在 JavaScript 中，可以打印出函数的定义。有没有办法在 Python 中实现这一点？
（只是在交互模式下玩耍，我想在没有 open() 的情况下阅读模块。我只是好奇）。
【问题讨论】：
标签： python
如果是导入函数，可以使用inspect.getsource:
>>> import re
>>> import inspect
>>> print inspect.getsource(re.compile)
def compile(pattern, flags=0):
"Compile a regular expression pattern, returning a pattern object."
return _compile(pattern, flags)
这将在交互式提示中起作用，但显然仅适用于导入的对象（不是在交互式提示中定义的对象）。当然，它只有在 Python 可以找到源代码时才有效（所以不能在内置对象、C 库、.pyc 文件等上）
【讨论】：
如果您使用的是iPython，您可以使用function_name? 来获取帮助，如果可以的话，function_name?? 会打印出来源。
【讨论】：
这就是我想出的方法：
import inspect as i
import sys
sys.stdout.write(i.getsource(MyFunction))
这会取出换行符并将函数很好地打印出来
【讨论】：
虽然我通常同意inspect 是一个很好的答案，但我不同意您无法获得解释器中定义的对象的源代码。如果您使用dill 中的dill.source.getsource，您可以获得函数和lambda 的来源，即使它们是交互定义的。
它还可以从 curries 中定义的绑定或未绑定的类方法和函数中获取代码......但是，如果没有封闭对象的代码，您可能无法编译该代码。
>>> from dill.source import getsource
>>>
>>> def add(x,y):
... return x+y
...
>>> squared = lambda x:x**2
>>>
>>> print getsource(add)
def add(x,y):
return x+y
>>> print getsource(squared)
squared = lambda x:x**2
>>>
>>> class Foo(object):
... def bar(self, x):
... return x*x+x
...
>>> f = Foo()
>>>
>>> print getsource(f.bar)
def bar(self, x):
return x*x+x
>>>
【讨论】：
您可以使用 __doc__ 关键字：
#print the class description
print string.__doc__
#print function description
print open.__doc__
【讨论】：
__doc__ 实际上 返回的是代码作者放入文档字符串（三引号字符串）中的任何内容。不多也不少。
使用help(function)获取功能描述。
你可以阅读更多关于help()here的信息。
【讨论】：
可以在函数中使用__doc__，以hog()函数为例：
你可以像这样看到hog()的用法：
from skimage.feature import hog
print hog.__doc__
输出将是：
Extract Histogram of Oriented Gradients (HOG) for a given image.
Compute a Histogram of Oriented Gradients (HOG) by
1. (optional) global image normalisation
2. computing the gradient image in x and y
3. computing gradient histograms
4. normalising across blocks
5. flattening into a feature vector
Parameters
----------
image : (M, N) ndarray
Input image (greyscale).
orientations : int
Number of orientation bins.
pixels_per_cell : 2 tuple (int, int)
Size (in pixels) of a cell.
cells_per_block : 2 tuple (int,int)
Number of cells in each block.
visualise : bool, optional
Also return an image of the HOG.
transform_sqrt : bool, optional
Apply power law compression to normalise the image before
processing. DO NOT use this if the image contains negative
values. Also see `notes` section below.
feature_vector : bool, optional
Return the data as a feature vector by calling .ravel() on the result
just before returning.
normalise : bool, deprecated
The parameter is deprecated. Use `transform_sqrt` for power law
compression. `normalise` has been deprecated.
Returns
-------
newarr : ndarray
HOG for the image as a 1D (flattened) array.
hog_image : ndarray (if visualise=True)
A visualisation of the HOG image.
References
----------
* http://en.wikipedia.org/wiki/Histogram_of_oriented_gradients
* Dalal, N and Triggs, B, Histograms of Oriented Gradients for
Human Detection, IEEE Computer Society Conference on Computer
Vision and Pattern Recognition 2005 San Diego, CA, USA
Notes
-----
Power law compression, also known as Gamma correction, is used to reduce
the effects of shadowing and illumination variations. The compression makes
the dark regions lighter. When the kwarg `transform_sqrt` is set to
``True``, the function computes the square root of each color channel
and then applies the hog algorithm to the image.
【讨论】：