转载：python 生成器和迭代器

原文中有些地方，本人做了一些纠正或者增补，以黄色背景色标注出来。

原文中的有些代码有错误，本人删了，用本人调试通过的代码替代。

文章有点长，本人还在review中，continue。。。

原始链接：python 生成器和迭代器有这篇就够了 - 战争热诚 - 博客园PS：这篇博客是我上网课做的笔记，也是参考网课老师的博客，就是学习笔记而已，不喜勿喷！（为什么写这句话呢？被喷子恶心到了） 本节主要记录一下列表生成式，生成器和迭代器的知识点 列表生成器 首先举个例子https://www.cnblogs.com/wj-1314/p/8490822.html

python 生成器和迭代器有这篇就够了

　　PS：这篇博客是我上网课做的笔记，也是参考网课老师的博客，就是学习笔记而已，不喜勿喷！（为什么写这句话呢？被喷子恶心到了）

　　本节主要记录一下列表生成式，生成器和迭代器的知识点

　　列表生成器

　　首先举个例子

现在有个需求，看列表 [0，1，2，3，4，5，6，7，8，9]，要求你把列表里面的每个值加1，你怎么实现呢？

方法一（简单）：

# 方法一（简单）
info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
# info = [10, 11, 12, 13, 14, 15, 16, 17, 18, 19]
b = []
# for index,i in enumerate(info):
#     print(i+1)
#     b.append(i+1)
# print(b)
for index, i in enumerate(info):  # index为列表info的索引，i为列表info中该索引对应的值。
    # print("index: {}, i: {}".format(index, i))
    info[index] += 1
print(info)
# ----

方法二（一般）：

# 方法二（一般）：
info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
a = map(lambda x: x+1, info)
# print(type(a))  # <class 'map'>
# print(a.__doc__)
"""
我们看一下map的定义：
class map(object):
    map(func, *iterables) --> map object
    Make an iterator that computes the function using arguments from
    each of the iterables.  Stops when the shortest iterable is exhausted.
从map定义的文字说明里，可以看出：map本质上也是一个迭代器，取完map迭代器里的元素就停止了。
"""
print(list(a))  # 取出迭代器a里的所有元素，转换为list类型，然后打印该list  # [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
print(a.__sizeof__())  # Size of object in memory, in bytes.  # 32
for i in a:  # 虽然迭代器a的大小为32，但是里面没有element。因为迭代器a里的元素已经取完了，所以a里没有元素，程序不进入for循环体内。
    print(i)
print(list(a))  # []

方法三（高级）：

# 方法三（高级）：
info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
a = [i+1 for i in info]
print(a)

　　生成器

什么是生成器？

　　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

python中的生成器

　　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

　　举例如下：

1 2 3 4 5 6 7 8 9 10

#列表生成式 lis = [x*x for x in range(10)] print(lis) #生成器 generator_ex = (x*x for x in range(10)) print(generator_ex) 结果： [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] <generator object <genexpr> at 0x000002A4CBF9EBA0>

　　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 <genexpr> at 0x000002A4CBF9EBA0>，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（）函数获得generator的下一个返回值：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

#生成器 generator_ex = (x*x for x in range(10)) print(next(generator_ex)) print(next(generator_ex)) print(next(generator_ex)) print(next(generator_ex)) print(next(generator_ex)) print(next(generator_ex)) print(next(generator_ex)) print(next(generator_ex)) print(next(generator_ex)) print(next(generator_ex)) print(next(generator_ex)) 结果： 0 1 4 9 16 25 36 49 64 81 Traceback (most recent call last):   File "列表生成式.py", line 42, in <module>     print(next(generator_ex)) StopIteration

　　大家可以看到，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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

#生成器 generator_ex = (x*x for x in range(10)) for i in generator_ex:     print(i)       结果： 0 1 4 9 16 25 36 49 64 81

　　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。

比如著名的斐波那契数列，除第一个和第二个数外，任何一个数都可以由前两个相加得到：

1，1，2，3，5，8，12，21，34.....

