生成器
什么是生成器?生成器只有在调用时才会生成相应的数据只记录当前位置,只有一个__next__()方法 ---->(i*i for i in range(10)) ==生成器
生成器有什么用?上面的列表生成式是10个元素,假如是100万个元素的列表呢,就会占大量的内存。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 ————> 生成器只记录当前位置
打印出来却是<generator object <genexpr> at 0x000001CA395C60A0>,那么如何打印出来 list_01 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:
在2.X中是next(),到了3.X中变成了__next__()
#生成器
list_01 = (i for i in range(10))
print(next(list_01))
print(next(list_01))
print(next(list_01))
#结果
0
1
2
每次调用next(list_01)就计算出他的下一个元素的值,如果计算到最后没有更多的元素时,会抛出StopIteration的错误,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.....
使用生成器计算斐波那契数列:
def fib(max):
n, a, b = 0, 0, 1
while n < max:
a, b = b, a + b # a + b 的值给了b , b的值再把数给a
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。
上面的函数和生成器仅一步之遥。要把fib函数变成生成器,只需要把print(b)改为yield b就可以了。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函数yield,生成器函数调用时,不会执行函数内部的代码,会直接返回一个生成器对象,用__next__()调用一次就执行一次,不调用就停在哪
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b # 把这个 yield 看做一个 return 返回当前状态的值
a, b = b, a + b
n = n + 1
return 'done'
print(fib(10))
a = fib(10)
print(a.__next__()) #调用yield b
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 0x0000022F6E666180>
1
1
2
可以顺便干其他事情
3
5
上面return 'done'的作用其实是为了代码出现异常进行反回的结果:用try尝试下面代码,用 except抓到所要的异常,如果出现了StopIteration异常进行怎么处理:
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
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:
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)
生成器用法:可以通过yield实现在单线程的情况下实现并发运算的效果
__next__()方法只调用yield
send()在调用yield同时还给yield传值
import time
def consumer(name): #消费者
print("%s 准备吃香蕉!" %name)
while True:
baozi = yield
print("香蕉[%s]来了,被[%s]吃了"%(baozi,name))
def producer(name): #生产者
c = consumer('A') #A和B相当于两个消费者
c2 = consumer('B')
c.__next__() #刚开始先调用一次__next__()返回 准备吃香蕉
c2.__next__()
print("开始准备给香蕉啦")
for i in range(1,10):
time.sleep(1)
print("给条2条香蕉")
c.send(i) #调用yield同时给yield传入i的值
c2.send(i)
producer("猴子")
迭代器
我们知道,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,如列表,元组,集合,字典,字符串等
一类是生成器(generator),包括生成器和带yield的函数generator
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迭代对象------>(可迭代对象也就是可循环的对象)
from collections.abc import Iterable #3.10的这个不加abc加载不了
print(isinstance([],Iterable))
#True
print(isinstance({},Iterable))
#True
print(isinstance('kkdj123',Iterable))
#True
print(isinstance((i for i in range(10)),Iterable))
#True
print(isinstance(100,Iterable))
#False
可以作用于for 循环的对象统称为可迭代对象(Iterable)
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。
使用isinstance()判断一个对象是否为迭代器:Iterator。
from collections.abc import Iterator
print(isinstance([],Iterator))
#False
print(isinstance({},Iterator))
#False
print(isinstance('kkdj123',Iterator))
#False
print(isinstance((i for i in range(10)),Iterator)) #为迭代器
#True
print(isinstance(100,Iterator))
#False
生成器都是Iterator迭代器
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:
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。
总结
生成器是为了节省内存的----->计算到哪记录到哪,只会记住当前位置,带有yield的函数是一个生成器generator,可用于迭代
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。
利用__next__()函数来调用yield------>只调用,而send()在调用yield同时还给yield传值
可以直接作用于for 循环的对象统称为可迭代对象(Iterable)也就是可循环的对象
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。
想要变成一个迭代器可以用iter()
函数