深入理解Python生成器generator和迭代器Iterator

最新推荐文章于 2023-01-23 15:32:27 发布

黎先生你好

最新推荐文章于 2023-01-23 15:32:27 发布

阅读量389

点赞数 1

分类专栏： Python

本文链接：https://blog.csdn.net/dlmmu/article/details/105040369

版权

Python 专栏收录该内容

17 篇文章 0 订阅

订阅专栏

文章目录

生成器`generator`
迭代器`Iterator`
- 迭代器是什么
- 为什么list、dict、str等数据类型不是Iterator
参考

生成器`generator`

我们有时候会利用列表解析式生成一个列表，如下所示的代码功能是生成一个10以内的奇数列表

print([i for i in range(10) if i % 2 == 1])

这里i for i in range(10)生成的就是一个生成器generator，我们可以将其打印出来，如下代码示：

print(i for i in range(10))
# 结果
<generator object <genexpr> at 0x000002967560D6D0>

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

生成器是一个特殊的程序，可以被用作控制循环的迭代行为，python中生成器是迭代器的一种，使用yield返回值函数，每次调用yield会暂停，而可以使用next()函数和send()函数恢复生成器。

生成器类似于返回值为数组的一个函数，这个函数可以接受参数，可以被调用，但是，不同于一般的函数会一次性返回包括了所有数值的数组，生成器一次只能产生一个值，这样消耗的内存数量将大大减小，而且允许调用函数可以很快的处理前几个返回值，因此生成器看起来像是一个函数，但是表现得却像是迭代器

创建generator

要创建一个generator，有很多种方法，第一种方法很简单，只有把一个列表生成式的[]中括号改为（）小括号，就创建一个generator

alist = [x for x in range(10)]
print(alist)
#生成器
generator_ex = (x for x in range(10))
print(generator_ex)

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
<generator object <genexpr> at 0x0000018B2DBBD660>

那么创建list和generator_ex 的区别是什么呢？从表面看就是[ ]和（）,但是结果却不一样，一个打印出来是列表（因为是列表生成式），而第二个打印出来却是<generator object at 0x0000018B2DBBD660>，那么如何打印出来generator_ex的每一个元素呢？

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

generator_ex = (x for x in range(3))
print(next(generator_ex))
print(next(generator_ex))
print(generator_ex.__next__())
# 结果
0
1
2

# 如果调用4次next
print(next(generator_ex))
print(next(generator_ex))
print(generator_ex.__next__())
print(generator_ex.__next__())
# 结果	
StopIteration

我们可以看到，generator保存的是算法，每次调用next(generaotr_ex)就计算出他的下一个元素的值，直到计算出最后一个元素，没有更多的元素时，抛出StopIteration的错误，而且上面这样不断调用是一个不好的习惯，正确的方法是使用for循环，因为generator也是可迭代对象：

generator_ex = (x for x in range(3))
for i in generator_ex:
	print(i)
# 结果	
0
1
2

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，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。

生成器函数

也是用def定义的，利用关键字yield一次性返回一个结果，阻塞，重新开始。下面我们用一个fibnacci数列的例子谈谈生成器函数的作用，代码如下所示：

#fibonacci数列
def fib(max):
    n,a,b =0,0,1
    while n < max:
        a,b =b,a+b
        n = n+1
        print(a)
    return 'done'
 
a = fib(10)
print(fib(10))

# 上面我们发现，print(b)每次函数运行都要打印，占内存，所以为了不占内存，
# 我们也可以使用生成器，这里叫yield

def fib(max):
    n,a,b =0,0,1
    while n < max:
        yield b
        a,b =b,a+b
        n = n+1
    return 'done'
 
a = fib(10)
print(fib(10))

这里说一下generator和函数的执行流程，函数是顺序执行的，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，再次被next（）调用时候从上次的返回yield语句处急需执行，也就是用多少，取多少，不占内存。

通过yield在单线程的情况下实现并发运算

import time
def consumer(name):
    print("%s 准备学习啦!" %name)
    while True:
       lesson = yield
 
       print("开始[%s]了,[%s]老师来讲课了!" %(lesson,name))
 
 
def producer(name):
    c = consumer('A')
    c2 = consumer('B')
    c.__next__()
    c2.__next__()
    print("同学们开始上课 了!")
    for i in range(10):
        time.sleep(1)
        print("到了两个同学!")
        c.send(i) # send的作用是唤醒并继续执行，发送一个信息到生成器内部
        c2.send(i)