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：

1 2 3 4 5 6 7 8 9 10 11

#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))

　　a,b = b ,a+b  其实相当于 t =a+b ,a =b ,b =t  ，所以不必写显示写出临时变量t，就可以输出斐波那契数列的前N个数字。上面输出的结果如下：

1
1
2
3
5
8
13
21
34
55
1
1
2
3
5
8
13
21
34
55
done

　　仔细观察，可以看出，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也可以用generator来实现，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。如下：

1 2 3 4 5 6 7 8 9 10

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))

　　但是返回的不再是一个值，而是一个生成器，和上面的例子一样，大家可以看一下结果：

1	<generator object fib at 0x000001C03AC34FC0>

　　那么这样就不占内存了，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。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

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)) print(a.__next__()) print(a.__next__()) print(a.__next__()) print("可以顺便干其他事情") print(a.__next__()) print(a.__next__()) 结果： <generator object fib at 0x0000023A21A34FC0> 1 1 2 可以顺便干其他事情 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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

def fib(max):     n,a,b =0,0,1     while n < max:         yield b         a,b =b,a+b         n = n+1     return 'done' for i in fib(6):     print(i)       结果： 1 1 2 3 5 8

　　但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果拿不到返回值，那么就会报错，所以为了不让报错，就要进行异常处理，拿到返回值，如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

def fib(max):     n,a,b =0,0,1     while n < max:         yield b         a,b =b,a+b         n = n+1     return 'done' g = fib(6) while True:     try:         x = next(g)         print('generator: ',x)     except StopIteration as e:         print("生成器返回值：",e.value)         break 结果： generator:  1 generator:  1 generator:  2 generator:  3 generator:  5 generator:  8 生成器返回值： done

还可以通过yield实现在单线程的情况下实现并发运算的效果

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

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)         c2.send(i) 结果： A 准备学习啦! B 准备学习啦! 同学们开始上课 了! 到了两个同学! 开始[0]了,[A]老师来讲课了! 开始[0]了,[B]老师来讲课了! 到了两个同学! 开始[1]了,[A]老师来讲课了! 开始[1]了,[B]老师来讲课了! 到了两个同学! 开始[2]了,[A]老师来讲课了! 开始[2]了,[B]老师来讲课了! 到了两个同学! 开始[3]了,[A]老师来讲课了! 开始[3]了,[B]老师来讲课了! 到了两个同学! 开始[4]了,[A]老师来讲课了! 开始[4]了,[B]老师来讲课了! 到了两个同学! 开始[5]了,[A]老师来讲课了! 开始[5]了,[B]老师来讲课了! 到了两个同学! 开始[6]了,[A]老师来讲课了! 开始[6]了,[B]老师来讲课了! 到了两个同学!

　　由上面的例子我么可以发现，python提供了两种基本的方式

   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

   生成器表达式：返回一个对象，这个对象只有在需要的时候才产生结果

——生成器函数

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。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

# 函数有了yield之后，函数名+（）就变成了生成器 # return在生成器中代表生成器的中止，直接报错 # next的作用是唤醒并继续执行 # send的作用是唤醒并继续执行，发送一个信息到生成器内部 '''生成器''' def create_counter(n):     print("create_counter")     while True:         yield n         print("increment n")         n +=1 gen = create_counter(2) print(gen) print(next(gen)) print(next(gen)) 结果： <generator object create_counter at 0x0000023A1694A938> create_counter 2 increment n 3 Process finished with exit code 0

　　

——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，但是它使用尖括号而不是方括号

1 2 3 4 5 6 7 8 9 10

>>> # 列表解析生成列表 >>> [ x ** 3 for x in range(5)] [0, 1, 8, 27, 64] >>> >>> # 生成器表达式 >>> (x ** 3 for x in range(5)) <generator object <genexpr> at 0x000000000315F678> >>> # 两者之间转换 >>> list(x ** 3 for x in range(5)) [0, 1, 8, 27, 64]

