1 迭代器
迭代器是Python中用于遍历可迭代对象(如列表、字符串、元组等)的机制。它通过提供__next()__方法,依次访问可迭代对象中的各个元素,直到元素被遍历完毕为止。
当一个对象实现了迭代器协议时,它就成为一个迭代器对象。迭代器对象可以使用Python的for循环进行遍历。在每一次循环中,for循环会调用迭代器对象的__next()__方法,返回当前元素的值。一旦所有元素都被遍历过,迭代器对象就会抛出StopIteration异常,表示迭代结束。
Python中的迭代器实现了两个方法:__iter() __和 __next()__。__iter()__方法返回迭代器对象本身,而__next()__方法返回迭代器对象的下一个元素,直到所有元素都被遍历完毕。
以下是一个简单的迭代器示例:
class MyIterator:
def __init__(self, my_list):
self.my_list = my_list
self.index = 0
def __iter__(self):
return self
def __next__(self):
if self.index >= len(self.my_list):
raise StopIteration
result = self.my_list[self.index]
self.index += 1
return result
my_list = [1, 2, 3, 4, 5]
my_iterator = MyIterator(my_list)
for item in my_iterator:
print(item)
这个迭代器将会输出下列结果
1
2
3
4
5
可以看到,在每次for循环中,迭代器对象的next()方法被调用,返回当前元素,直到所有元素都被遍历完毕。
迭代器取值与索引取值的区别:
迭代取值
1. 不依赖于索引取值的一种取值方式
2. 不能够重复取值,只能够从左往右固定取值
索引取值
1. 它能够重复取值(通过索引 L[0])
2. 它需要是容器类型
2 生成器
2.1 引入
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, python中生成器是自定义迭代器的一种。
Python生成器是一种特殊类型的函数,它能够按需生成一个数据序列,而不是一次性生成整个序列。相比于使用列表等序列容器来存储全部元素,使用生成器能够在节省内存的同时,提高代码执行效率。
Python生成器的特点包括:
使用yield语句来返回数据并暂停函数的执行,下次调用函数会从yield语句断点处继续执行。
生成器函数执行过程中,可以通过yield语句接收来自调用方的数据,即实现了双向通信。
生成器可以使用for循环等方式进行遍历,也可以使用next()函数手动获取下一个元素。
示例代码:
def fibonacci(n):
a, b = 0, 1
for _ in range(n):
yield a
a, b = b, a + b
# 使用for循环遍历生成器
for i in fibonacci(10):
print(i)
# 手动获取生成器中的下一个元素
fib = fibonacci(5)
print(next(fib))
print(next(fib))
print(next(fib))
2.2 关键字yield
当函数中一旦出现了yield关键字,函数在没有被调用的时候仍然是普通函数,但是只要一调用函数,那么,该函数就不是普通函数了,就变成了生成器。
def index():
print('from index')
print('from index')
yield 123,234,345 # 停住程序,以元组的方式返回
print('second')
print('second')
yield 'hello'
print('three')
yield
res=index() # res.__iter__()
print(res)
2.3 yield和return的对比
yield
1. 代码遇到yield不会停止,而是停住
2. yield也可以有返回值,并且还支持多个,以元组的形式返回
3. yield可以把一个函数变成生成器,next取值
return
1. 代码遇到return就会停止
2. return可以有返回值并且还支持多个,以元组的形式返回
2.4 生成器yield的其他用法
生成器其实就是一个自定义的迭代器
res.__next__() # 只要你调用next方法,代码就会走到函数中第一个yield关键字所在的位置停住
res.__next__() # 代码从上一次yield停住的地方继续往下执行,走到遇到下一个yield停住
def eater(name):
print('%s:正在吃...' % name)
while True:
food = yield
print('%s正在吃%s' % (name, food))
'''eater就变成了生成器'''
res=eater('jerry') # 生成器对象:generator object
print(res) # <generator object eater at 0x0000021869489B30>
res.__next__()
# res.__next__()
# send做了两件事情:1. 传值给yield、2. 执行__next__
res.send('包子')
res.send('水果')
res.send('水果')
res.send('水果')
3 生成器表达式
列表生成式
res = [name for name in names_list]
print(res) # 就是一个列表
res1 = (name for name in names_list)
print(res1)
names_list = ['kevin', 'jerry', 'tony', 'oscar']
res1 = (name for name in names_list)
print(res1) # <generator object <genexpr> at 0x00000218F4569CF0>
print(res1.__next__())
print(res1.__next__())
print(res1.__next__())
print(res1.__next__())
"""生成器表达式如果不使用数据,就不给你数据"""
把迭代器、生成器看成是一个工厂,什么时候需要数据工厂就给你加工数据
目的:就是为了节省内存空间
3.1生成器笔试题
# 求和
def add(n, i):
return n + i
# 调用之前是函数 调用之后是生成器
def test():
for i in range(4):
yield i
g = test() # 初始化生成器对象
for n in [1, 10]:
g = (add(n, i) for i in g)
res = list(g)
print(res)
#A. res=[10,11,12,13]
#B. res=[11,12,13,14]
C. res=[20,21,22,23]
#D. res=[21,22,23,24]