Python自动化开发 - 生成器、迭代器

本节内容

1、列表生成式

2、生成器

3、迭代器

 

一、列表生成式

 

 

需求：把列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]里，每个元素都加1

# 复制版，重新绑定 a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] b = [] for i in a: b.append(i + 1) a = b # enumerate版，原值修改 a = list(range(10)) print("a >:", a) for index, value in enumerate(a): a[index] = value + 1 print("a+1 >:", a) # map版 a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] a = map(lambda x: x + 1, a) print(a) # <map object at 0x000000E7FFF7B898> print(list(a)) # [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] View Code

还有一种叫做列表生成式

# 列表生成式 a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] b = [i + 1 for i in a] print(b)

　

二、生成器

 

 

通过列表生成式，可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，

不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。

所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，

从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator。

要创建一个generator，有很多种方法。

第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator：

>>> L = [x * x for x in range(10)] >>> L [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] >>> g = (x * x for x in range(10)) >>> g <generator object <genexpr> at 0x1022ef630>　

创建L和g的区别仅在于最外层的[]和()，L是一个list，而g是一个generator。

我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？

如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值：

>>> next(g) 0 >>> next(g) 1 >>> next(g) 4 >>> next(g) 9 >>> next(g) 16 >>> next(g) 25 >>> next(g) 36 >>> next(g) 49 >>> next(g) 64 >>> next(g) 81 >>> next(g) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration　

generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，

直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。

当然，上面这种不断调用next(g)实在是太变态了，正确的方法是使用for循环，因为generator也是可迭代对象：

>>> g = (x * x for x in range(10)) >>> for n in g:print(n)　

所以，我们创建了一个generator后，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。

generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现

 

比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, ...

斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

def fib(max): n, a, b = 0, 0, 1 while n < max: print(b) t = a +b b = a a = t n = n + 1 return 'done' fib(10) # 调用函数fib

fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator

 也就是说，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

def fib(max): n, a, b = 0, 0, 1 while n < max: # print(b) yield b t = a +b b = a a = t n = n + 1 return 'done'

这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator：

>>> f = fib(6) >>> f <generator object fib at 0x104feaaa0>

这里，最难理解的就是generator和函数的执行流程不一样。

函数是顺序执行，遇到return语句或者最后一行函数语句就返回。

而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。

data = fib(10) print(data) print(data.__next__()) print(data.__next__()) print("do something else") print(data.__next__()) print(data.__next__()) print(data.__next__()) print(data.__next__()) print(data.__next__()) #输出 <generator object fib at 0x101be02b0> 1 1 do something else 2 3 5 8 13 View Code

在上面fib的例子，我们在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来

同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代

for n in fib(6): print(n)

还可通过yield实现在单线程的情况下实现并发运算的效果

import time def consumer(name): print("%s 准备吃包子啦！" % name) while True: baozi = yield # 接收producer send过来的包子，赋值给包子变量 print("包子【%s】来了，被【%s】吃了" % (baozi, name)) def producer(name): c1 = consumer("Jonathan") c2 = consumer("Linda") c1.__next__() c2.__next__() print("%s 开始做包子了" % name) for i in range(10): print("做了2个包子") c1.send(i) # 调用next并传值给yield c2.send(i) producer("Alex") 通过生成器实现协程并行运算

 

三、迭代器

 

 

可以直接作用于for循环的数据类型有以下几种：

一类是集合数据类型，如list、tuple、dict、set、str等；

一类是generator，包括生成器和带yield的generator function

这些可以直接作用于for循环的对象统称为可迭代对象：Iterable

可以使用isinstance()判断一个对象是否是Iterable对象：

>>> from collections import Iterable >>> isinstance([], Iterable) True >>> isinstance({}, Iterable) True >>> isinstance('abc', Iterable) True >>> isinstance((x for x in range(10)), Iterable) True >>> isinstance(100, Iterable) False

而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值

可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator

可以使用isinstance()判断一个对象是否是Iterator对象：

>>> from collections import Iterator >>> isinstance((x for x in range(10)), Iterator) True >>> isinstance([], Iterator) False >>> isinstance({}, Iterator) False >>> isinstance('abc', Iterator) False　

生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator

把list、dict、str等Iterable变成Iterator可以使用iter()函数

>>> isinstance(iter([]), Iterator) True >>> isinstance(iter('abc'), Iterator) True　　

你可能会问，为什么list、dict、str等数据类型不是Iterator？

这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，

直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，

但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，

所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。

Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。

小结

凡是可作用于for循环的对象都是Iterable类型；

凡是可作用于next()函数的对象都是Iterator类型，它们表示一个惰性计算的序列；

集合数据类型如list、dict、str等是Iterable但不是Iterator，不过可以通过iter()函数获得一个Iterator对象。

Python的for循环本质上就是通过不断调用next()函数实现的，例如：

for x in [1, 2, 3, 4, 5]: pass

实际上完全等价于：

# 首先获得Iterator对象: it = iter([1, 2, 3, 4, 5]) # 循环: while True: try: # 获得下一个值: x = next(it) except StopIteration: # 遇到StopIteration就退出循环 break

 

转载于:https://www.cnblogs.com/jonathan1314/p/6419112.html