　　一个迭代既可以被写成生成器函数，也可以被协程生成器表达式，均支持自动和手动迭代。而且这些生成器只支持一个active迭代，也就是说生成器的迭代器就是生成器本身。

迭代器（迭代就是循环）

　　迭代器包含有next方法的实现，在正确的范围内返回期待的数据以及超出范围后能够抛出StopIteration的错误停止迭代。

　　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()判断一个对象是否为可Iterable对象

1 2 3 4 5 6 7 8 9 10 11

>>> 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了。

所以这里讲一下迭代器

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：

1 2 3 4 5 6 7 8 9

>>> 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（可迭代对象），却不是Iterator（迭代器）。

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

1 2 3 4

>>> 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。

　　判断下列数据类型是可迭代对象or迭代器

1 2 3 4 5 6

s='hello' l=[1,2,3,4] t=(1,2,3) d={'a':1} set={1,2,3} f=open('a.txt')

　　

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

s='hello'     #字符串是可迭代对象，但不是迭代器 l=[1,2,3,4]     #列表是可迭代对象，但不是迭代器 t=(1,2,3)       #元组是可迭代对象，但不是迭代器 d={'a':1}        #字典是可迭代对象，但不是迭代器 set={1,2,3}     #集合是可迭代对象，但不是迭代器 # ************************************* f=open('test.txt') #文件是可迭代对象，是迭代器 #如何判断是可迭代对象，只有__iter__方法，执行该方法得到的迭代器对象。 # 及可迭代对象通过__iter__转成迭代器对象 from collections import Iterator  #迭代器 from collections import Iterable  #可迭代对象 print(isinstance(s,Iterator))     #判断是不是迭代器 print(isinstance(s,Iterable))       #判断是不是可迭代对象 #把可迭代对象转换为迭代器 print(isinstance(iter(s),Iterator))

　

　注意：文件的判断

1 2 3 4 5 6 7 8 9

f = open('housing.csv') from collections import Iterator from collections import Iterable print(isinstance(f,Iterator)) print(isinstance(f,Iterable)) True True

　　结论：文件是可迭代对象，也是迭代器

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。

Python3的for循环本质上就是通过不断调用next()函数实现的，例如：

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

　实际上完全等价于

1 2 3 4 5 6 7 8 9 10

# 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

　　

对yield的总结

　　（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（）或send（）,否则会报错，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)

补充：itertools库学习

　　库的学习地址：https://pymotw.com/2/itertools/

　　库的官网地址：https://docs.python.org/2/library/itertools.html

　　（此部分笔记参考博客：https://www.jb51.net/article/123094.html， https://www.jianshu.com/p/34de5245aca5， https://www.liaoxuefeng.com/wiki/897692888725344/983420006222912）

　　在Python中，迭代器（生成器， iterator）在Python中是一种很常用也很好用的数据结构，比起列表(list)来说，迭代器最大的优势就是延迟计算，按需使用，从而提高开发体验和运行效率，以至于在Python 3中map,filter等操作返回的不再是列表而是迭代器，所以，对于读取大文件或者无限集合，最好是使用迭代器。

　　Python的内置模块 itertools 就是用来操作迭代器的一个模块，包含的函数都是能够创建迭代器来用于 for循环或者 next()，　itertools用于高效循环的迭代函数集合，其中很多函数的作用我们平时要写很多代码才能达到，而在运行效率上反而更低，毕竟人家是系统库。

　　其itertools库中的函数主要分为三类，分别为无限迭代器，有限迭代器，组合迭代器。

1，无限迭代器（Infinite Iterators）

　　这些函数可以生成无限的迭代器，概述如下：

 　　下面详细学习：

1.1 count()

　　count([start=0, step=1]) 接收两个可选整形参数，第一个指定了迭代开始的值，第二个指定了迭代的步长。此外，start参数默认为0，step参数默认为1，可以根据需要来把这两个指定为其他值，或者使用默认参数。

1 2 3 4 5 6 7 8 9 10 11 12 13 14

>>> import itertools >>> natuals = itertools.count(1) >>> for n in natuals: ...     print(n) ...     if n > 5: ...         break ... 1 2 3 4 5 ...

