Python学习总结（11）之列表生成式、生成器、迭代器

最新推荐文章于 2022-07-25 14:57:03 发布

塘朗晨光

最新推荐文章于 2022-07-25 14:57:03 发布

阅读量341

点赞数

分类专栏： Python复习和二次系统学习文章标签：列表生成式生成器迭代器

本文链接：https://blog.csdn.net/qq_38963607/article/details/99678812

版权

Python复习和二次系统学习专栏收录该内容

22 篇文章 2 订阅

订阅专栏

在这里插入图片描述
先学习2个单词：Iterable：可迭代的 Iterator：迭代器

1、列表生成式

列表生成式即List Comprehensions，是Python内置的非常简单却强大的可以用来创建list的生成式。
可以用来生成一系列的数据。
举个例子，要生成list [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]可以用list(range(1, 11))：
```
  >>> list(range(1, 11))
  [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
```

但如果要生成[1x1, 2x2, 3x3, …, 10x10]怎么做？方法一是循环：
方法1：

  >>> L = []
  >>> for x in range(1, 11):
  ...    L.append(x * x)
  ...
  >>> L
  [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

但是循环太繁琐，而列表生成式则可以用一行语句代替循环生成上面的list：
方法2：

	>>> [x * x for x in range(1, 11)]
	[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

注意：写列表生成式时，把要生成的元素x * x放到前面，后面跟for循环，就可以把list创建出来，十分有用。

带有if判断语句的列表生成式
for循环后面还可以加上if判断，这样我们就可以筛选出仅偶数的平方：
```
  >>> [x * x for x in range(1, 11) if x % 2 == 0]
  [4, 16, 36, 64, 100]
```
还可以使用两层循环，可以生成全排列：
```
  >>> [m + n for m in 'ABC' for n in 'XYZ']  #注意此时m+n中 ，+ 是一个连接符
  ['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']
```
三层和三层以上的循环就很少用到了。

举例：运用列表生成式，可以写出非常简洁的代码。例如，列出当前目录下的所有文件和目录名，可以通过一行代码实现：

  >>> import os # 导入os模块，模块的概念后面讲到
  >>> [d for d in os.listdir('.')] # os.listdir可以列出文件和目录
  
  ['.emacs.d', '.ssh', '.Trash', 'Adlm', 'Applications',   'Documents', 'Downloads']

for循环其实可以同时使用两个甚至多个变量，比如dict的items()可以同时迭代key和value：

  >>> d = {'x': 'A', 'y': 'B', 'z': 'C' }  #字典中的items对象
  >>> for k, v in d.items():
  ...     print(k, '=', v)
  ...
  y = B
  x = A
  z = C

因此，列表生成式也可以使用两个变量来生成list：

  >>> d = {'x': 'A', 'y': 'B', 'z': 'C' }
  >>> [k + '=' + v for k, v in d.items()] #注意加号 +为连接符
  ['y=B', 'x=A', 'z=C']

最后把一个list中所有的字符串变成小写：

  >>> L = ['Hello', 'World', 'IBM', 'Apple']
  >>> [s.lower() for s in L]
  ['hello', 'world', 'ibm', 'apple']

2、生成器 generator 符号（） yield

与列表生成式的差别：可以动态的扩展长度，不受内存的限制
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。

如果列表元素可以按照某种算法推算出来，那我们就可以在循环的过程中不断推算出后续的元素。
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generator创建方法一：
方法1：把一个列表生成式的[]改成()，就创建了一个generator：

  >>> L = [x * x for x in range(10)] # 注意，此时是[ ]
  >>> L
  
  [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
  
  >>> g = (x * x for x in range(10))# 注意，此时是()
  >>> g
  
  <generator object <genexpr> at 0x1022ef630>

创建L和g的区别仅在于最外层的[]和()，L是一个list，而g是一个generator。

生成器generator的元素输出方法

我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？
如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值：
如：
```
 >>> next(g)
 0
 >>> next(g)
 1
 >>> next(g)
 4
 ...
 >>> next(g)
 81
 >>> next(g)
 Traceback (most recent call last):
   File "<stdin>", line 1, in <module>
 StopIteration
```

我们讲过，generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。

当然，上面这种不断调用next(g)实在是太变态了，正确的方法是使用for循环，因为generator也是可迭代对象：
```
 >>> g = (x * x for x in range(10))
 >>> for n in g:
 ...     print(n)
 ... 
 0
 1
 4
 9
 16
 25
 36
 49
 64
 81
```

所以，我们创建了一个generator后，基本上永远不会调用next()，而是通过for循环来迭代它，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，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, …

斐波拉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：

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

注意，赋值语句：

a, b = b, a + b

相当于：

t = (b, a + b) # t是一个tuple
a = t[0]
b = t[1]

但不必显式写出临时变量t就可以赋值。

上面的函数可以输出斐波那契数列的前N个数：

	>>> fib(6)
	1
	1
	2
	3
	5
	8
	'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，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        yield b  #注意此处，生成器函数yield
        a, b = b, a + b
        n = n + 1
    return 'done'

生成器generator创建方法二：
这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator：
```
>>> f = fib(6)
>>> f
<generator object fib at 0x104feaaa0>
```
生成器和函数的执行流程的差别 yield可以理解每次都从断点处开始执行

这里，最难理解的就是generator和函数的执行流程不一样。函数是顺序执行，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，再次执行时从上次返回的yield语句处继续执行。

举个简单的例子，定义一个generator，依次返回数字1，3，5：

def odd():
    print('step 1')
    yield 1   #注意此处
    print('step 2')
    yield(3)#注意此处
    print('step 3')
    yield(5)#注意此处

调用该generator时，首先要生成一个generator对象，然后用next()函数不断获得下一个返回值：

	>>> o = odd()
	>>> next(o)
	step 1
	1
	>>> next(o)
	step 2
	3
	>>> next(o)
	step 3
	5
	>>> next(o)
	Traceback (most recent call last):
	  File "<stdin>", line 1, in <module>
	StopIteration

可以看到，odd不是普通函数，而是generator，在执行过程中，遇到yield就中断，下次又继续执行。执行3次yield后，已经没有yield可以执行了，所以，第4次调用next(o)就报错。

回到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：

	>>> for n in fib(6):
	...     print(n)
	...
	1
	1
	2
	3
	5
	8

注意： 用for循环调用generator时，发现拿不到generator的return语句的返回值。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：

	>>> g = fib(6)
	>>> while True:
	...     try:
	...         x = next(g)
	...         print('g:', x)
	...     except StopIteration as e:
	...         print('Generator return value:', e.value)
	...         break
	...
	g: 1
	g: 1
	g: 2
	g: 3
	g: 5
	g: 8
	Generator return value: done

3、迭代器

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Iterable对象：

	>>> from collections import Iterable  #注意，此处导入的为 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。

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。

可以使用isinstance()判断一个对象是否是Iterator对象：

	>>> from collections import Iterator #注意，此处导入的为 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，却不是Iterator。

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

 >>> isinstance(iter([]), Iterator)
 True
 >>> isinstance(iter('abc'), Iterator)
 True

释惑：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。
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。

Python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：

  it = iter([1, 2, 3, 4, 5])  # 首先获得Iterator对象:

  while True:	 # 循环:
      try:
          x = next(it)  # 获得下一个值:
      except StopIteration: # 遇到StopIteration就退出循环
          break

参考网址：https://www.liaoxuefeng.com/