day04：python生成器、迭代器

一、生成器

1、列表生成式：

a = [ i*2 for i in range(10)]
print(a)

#通常采用这种方式
a = []
for i in range(10):
    a.append(i*2)
print(a)

2、生成器（generator）

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，而且可能我们创建的列表只需要使用其中一部分元素，那么很多空间就浪费了。
所以，在python中有一种一边循环一边计算的机制，称为生成器：generator

-  只有在调用的时候才会生成相应的数据
-  只有一个方法__next__()

作用：这个yield的主要效果是，可以使函数中断，并保存中断状态，中断后，代码继续执行，过一段时间还可以重新调用这个函数，从上次yield的下一句开始执行。另外，还可通过yield实现在单线程的情况下实现并发的效果

定义generator的两种方法：
(1)把列表生成式的[]换成()

g = (x*2 for x in range(10))#把列表生成式的[]换成()

(2)通过函数来实现generator：
变成generator的函数，在每次调用next（）的时候，遇到yield语句返回，再次执行next（）从上次返回的yield语句处继续执行

def fab(max):
    n,a,b = 0,0,1
    while n < max:
        #print(b)
        yield(b)#将print（b）改成yield（b），函数就变成了生成器
        a,b = b,a+b
        n +=1
    return "done"
f = fab(10)
print(f.__next__())

当使用__next__()方法超出限制个数后，会抛出异常，异常信息默认函数的返回值，可以进行异常捕捉

def fab(max):
    n,a,b = 0,0,1
    while n < max:
        yield(b)
        a,b = b,a+b
        #这个赋值语句相当于下面三行代码作用，只是不需要显式的写出t
        #t = (b, a + b) # t是一个tuple
		#a = t[0]
		#b = t[1]
        n +=1
    return "done"
f = fab(10)
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
#超过数量后，抛出异常，异常信息就是return返回值
print(f.__next__())

执行结果：

其实，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，并且不需要关心StopIteration异常。

生成器实例（生产者消费者模型）
实现单线程下的并发效果

def producer(name):
    c = consumer('A')
    c2 = consumer('B')
    c.__next__()#执行到yield跳出并保存状态
    c2.__next__()#执行到yield跳出并保存状态
    print("%s 开始做包子了" % name)
    for i in range(10):
        time.sleep(1)
        print("做了1个包子，分了两半")
        c.send(i)   # 给yield传值并继续执行yield下面的语句
        c2.send(i)	# 给yield传值并继续执行yield下面的语句
producer("yanzhuang")

send与next方法的区别：

- send给yield传值并唤醒
- next只是唤醒

二、迭代器

迭代器

迭代器是访问集合元素的一种方式。迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问结束。迭代器只能往前不会后退。另外，迭代器的一大优点就是不要事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素，而在这之前或之后，元素可以不存在或者被销毁。这特点使得它特别适合用于遍历一些巨大的或是无限的集合，比如几个G的文件。

我们已经知道，可以直接作用于for循环的数据有以下几种：
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可迭代的
可以使用isinstance（）判断一个对象是否是可迭代的。

>>> from collections import Iterable
>>> isinstance([],Iterable)
True
>>> isinstance("abc",Iterable)
True

而生成器不但可以作用于for循环，并且可以被next（）函数调用并返回下一个值。
那么，迭代器（Iterator）就是：可以被next（）函数调用并不断返回下一个值得对象。
也可以使用isinstance（）判断一个对象是否是迭代器。

>>> from collections import Iterator
>>> isinstance([],Iterator)
False
>>> isinstance("abc",Iterator)
False
>>> isinstance((x for x in range(10)),Iterator)
True

生成器都是Iterator对象，但list、dict等虽然可迭代，但不是迭代器对象
但可以使用iter（）函数把list、dict等可迭代数据转换为Iterator。

为什么list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。

---

可能有人会问迭代器应用在哪？

Iterator只是python的一个概念，说它应用在哪不太准确，我的理解它是一类数据的特性，只不过使用Iterator将抽象的特性形象话。

---

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，只是封装起来了，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])

while True:
    try:
        x = next(it)
    except StopIteration:
        break