 　　因为count() 会创建一个无限的迭代器，所以上述代码会打印出自然数序列，根本停不下来，只能按Ctrl+C退出

1.2 cycle()

　　cycle(iterable) 是用一个可迭代对象中的元素来创建一个迭代器，并且复制自己的值，一直无限的重复下去。

1 2 3 4 5 6 7 8 9 10 11 12

>>> import itertools >>> cs = itertools.cycle('ABC') # 注意字符串也是序列的一种 >>> for c in cs: ...     print(c)   # 具有无限的输出，可以按ctrl+c来停止 ... 'A' 'B' 'C' 'A' 'B' 'C' ...

 　　cycle() 同样停不下来，需要Ctrl+C停止。

1.3  repeat()

　　repeat(ele, [, n]) 是将一个元素重复 n 遍或者无穷多变，并返回一个迭代器。不过如果提供第二个参数就可以限定重复次数。

1 2 3 4 5 6 7 8 9

>>> ns = itertools.repeat('A', 5) >>> for n in ns: ...     print n ... A A A A A

 　　无限序列只有在 for 迭代时才会无限的迭代下去，如果只是创建了一个迭代对象，它不会实现把无限个元素生成出来，事实上也不可能在内存中创建无限多个元素。无限序列虽然可以无限迭代下去，但是我们通常会通过 takewhile() 等函数根据条件判断来截取一个有限的序列：

1 2 3 4 5 6 7 8 9 10

>>> natuals = itertools.count(1) >>> ns = itertools.takewhile(lambda x: x <= 5, natuals) >>> for n in ns: ...     print n ... 1 2 3 4 5

2，有限迭代器（Iterators Terminating on the Shortest Input Sequence）

　　这里的函数有十来个，如下：

 　　下面我们学习几个常用的：

2.1 chain()

　　chain(*iterables) 可以把多个可迭代对象组合起来，形成一个更大的迭代器。比如：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

for iter in itertools.chain('lebron', 'james'):     print(iter)    ...   l e b r o n j a m e s ...

2.2  groupby()

　　groupby(iterable, key=None) 可以把相邻元素按照 key 函数分组，并返回相应的 key 和 groupby，如果key函数为None，则只有相同的元素才能放在一组。

1 2 3 4 5 6 7

>>> for key, group in itertools.groupby('AAABBBCCAAA'): ...     print(key, list(group))   ... A ['A', 'A', 'A'] B ['B', 'B', 'B'] C ['C', 'C'] A ['A', 'A', 'A']

　　实际上挑选规则是通过函数完成的，只要作用于函数的两个元素返回的值相等，这两个元素就被认为是在一组的，而函数返回值作为组的key。如果我们要忽略大小写分组，就可以让元素“A”和‘a’都返回相等的key。

1 2 3 4 5 6 7

>>> for key, group in itertools.groupby('AaaBBbcCAAa', lambda c: c.upper()): ...     print key, list(group) ... A ['A', 'a', 'a'] B ['B', 'B', 'b'] C ['c', 'C'] A ['A', 'A', 'a']

2.3  itertools.accumulate()

　　accumulate(iterable, [, func]) 可以计算出一个迭代器，这个迭代器是由特定的二元函数的累计结果生成的，如果不指定的话，默认函数为求和函数。

1 2 3 4

from itertools import accumulate<br> x = accumulate(range(10)) print(list(x)) [0, 1, 3, 6, 10, 15, 21, 28, 36, 45]

