属性访问；特别适合高频创建大量轻量对象的场景（如解析 CSV 后的每行记录）
