Python装饰器就像函数或类的包装器。这还是太概念化了。

def function_decorator(func):
    def wrapped_func():
        # Do something before the function is executed
        func()
        # Do something after the function has been executed
    return wrapped_func

上面的代码是装饰函数的装饰器的定义。function_decorator是装饰器的名称。

wrapped_func是内部函数的名称，实际上它只在这个decorator定义中使用。func是被修饰的函数。在内部函数wrapped_func中，我们可以在调用func之前和之后执行任何操作。在定义了decorator之后，我们只需按如下方式使用它。

@function_decorator
def func():
    pass

然后，每当我们调用函数func时，我们在decorator中定义的行为也将被执行。

例子：

from functools import wraps

def mydecorator(f):
    @wraps(f)
    def wrapped(*args, **kwargs):
        print "Before decorated function"
        r = f(*args, **kwargs)
        print "After decorated function"
        return r
    return wrapped

@mydecorator
def myfunc(myarg):
    print "my function", myarg
    return "return value"

r = myfunc('asdf')
print r

输出：

    Before decorated function
    my function asdf
    After decorated function
    return value

@可以是数学运算符或DECORATOR，但您的意思是DECORATOR。

此代码：

def func(f):
    return f

func(lambda :"HelloWorld")()

使用decorator可以写成：

def func(f):
    return f
@func
def name():
    return "Hello World"

name()

装饰器可以有参数。

你可以看到这个GeeksforGeeks帖子：https://www.geeksforgeeks.org/decorators-in-python/

从Python 3.5开始，“@”用作矩阵乘法的专用中缀符号（PEP 0465——请参见https://www.python.org/dev/peps/pep-0465/)

它表示您正在使用装饰器。这是布鲁斯·埃克尔2008年的例子。

行开头的@符号用于类和函数修饰符：

PEP 318：装饰Python装饰器

最常见的Python装饰器有：

@财产@分类法@静态方法

行中间的@可能是矩阵乘法：

@作为二进制运算符。

“at”（@）符号在Python中做什么？

简而言之，它用于装饰器语法和矩阵乘法。

在decorator的上下文中，此语法：

@decorator
def decorated_function():
    """this function is decorated"""

相当于：

def decorated_function():
    """this function is decorated"""

decorated_function = decorator(decorated_function)

在矩阵乘法的上下文中，a@b调用a.__matmul__（b）-生成以下语法：

a @ b

相当于

dot(a, b)

and

a @= b

相当于

a = dot(a, b)

例如，其中dot是numpy矩阵乘法函数，a和b是矩阵。

你怎么能自己发现这一点？

我也不知道要搜索什么，因为搜索Python文档或Google在包含@符号时不会返回相关结果。

如果您想对特定的python语法有一个相当完整的视图，请直接查看语法文件。对于Python 3分支：

~$ grep -C 1 "@" cpython/Grammar/Grammar 

decorator: '@' dotted_name [ '(' [arglist] ')' ] NEWLINE
decorators: decorator+
--
testlist_star_expr: (test|star_expr) (',' (test|star_expr))* [',']
augassign: ('+=' | '-=' | '*=' | '@=' | '/=' | '%=' | '&=' | '|=' | '^=' |
            '<<=' | '>>=' | '**=' | '//=')
--
arith_expr: term (('+'|'-') term)*
term: factor (('*'|'@'|'/'|'%'|'//') factor)*
factor: ('+'|'-'|'~') factor | power

我们可以在这里看到@用于三种上下文：

装饰工因子之间的运算符增广赋值算子

Decorator语法：

在谷歌搜索“decorator python docs”时，最重要的结果之一是“python语言参考”的“复合语句”部分。向下滚动到函数定义部分，我们可以通过搜索单词“decorater”找到该部分，我们看到。。。有很多书要读。但单词“decorator”是词汇表的链接，它告诉我们：

