java开发者在定义类中的方法时，不会关心方法的定义相对于调用语句的位置。

但是python中需要注意：

函数必须先定义、后调用(函数调用函数例外)。

如下为示例说明：

1、python函数的应用一般需要：先定义、后调用：

2、如果函数定义在调用之后，执行将报错：

3、函数中调用函数不受此限制：

4、但是语句对函数调用，必须在函数调用之后，包括直接调用的函数调用的其他函数也必须在调用语句之前，否则报错：

补充知识：Python的列表等变量的声明必须要在函数定义与函数调用之前

源代码

—–这个代码作用是调用Linux应用终端操作来实现计算，并把计算结果取出来，组成相似矩阵，有五组值也就是有五组相似矩阵，这个是我做蛋白质结构预测用到的，自己写的，分享出来给大家，如有疑惑，欢迎评论区交流。 # 此代码主要为说明问题，后面我会贴上完整代码以及数据。

def cal_simi(n):

file = os.popen('cd '+path[n-1]+';ls').readlines()

RMSD_simi = []

TMscore_simi = []

MasSubscore_simi = []

GDTTSscore_simi = []

GDTHAscore_simi = []

for fileName1 in file:

temp1 = [];temp2=[];temp3=[];temp4=[];temp5=[]

for fileName2 in file:

comm = 'cd /home/stern/Desktop/TMscore;' + 'sudo ./TMscore ' + path[n-1] + fileName1[:-1] +' '+ path[n-1] + fileName2[:-1]

# storge the result of the command in data

data = os.popen(comm).readlines()

temp1.append(data[14][32:38]);temp2.append(data[16][14:20]);temp3.append(data[17][14:20])

temp4.append(data[18][14:20]);temp5.append(data[19][14:20])

RMSD_simi.append(temp1)

TMscore_simi.append(temp2)

MasSubscore_simi.append(temp3)

GDTTSscore_simi.append(temp4)

GDTHAscore_simi.append(temp5)

p1 = np.median(RMSD_simi);p2 = np.median(TMscore_simi);p3 = np.median(MasSubscore_simi)

p4 = np.median(GDTTSscore_simi);p5 = np.median(GDTHAscore_simi)

for i in range(len(file)):

RMSD_simi[i][i] = p1

TMscore_simi[i][i] = p2

MasSubscore_simi[i][i] = p3

GDTTSscore_simi[i][i] = p4

GDTHAscore_simi[i][i] = p5

return RMSD_simi,TMscore_simi,MasSubscore_simi,GDTTSscore_simi,GDTHAscore_simi

Xn = ['1abv_','1af7_','1cqkA','1csp_','1dcjA','256bA']

path = ['/home/stern/Desktop/1abv_/','/home/stern/Desktop/1af7_/','/home/stern/Desktop/1cqkA/',

'/home/stern/Desktop/1csp_/','/home/stern/Desktop/1dcjA/','/home/stern/Desktop/256bA/']

# fsadf

RMSD_simi1 = []

TMscore_simi1 = []

MasSubscore_simi1 = []

GDTTSscore_simi1 = []

GDTHAscore_simi1 = []

RMSD_simi1,TMscore_simi1,MasSubscore_simi1,GDTTSscore_simi1,GDTHAscore_simi1=cal_simi(1)

print RMSD_simi1[1][1]

print TMscore_simi1[2][2]

print MasSubscore_simi1[3][3]

print GDTTSscore_simi1[4][4]

print GDTHAscore_simi1[5][5]

运行结果

—–运行结果，错误如下，如果把# fsadf后面的列表的声明提到函数定义的前面，则错误就没有了，列表的声明必须要在函数的调用之前，这个就更不用讲了，如果你不在函数调用之前的话，会提示列表不存在。。 Xn = ['1abv_','1af7_','1cqkA','1csp_','1dcjA','256bA']

File "", line 30

Xn = ['1abv_','1af7_','1cqkA','1csp_','1dcjA','256bA']

^

SyntaxError: invalid syntax

>>> path = ['/home/stern/Desktop/1abv_/','/home/stern/Desktop/1af7_/','/home/stern/Desktop/1cqkA/',

... '/home/stern/Desktop/1csp_/','/home/stern/Desktop/1dcjA/','/home/stern/Desktop/256bA/']

以上这篇Python函数必须先定义,后调用说明(函数调用函数例外)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持聚米学院。

