Python 生成器：像做菜一样生成数据

---

Python 生成器：像做菜一样生成数据

想象一下，你正在准备一顿大餐，你需要做很多道菜。你可以一次性把所有菜都做好，但这样会占用很多时间和空间。或者，你可以使用生成器，就像一个聪明的厨师一样，每道菜都按需制作，这样可以节省时间和空间。

生成器就像一个聪明的厨师

• 你可以定义一个生成器函数，就像告诉厨师每道菜的制作方法。

• 生成器函数使用 yield 关键字来 “上菜”，每次调用 next() 函数时，它就会 “端出一道菜”。

• 生成器会记住它上次做菜做到哪里了，下次会从那里继续做菜。

例子：制作水果沙拉

def fruit_salad():
    yield "苹果"  # 端出第一道 "菜"：苹果
    yield "香蕉"  # 端出第二道 "菜"：香蕉
    yield "橘子"  # 端出第三道 "菜"：橘子

salad = fruit_salad()  # 创建一个 "厨师" (生成器)

现在，你可以像品尝每道菜一样，逐个获取水果：

print(next(salad))  # 品尝第一道 "菜"：输出 "苹果"
print(next(salad))  # 品尝第二道 "菜"：输出 "香蕉"
print(next(salad))  # 品尝第三道 "菜"：输出 "橘子"

生成器的优点

• 节省空间: 你不需要一次性将所有 “菜” 做好，只需要 “按需制作”，节省内存空间。

• 灵活方便: 你可以根据需要 “点菜”，随时获取下一道 “菜”。

• 菜谱多样: 你可以使用不同的方式来定义生成器函数，创建各种各样的 “菜肴”。

生成器（Generator）是 Python 中一种特殊的迭代器，它可以用来创建自定义的迭代模式，而无需一次性将所有元素加载到内存中。生成器函数使用 yield 关键字来生成值，而不是 return 关键字。

创建生成器

使用生成器函数:

def my_generator(n):
    for i in range(n):
        yield i

gen = my_generator(3)  # 创建一个生成器对象

使用生成器表达式:

gen = (x**2 for x in range(5))  # 创建一个生成器表达式

使用生成器

# 使用 for 循环
for i in gen:
    print(i)

# 使用 next() 函数
print(next(gen))
print(next(gen))

斐波那契数列生成器

斐波那契数列是一个经典的数学序列，其中每个数字都是前两个数字之和。例如：0, 1, 1, 2, 3, 5, 8, 13, …

使用生成器，我们可以轻松地生成斐波那契数列，而无需一次性计算所有数字。

def fibonacci(n):
    a, b = 0, 1
    for _ in range(n):
        yield a
        a, b = b, a + b

# 生成前 10 个斐波那契数
fib_generator = fibonacci(10)

for number in fib_generator:
    print(number)

代码解释：

yield关键字在Python中用于定义一个生成器函数。当你调用这个函数时，它不会立即执行，而是返回一个生成器对象。当你从这个生成器对象中请求值时（例如通过next()函数或在for循环中），函数会执行，直到遇到yield语句，然后返回yield后面的值。

在本例中，yield a会将当前的a值返回给fib_generator。然后，函数会“暂停”，等待下一次请求值。当下一次请求值时，函数会从暂停的地方继续执行，计算下一个斐波那契数，然后再次遇到yield语句，返回新的a值。

生成器的特性

• 惰性求值: 生成器只在需要时才生成值，节省内存空间。

• 状态保持: 生成器函数在每次调用 next() 时会从上次停止的地方继续执行。

• 单向迭代: 生成器只能向前迭代，不能回退。

• 可组合性: 生成器可以与其他生成器或迭代器组合使用，创建复杂的迭代模式。

生成器的应用场景

• 遍历大型数据集

• 处理数据流

• 实现自定义迭代模式

• 编写高效的算法

自动化测试中迭代器的应用案例

迭代器在软件测试中发挥着重要作用，特别是在处理数据驱动测试和需要灵活遍历数据结构的场景中。例如：

数据驱动测试 (Data-Driven Testing)

• 场景: 测试用例需要使用不同的输入数据进行重复测试，例如测试一个登录功能，需要使用不同的用户名和密码组合。

• 应用:

  • 使用迭代器从数据源（如 CSV 文件、Excel 表格、数据库）中读取测试数据。
  • 每次迭代生成一组测试数据，用于执行测试用例。
  • 结合测试框架，可以方便地实现参数化测试，提高测试效率。

• 示例:

def read_test_data(filename):
    with open(filename, 'r') as f:
        for line in f:
            username, password = line.strip().split(',')
            yield username, password

# 使用迭代器读取测试数据
test_data = read_test_data('test_data.csv')

# 遍历测试数据并执行测试用例
for username, password in test_data:
    test_login(username, password)

生成器与迭代器的区别

虽然生成器是一种特殊的迭代器，但它们之间还是存在一些关键区别：

创建方式:

• 迭代器: 通过调用 iter() 函数作用于可迭代对象（如列表、元组、字符串）来创建。

• 生成器: 通过定义一个带有 yield 语句的函数来创建。

代码复杂度:

• 迭代器: 实现迭代器协议需要定义 iter() 和 next() 方法，代码相对复杂。

• 生成器: 只需要使用 yield 语句，代码更加简洁易懂。

适用场景:

• 迭代器: 适用于需要多次遍历相同数据集的场景，或者需要随机访问元素的场景。

• 生成器: 适用于处理大型数据集或无限数据流的场景，或者需要自定义迭代逻辑的场景。

总结:

特性	迭代器	生成器
创建方式	iter(iterable)	yield 语句
元素生成方式	一次性生成	惰性求值
状态保持	有	有
代码复杂度	较高	较低
适用场景	多次遍历、随机访问	大型数据集、数据流

---

每篇文章都这么用心，你确定不关注一下我吗 (¬‿¬)