python 生成器和迭代器有这篇就够了

 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):

+ View Code

方法二(一般):

+ View Code

方法三(高级):

+ View Code

  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*for in range(10)]

print(lis)

#生成器

generator_ex = (x*for in range(10))

print(generator_ex)

结果:

[0149162536496481]

<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*for 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 42in <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*for in range(10))

for 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:

+ View Code

  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+1

    return 'done'

= 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+1

    return 'done'

= 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+1

    return 'done'

for 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+1

    return 'done'

= fib(6)

while True:

    try:

        = 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

+ View Code

  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")

        +=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 in range(5)]

[0182764]

>>>

>>> # 生成器表达式

>>> (x ** 3 for in range(5))

<generator object <genexpr> at 0x000000000315F678>

>>> # 两者之间转换

>>> list(x ** 3 for in range(5))

[0182764]

  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 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 in range(10)), Iterator)

True

>>> isinstance([], Iterator)

False

>>> isinstance({}, Iterator)

False

>>> isinstance('abc', Iterator)

False

  

生成器都是Iterator对象,但listdictstr虽然是Iterable(可迭代对象),却不是Iterator(迭代器)

listdictstrIterable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listdictstr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listdictstr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 in [12345]:

    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([12345])

# 循环:

while True:

    try:

        # 获得下一个值:

        = 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 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 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 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 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 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 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)]

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值