2016-03-31 回答

函数式编程是使用一系列函数去解决问题，按照一般编程思维，面对问题时我们的思考方式是“怎么干”，而函数函数式编程的思考方式是我要“干什么”。 至于函数式编程的特点暂不总结，我们直接拿例子来体会什么是函数式编程。

lambda表达式(匿名函数)：

普通函数与匿名函数的定义方式：

#普通函数

def add(a,b):

return a + b

print add(2,3)

#匿名函数

add = lambda a,b : a + b

print add(2,3)

#========输出===========

5

5

匿名函数的命名规则，用lamdba 关键字标识，冒号(：)左侧表示函数接收的参数(a,b) ,冒号(：)右侧表示函数的返回值(a+b)。

因为lamdba在创建时不需要命名，所以，叫匿名函数^_^

map函数：

计算字符串长度

abc = ['com','fnng','cnblogs']

for i in range(len(abc)):

print len(abc[i])

#========输出===========

3

4

7

定义abc字符串数组，计算abc长度然后循环输出数组中每个字符串的长度。

来看看map()函数是如何来实现这个过程的。

abc_len = map(len,['hao','fnng','cnblogs'])

print abc_len

#========输出===========

[3, 4, 7]

虽然，输出的结果中是一样的，但它们的形式不同，第一种是单纯的数值了，map()函数的输出仍然保持了数组的格式。

大小写转换；

python提供有了，upper() 和 lower() 来转换大小写。

#大小写转换

ss='hello world!'

print ss.upper() #转换成大写

print ss.lower() #转换成小写

#========输出===========

hello world!

hello world!

通过map()函数转换：

def to_lower(item):

return item.lower()

name = map(to_lower,['com','fnng','cnblogs'])

print name

#========输出===========

['com', 'fnng', 'cnblogs']

这个例子中我们可以看到，我们写义了一个函数toupper，这个函数没有改变传进来的值，只是把传进来的值做个简单的操作，然后返回。然后，我们把其用在map函数中，就可以很清楚地描述出我们想要干什么。

再来看看普通的方式是如何实现字符串大小写转换的：

abc = ['com','fnng','cnblogs']

lowname = []

for i in range(len(abc)):

lowname.append(abc[i].lower())

print lowname

#========输出===========

['hao', 'fnng', 'cnblogs']

map()函数加上lambda表达式(匿名函数)可以实现更强大的功能。

#求平方

#0*0,1*1,2*2,3*3,....8*8

squares = map(lambda x : x*x ,range(9))

print squares

#========输出===========

[0, 1, 4, 9, 16, 25, 36, 49, 64]

reduce函数：

def add(a,b):

return a+b

add = reduce(add,[2,3,4])

print add

#========输出===========

9

对于reduce函数每次是需要对两个数据进行处理的，首选取2 和3 ，通过add函数相加之后得到5，接着拿5和4 ，再由add函数处理，最终得到9 。

在前面map函数例子中我们可以看到，map函数是每次只对一个数据进行处理。

然后，我们发现通过reduce函数加lambda表达式式实现阶乘是如何简单：

#5阶乘

#5！=1*2*3*4*5

print reduce(lambda x,y: x*y, range(1,6))

#========输出===========

120

python中的除了map和reduce外，还有一些别的如filter, find, all, any的函数做辅助(其它函数式的语言也有)，可以让你的代码更简洁，更易读。 我们再来看一个比较复杂的例子：

#计算数组中正整数的值

number =[2, -5, 9, -7, 2, 5, 4, -1, 0, -3, 8]

count = 0

sum = 0

for i in range(len(number)):

if number[i]>0:

count += 1

sum += number[i]

print sum,count

if count>0:

average = sum/count

print average

#========输出===========

30 6

5

如果用函数式编程，这个例子可以写成这样：

number =[2, -5, 9, -7, 2, 5, 4, -1, 0, -3, 8]

sum = filter(lambda x: x>0, number)

average = reduce(lambda x,y: x+y, sum)/len(sum)

print average

#========输出===========

5

最后我们可以看到，函数式编程有如下好处：

1)代码更简单了。

2)数据集，操作，返回值都放到了一起。

3)你在读代码的时候，没有了循环体，于是就可以少了些临时变量，以及变量倒来倒去逻辑。

4)你的代码变成了在描述你要干什么，而不是怎么去干。