使用assert断言是学习python一个非常好的习惯，python assert 断言句语格式及用法很简单。在没完善一个程序之前，我们不知道程序在哪里会出错，与其让它在运行最崩溃，不如在出现错误条件时就崩溃，这时候就需要assert断言的帮助。本文主要是讲assert断言的基础知识。
   assert断言语句用来声明某个条件是真的，其作用是测试一个条件(condition)是否成立，如果不成立，则抛出异常。

   assert一般用法：
           assert condition
   等同下面的逻辑：
   如果condition为false，就raise一个AssertionError出来。逻辑上等同于：
          if not condition:
                  raise AssertionError()

   另一种使用方法：
           assert condition，expression
   如果condition为false，就raise一个描述为 expression 的AssertionError出来。逻辑上等同于：
   if not condition:
           raise AssertionError(expression)

   如何为assert断言语句添加异常参数
   assert的异常参数，其实就是在断言表达式后添加字符串信息，用来解释断言并更好的知道是哪里出了问题。格式如下：
  assert expression [, arguments]
  assert 表达式 [, 参数]

eg:下面是一个封装好的机器学习的KNN算法的一个类，包含了断言：

encoding:utf-8

author = 'zhoupao'
date = '2018/9/8 13:56'

import numpy as np
from math import sqrt
from collections import Counter

class KNNClassifier:
def init(self,k):
"""初始化"""
assert k>=1, "k must be valid"
self.k=k
self._X_train=None
self._y_train=None

def fit(self,X_train,y_train):
    """
    根据训练数据集X_train和y_train训练KNN分类器
    :param X_train:
    :param y_train:
    :return:
    """
    assert X_train.shape[0]==y_train.shape[0], "the size of X_train must be equal to the size of y_train"
    assert self.k==X_train.shape[0], "the size of X_train must be at least k"\

    self._X_train=X_train
    self._y_train=y_train

    return self

def predict(self,X_predict):
    """
    给定待预测数据集X——predict,返回表示X_predict的结果向量
    :param X_predict:
    :return:
    """
    assert self._X_train is not None and self._y_train is not None, "must fit before predict"
    assert X_predict.shape[1] == self._X_train.shape[1], "the feature number of X_predict must be equal to X_train"

def _prefit(self,x):
    """
    给定单个待定预测数据x，返回x的预测结果集
    :param x:
    :return:
    """
    assert x.shape[0]==self._X_train.shape[1], "the feature number of x must be equal to X_train"
    # 计算给定预测数据和所有样本的所有x的距离
    distances=[sqrt(np.sum((x_train-x)**2)) for x_train in self._X_train]
    # 进行排序
    nearest=np.argsort(distances)

    topK_y=[self._y_train[i] for i in nearest[:self.k]]

    votes=Counter(topK_y)

    return votes.most_common(1)[0][0]