室内装修设计师返回另一个函数的函数，通常使用@wrapper语法作为函数转换应用。常见的装饰器的示例有classmethod（）和staticmethod（（）。decorator语法只是语法糖，以下两个函数定义在语义上是等价的：定义f（…）：...f=静态方法（f）@静态方法定义f（…）：...类也存在相同的概念，但在那里不太常用。有关函数定义和类定义，请参阅文档了解有关装饰器的更多信息。

所以，我们看到了

@foo
def bar():
    pass

在语义上与：

def bar():
    pass

bar = foo(bar)

它们并不完全相同，因为Python使用decorator（@）语法在bar之前计算foo表达式（可以是点查找和函数调用），但在另一种情况下，在bar之后计算foo。

（如果这种差异对代码的含义产生了影响，你应该重新考虑你的生活，因为这是病态的。）

堆叠式装饰器

如果我们回到函数定义语法文档，我们会看到：

@f1（参数）@f2（f2）def func（）：传递大致相当于def func（）：传递函数=f1（参数）（f2（函数））

这是一个演示，我们可以首先调用一个装饰器函数，以及堆栈装饰器。在Python中，函数是第一类对象，这意味着您可以将函数作为参数传递给另一个函数，并返回函数。装饰师同时做这两件事。

如果我们堆叠装饰器，那么函数（如定义的那样）首先传递给紧挨着它上面的装饰器，然后传递给下一个，依此类推。

这个about总结了装饰器上下文中@的用法。

操作员@

在语言参考的词法分析部分，我们有一个关于运算符的部分，其中包括@，这使它也是一个运算符：

以下标记是运算符：+ - * ** / // % @<< >> & | ^ ~< > <= >= == !=

在下一页的数据模型中，我们有模拟数字类型一节，

对象__添加__（自己，其他）对象__sub__（自己，其他）对象__多__（自己，其他）对象__matmul__（自己，其他）对象__truediv__（自己，其他）对象__floordiv__（自己，其他）[...]调用这些方法来实现二进制算术运算（+，-，*，@，/，//，[…]

我们看到__matmul__对应于@。如果我们在文档中搜索“matmul”，我们会在标题“PEP465-用于矩阵乘法的专用中缀运算符”下找到Python 3.5新增内容的链接。

它可以通过定义__matmul__（）、__rmatmul__（）和__imatmul__（）用于正则、反射和就地矩阵乘法。

（现在我们了解到@=是就地版本）。它进一步解释了：

矩阵乘法在许多领域中是一种非常常见的运算数学、科学、工程以及@allows的添加编写清洁器代码：S=（H@beta-r）.T@inv（H@V@H.T）@（H@beta-r）而不是：S＝点（（点（H，β）-r）.T，dot（inv（dot（点（H，V），H.T）），dot（H，beta）-r））

虽然这个运算符可以重载，几乎可以做任何事情，例如，在numpy中，我们可以使用这个语法来计算数组和矩阵的内积和外积：

>>> from numpy import array, matrix
>>> array([[1,2,3]]).T @ array([[1,2,3]])
array([[1, 2, 3],
       [2, 4, 6],
       [3, 6, 9]])
>>> array([[1,2,3]]) @ array([[1,2,3]]).T
array([[14]])
>>> matrix([1,2,3]).T @ matrix([1,2,3])
matrix([[1, 2, 3],
        [2, 4, 6],
        [3, 6, 9]])
>>> matrix([1,2,3]) @ matrix([1,2,3]).T
matrix([[14]])

就地矩阵乘法：@=

在研究先前的用法时，我们了解到还有原地矩阵乘法。如果我们尝试使用它，我们可能会发现它尚未为numpy实现：

>>> m = matrix([1,2,3])
>>> m @= m.T
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: In-place matrix multiplication is not (yet) supported. Use 'a = a @ b' instead of 'a @= b'.

当它实现时，我希望结果如下：

>>> m = matrix([1,2,3])
>>> m @= m.T
>>> m
matrix([[14]])