为什么叫生成器函数？因为它随着时间的推移生成了一个数值队列。一般的函数在执行完毕之后会返回一个值然后退出，但是生成器函数会自动挂起，然后重新拾起急需执行，他会利用yield关键字关起函数，给调用者返回一个值，同时保留了当前的足够多的状态，可以使函数继续执行，生成器和迭代协议是密切相关的，迭代器都有一个__next__()成员方法，这个方法要么返回迭代的下一项，要买引起异常结束迭代。

yield总结：
（1）通常的for…in…循环中，in后面是一个数组，这个数组就是一个可迭代对象，类似的还有链表，字符串，文件。他可以是a = [1,2,3]，也可以是a = [x*x for x in range(3)]。

它的缺点也很明显，就是所有数据都在内存里面，如果有海量的数据，将会非常耗内存。

（2）生成器是可以迭代的，但是只可以读取它一次。因为用的时候才生成，比如a = (x*x for x in range(3))。!!!注意这里是小括号而不是方括号。

（3）生成器（generator）能够迭代的关键是他有next()方法，工作原理就是通过重复调用next()方法，直到捕获一个异常。

（4）带有yield的函数不再是一个普通的函数，而是一个生成器generator，可用于迭代

（5）yield是一个类似return 的关键字，迭代一次遇到yield的时候就返回yield后面或者右面的值。而且下一次迭代的时候，从上一次迭代遇到的yield后面的代码开始执行

（6）yield就是return返回的一个值，并且记住这个返回的位置。下一次迭代就从这个位置开始。

（7）带有yield的函数不仅仅是只用于for循环，而且可用于某个函数的参数，只要这个函数的参数也允许迭代参数。

（8）send()和next()的区别就在于send可传递参数给yield表达式，这时候传递的参数就会作为yield表达式的值，而yield的参数是返回给调用者的值，也就是说send可以强行修改上一个yield表达式值。

（9）send()和next()都有返回值，他们的返回值是当前迭代遇到的yield的时候，yield后面表达式的值，其实就是当前迭代yield后面的参数。

（10）第一次调用时候必须先next（），之后才能send（）,否则会报错。在next()前调用send后之所以为None是因为这时候没有上一个yield，所以也可以认为next（）等同于send(None)

生成器表达式

生成器表达式来源于迭代和列表解析的组合，生成器和列表解析类似，但是它使用()而不是[ ]

list_comprehension = [x**2 for x in range(10)]
list_generator = (x**2 for x in range(10))

我们已经知道，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可Iterable对象

from collections import Iterable

list_comprehension = [x**2 for x in range(10)]
list_generator = (x**2 for x in range(10))
print(isinstance(list_comprehension , Iterable))
print(isinstance(list_generator , Iterable))

True
True

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了。

try:
	for i in list_generator:
		print(i)
except StopIteration:
	pass

0
1
4
9
16
25
36
49
64
81

迭代器`Iterator`

迭代器是什么

一个实现了iter方法的对象是可迭代的，一个实现next方法并且是可迭代的对象是迭代器。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。所以一个实现了iter方法和next方法的对象就是迭代器。

可以使用isinstance()判断一个对象是否是Iterator对象。

list_comprehension = [x**2 for x in range(10)]
list_generator = (x**2 for x in range(10))
print(isinstance(list_comprehension, Iterable)) # True
print(isinstance(list_comprehension, Iterator)) # False
print(isinstance(list_generator, Iterable)) 	# True
print(isinstance(list_generator, Iterator)) 	# True

生成器都是Iterator对象，但list、dict、str虽然是Iterable（可迭代对象），却不是Iterator（迭代器）。

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。list、dict、str等数据类型在定义的时候已经分配了内存，而Iterator是在调用next()时临时分配的。

! 需要注意的是文件既是可迭代对象，又是迭代器。

from collections import Iterator
from collections import Iterable

f = open('housing.csv')
print(isinstance(f,Iterator)) # True
print(isinstance(f,Iterable)) # True

Python3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

总结：

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。

参考

https://www.cnblogs.com/wj-1314/p/8490822.html

黎先生你好

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
深入理解Python生成器generator和迭代器Iterator

我们有时候会利用列表解析式生成一个列表，如下所示的代码功能是生成一个10以内的奇数列表print([i for i in range(10) if i % 2 == 1])这里i for i in range(10)生成的就是一个生成器generator，我们可以将其打印出来，如下代码示：print(i for i in range(10))# 结果<generator obje...
复制链接

扫一扫