python迭代器举例_举例讲解python生成器与迭代器

python有几个比较重要的概念，生成器，装饰器，迭代器，其中生成器跟迭代器很容易弄混淆。 下面已几个例子来进行区分生成器和迭代器

list = [1,2,3,4,5,6,7,8,9,10]

for i in list:

print i

我们在这里使用了for循环，来将list中的元素一一的打印出来，此时list称为可迭代对象，而不是迭代器 因为如果我们查看list的type的时候，系统会提示如下

In [1]: a = [1,2,3,4,5]

In \[2\]: type(a)

Out\[2\]: list

In \[3\]: a.next()

---------------------------------------------------------------------------

AttributeError: 'list' object has no attribute 'next'

可迭代对象是一种实现了迭代器协议的对象 可以直接使用for循环的对象都是可迭代对象

生成器 我们首先来做一个测试，使用不同的方法来计算0到1亿里面所有值的和，通过对比时间来比较性能1- sum( i for i in range(100000000))

2- sum( [i for i in range(100000000)])

经过测试，所耗时分别如下:

1- 耗时8.6s，占用内存1.5g

2- 报错，内存溢出，占用超过1.6g

这说明第二种不管从内存占用还是耗时方面来讲，都比第一种要占用给多的资源以及时间 我们换一种写法再来看看上面的内容

1- def add():

for i in range(100000000):

yield i

sum(add())

2- def add():

list = []

for i in range(100000000):

list.append(i)

sum(add())

这和上面实现的其实是同一种效果，只是采用了不同的书写方式。 下面我们来看第一种方式，里面使用了yield关键字，因此第一种的add方法其实也就是所谓的生成器，在sum的时候，add方法里面的for才开始运行。在运行的时候，一次只会产生一个结果

>>; x = add()

>>>; x

>>; next(x)

0

>>>; next(x)

1

>>>; next(x)

2

>>>; next(x)

3

>>>; next(x)

4

>>>;

可以看到x的类型是generator类型，也就是生成器，x一次只有一个值，使用next函数可以获取到x的下一个值 再来看看第二种方法的结果

>>>; x = add()

>>>; x

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19]

>>>;

x在打印的时候，直接把所有的结果打印出来了，也就是说在打印之前，x已经完成了函数里面的全部运算。 我个人对这两种的方法理解可以用洗车来比喻： 洗车的步骤是洗车然后冲干，第一种方式是洗一辆冲一辆，第二种方法是先把所有的车都洗完，然后再把所有的车都冲干净，很明显的会感觉第二种消耗资源会比较多 每个生成器只能被使用一次，不能够复用，例如下面

>>>; def add():

... for i in range(1000):

... yield i

...

>>> x = add()

>>> print sum(x)

499500

>>> print sum(x)

0

>>>

x里面的内容已经被遍历过一次了，因此第二次打印的时候并不会打印出来数据 如果想再次打印，则需要再生成一个生成器 从这里我们可以看出来，生成器是一种返回迭代器的函数