day4-生成器&迭代器

一 列表生成式

现在有个需求，列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],要求你把列表里的每个值加1，你怎么实现？你可能会想到2种方式

>>> a = [0,1,2,3,4,5,6,7,8,9]
>>> b = []
>>> a
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>> for i in a:b.append(i+1)
...
>>> b
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
>>> a
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

a = [0,1,2,3,4,5,6]
for index,line in enumerate(a):
    a[index] += 1
print(a)

修改原值

>>> a
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>> a = map(lambda x:x+1,a)
>>> a
<map object at 0x04F21970>
>>> for i in a:print(i)
...
1
2
3
4
5
6
7
8
9
10

还有一种写法

>>> a = [i+1 for i in range(10)]
>>> a
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

这是列表生成

二 生成器

通过列表生成式，我们可以直接创建一个列表，但是，受到内存的限制，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，不仅占用很大存储空间，如果我们仅仅需要访问

前面几个元素，那么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元素呢？这样就不用创建完成的list,从而节省大量的空间。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
[0, 1, 4, 9, 16]
>>> g = (x * x for x in range(5))
>>> g
<generator object <genexpr> at 0x04F29420>

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来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)

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，知道计算到最后一个元素，没有更多元素时抛出StopIteration的错误。

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(5))
>>> g
<generator object <genexpr> at 0x04F29450>
>>> for i in g:
...     print(i)
...
0
1
4
9
16

所以，我们创建一个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，著名的斐波那契数列，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，...

斐波那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)
        a,b = b,a+b
        n = n+1
    return "done"

fib(10)

上面的函数可以i输出斐波那契数列的前N个数，可以看出，fib函数实际上是定义了斐波那契数列的推算规则，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
        a,b = b,a+b
        n = n+1
    return "done"

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

f = fib(10)
print(f)

#输出
<generator object fib at 0x050B54B0>

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

f = fib(10)
print(f)
print(f.__next__())
print(f.__next__())
print(f.__next__())
print("干点别的事")
print(f.__next__())
print(f.__next__())

#输出
<generator object fib at 0x055254E0>
1
1
2
干点别的事
3
5

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 i in fib(10):
    print(i)

但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration，返回值包含在StopItreration的value中：

def fib(max):
    n,a,b = 0,0,1
    while n < max:
        #print(b)
        yield b
        a,b = b,a+b
        n = n+1
    return "done"

g = fib(10)
while True:
    try:
        x = next(g)
        print("g:",x)
    except StopIteration as e:
        print("Generator return value:",e.value)
        break

#输出
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
g: 13
g: 21
g: 34
g: 55
Generator return value: done

三 生成器并行运算

生成器执行原理

def consumer(name):
    print("%s 准备吃包子了！" % name)
    while True:
        baozi = yield
        print("包子[%s]来了，被[%s]吃了" % (baozi,name))

c = consumer("alex")
c.__next__()
c.__next__()
c.__next__()

Pycharm调试结果：

第一步：生成一个生成器

第二步：执行第一个__next__()方法进入函数，执行到yield时中断，把返回值返回给baozi这个变量

第三步：开始执行下面的程序，也就是执行到了第二个__next__()方法，直接跳转到yield这边，继续上一次的中断往下执行，这样就执行了yield下面的程序，当再次执行到yield关键字时，则继续中断，并且把返回值赋给baozi关键字，如果下面没有其他程序，则程序结束。

小结：

　　1. 用yield做生成器，想把什么返回到外面，就把yield关键字放在那里。

　　2. yield其实是保留了函数的中断状态，返回当前的值。

　　3. 如果yield没有返回值，就返回一个空值None。

send()方法和__next__()方法的区别

def consumer(name):
    print("%s 准备吃包子了！" % name)
    while True:
        baozi = yield
        print("包子[%s]来了，被[%s]吃了" % (baozi,name))

c = consumer("alex")
c.__next__()  #不适用__next__()方法会报错
b1 = "韭菜馅"
c.send(b1)  #调用yield，同时给yield传一个值
b2 = "大蒜馅"
c.send(b2)

#输出
alex 准备吃包子了！
包子[韭菜馅]来了，被[alex]吃了
包子[大蒜馅]来了，被[alex]吃了

从上面可以看出send()方法和__next__()方法的区别：

1. __next__()只是调用这个yield，也可以说成是唤醒yield，但是不会给yield传值

2. send()调用yield或者说唤醒yield的同时，也会给yield传一个值

3. 使用send()函数之前必须使用__next__(),因为先要中断，当第二次调用时，才可传值

为什么给消费者传值时，必须先执行__next__()方法？

因为如果不执行一个__next__()方法，只是把函数变成一个生成器，只有调用__next__方法，才能走到第一个yield然后就返回了，调用下一个send()传值时，才会发包子。

yield实现并行效果

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 准备吃包子了！" % name)
    while True:
        baozi = yield
        print("包子[%s]来了，被[%s]吃了" % (baozi,name))

def producer(name):
    c = consumer("A")
    c2 = consumer("B")
    c.__next__()
    c2.__next__()
    print("准备做包子啦！")
    for i in range(10):
        time.sleep(1)
        print("做一个包子，分凉拌")
        c.send(i)
        c2.send(i)

producer("alex")

 这个是生产者消费者模式，这个也就是后面协程的效果。

三 迭代器

我们已经知道，可以i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循坏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
>>> isinstance(100,int)
True
>>>

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一个值了。

 *可以被next()函数调用并不断返回下一个值的对象成为迭代器：Tterator

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("abc",Iterator)
False
>>> isinstance(map(lambda x:x+1,[0,1]),Iterator)
True

 

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作是一个有序序列，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线大的数据流，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/Easonlou/p/8337245.html