　　如果我们指定这个累计函数，则还能有不同的用法，例如，指定一个最大值函数，或者自己定义的函数。

1 2 3 4 5 6 7 8 9

from itertools import accumulate # x1 = accumulate(range(10), max) # print(list(x1)) # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] x2 = accumulate(range(10), min) print(list(x2)) # [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

3，组合迭代器（Combinatoric Iterators）

　　组合操作包括排列，笛卡尔积，或者一些离散元素的选择，组合迭代器就是产生这样序列的迭代器，概述如下：

 　　下面我们来看看常用的几个函数：

3.1 product()

　　product(*iterables, repeat=1) 得到的是可迭代对象的笛卡尔积，*iterables参数表示需要多个可迭代对象。这些可迭代对象之间的笛卡尔积，也可以使用 for 循环来实现例如 product(A, B) 与 ((x, y) for x in A for y in B)就实现一样的功能。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

import itertools for i in itertools.product([1,2,3],[4,5,6]):     print(i) ''' (1, 4) (1, 5) (1, 6) (2, 4) (2, 5) (2, 6) (3, 4) (3, 5) (3, 6) '''

 　　而 repeat() 参数则表示这些可迭代序列重复的次数。例如 product(A, repeat=4)与 product(A, A, A, A)实现的功能一样。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

import itertools for i in itertools.product('ab','cd',repeat = 2):     print(i) ''' ('a', 'c', 'a', 'c') ('a', 'c', 'a', 'd') ('a', 'c', 'b', 'c') ('a', 'c', 'b', 'd') ('a', 'd', 'a', 'c') ('a', 'd', 'a', 'd') ('a', 'd', 'b', 'c') ('a', 'd', 'b', 'd') ('b', 'c', 'a', 'c') ('b', 'c', 'a', 'd') ('b', 'c', 'b', 'c') ('b', 'c', 'b', 'd') ('b', 'd', 'a', 'c') ('b', 'd', 'a', 'd') ('b', 'd', 'b', 'c') ('b', 'd', 'b', 'd') '''

3.2  permutations()

　　permutations(iterable, r=None)返回的是一个可迭代元素的一个排列组合，并且是按照顺序的，且不包含重复的结果。

1 2 3 4 5

from itertools import permutations x = permutations((1,2,3)) print(list(x)) [(1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2), (3, 2, 1)]

　　当然，第二个参数默认为None，它表示的是返回元组（tuple）的长度，我们来尝试一下传入的第二个参数。

1 2 3 4 5

from itertools import permutations x = permutations((1, 2, 3), 2) print(list(x)) # [(1, 2), (1, 3), (2, 1), (2, 3), (3, 1), (3, 2)]

3.3  combinations()

　　combinations(iterable, r) 返回的是可迭代对象所有的长度为 r 的子序列，注意这个与前一个函数 permutations不同，permutations返回的是排列，而 combinations() 返回的是组合。

　　下面对比一下combinations() 与 permutations() 函数：

1 2 3 4 5 6 7 8 9 10 11 12 13 14

from itertools import permutations, combinations x1 = permutations((1, 2, 3)) x2 = combinations((1, 2, 3), 3) x11 = permutations((1, 2, 3), 2) x22 = combinations((1, 2, 3), 2) print(list(x1)) print(list(x2)) print(list(x11)) print(list(x22)) # [(1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2), (3, 2, 1)] # [(1, 2, 3)] # [(1, 2), (1, 3), (2, 1), (2, 3), (3, 1), (3, 2)] # [(1, 2), (1, 3), (2, 3)]

3.4  combinations_with_replacement()

　　combinations_with_replacement(iterable, r) 返回一个可与自身重复的元素组合，用法类似于 combinations。

1 2 3 4 5 6 7 8

from itertools import combinations, combinations_with_replacement x1 = combinations((1, 2), 2) x2 = combinations_with_replacement((1, 2), 2) print(list(x1)) print(list(x2)) # [(1, 2)] # [(1, 1), (1, 2), (2, 2)]