python基础：可迭代的、迭代对象、迭代器、生成器

1、可迭代的、迭代器、生成器总结

 

迭代对象、迭代器、生成器的关系：

可迭代对象、可迭代器有什么区别？

• 2者实现的方法不一致，可迭代对象只实现了__iter__方法，可迭代器实现__iter__和__next__方法，后者是前者的子集；
• 内存分配方式不一致，可迭代对象会将全部的元素都放入内存，而可迭代器是随时用随时分配，会记录下当前运行的状态和信息，下一次调用元素时在分配。

 

2、可迭代的

可迭代的，iterable

直观上来说：序列类、容器类，都是可迭代的。

可迭代的可以理解为：内部实现了__iter__()方法，可通过调用__iter__()方法，取得下一个元素，如果没有下一个元素抛出异常：StopIteration

 

3、可迭代对象Iterable

定义：可迭代对象，是指内部实现了__iter__()方法的对象，__iter__()方法返回的是迭代对象自身。

判断：可迭代对象可通过instance(x, Iterable)来判断。可迭代对象都可以使用for循环迭代使用，但可使用for循环的未必是可迭代对象，因类中实现了__getitem__方法的对象，也可以被for循环迭代，但并不是可迭代对象。

可迭代对象包括：str、list、tuple、dict、set

基本数据对象中的str、list、tuple、dict、set是可迭代对象，但并不是迭代器，但是可以通过iter(iterable) 方法转换为迭代器。迭代器是可以通过next() 方法，不断的计算下一个迭代对象，直到没有数据时，抛出StopIteration异常。

from collections.abc import Iterable, Iterator

astr = ""

res = isinstance(astr, Iterable)

>> True

res = isinstance(astr, Iterator)

>> False

res = isinstance(iter(astr), Iterator)

>> True

 

4、迭代器Iterator

定义：可迭代器，是指内部实现了__iter__()和__next__()方法的对象。和可迭代对象相比，可迭代对象包含于迭代器中。__iter__() 返回迭代器对象，如果后面没有迭代对象，会报错StopIteration，__next__() 返回下一个迭代器对象。

判断：迭代器可通过instance(x, Iterator)来判断。

迭代器处理顺序：内部不断的调用__next__() 取得下一个元素，__iter__() 返回迭代器自身；如没有下一个元素，触发StopIteration异常。

 

5、生成器

迭代可以理解为循环处理，处理的对象比如列表或字典等，会存放在内存空间。但是，如果出现列表长度非常长等情况时，将所有的列表都存放在内存，并不是可取的方案，而生成器，可以解决这个问题：迭代处理，同时可做到随时用随时分配内存空间。

有2种方式可以得到生成器：1）列表生成器；2）带yield的函数

 

5.1、列表生成器

列表生产器的[] 修改为 ()，如下面例子中，如果是[]，mark只是一个列表，但当把[]改为()后，mark成了一个生成器。在输出mark，得到的是生成器。

mark = (x for x in [1, 2, 3, 4, 5])

>> <generator object <genexpr> at 0x10d69d580>

以上列表生成器，可以理解为，对列表[1, 2, 3, 4, 5]的迭代，每次只取一个元素使用，并保存当前的迭代位置，用以下次迭代，当没有元素后，会报错StopIteration。

怎样访问列表生成器中的元素？

• next()：基本上不会用到next()方法，用for循环来处理，也不用处理StopIteration异常。
• for

# 使用next()得到生成器的下一个元素
mark = [1, 2, 3]
print(next(mark))
print(next(mark))
print(next(mark))
print(next(mark))
print(next(mark))
print(next(mark))

>> 1

>> 2

>> 3

>> StopIteration

# 使用for循环来迭代访问生成器中的元素
mark = (x for x in [1, 2, 3, 4, 5])
for i in mark:
    print(i)

 

5.2、yield

列表生成器，得到的生成器比较简单。当有较复杂的迭代逻辑时，可用生成器函数来实现。生成器函数是指：一个函数中，有yield关键字。 

可以理解为，生成器函数保存的是算法，每次迭代，都会计算下一个元素的值，如果没有下一个元素会抛出异常StopIteration。

 

5.2.1、和普通函数相比

1）调用方式不一致；next(g)和g.send(value)调用

• 普通函数，func()表示调用函数func，此时会为函数中的数据分配栈空间，函数执行完后，分pop栈空间。
• 生成器函数，g()并没有调用函数，而是生成一个生成器函数，调用生成器需使用next(g)或g.send(value)，next(g)是每次返回生成器的下一个元素，g.send(value)是改写了生成器的返回，第1次调用生成器需使用next(g)，后面可使用next(g)或g.send(value)，因没有1次调用生成器，g.send(value)也不能改写生成器的返回。

2）从不存储任何取值，生成器是一个一个的生成值

def student():
    print("for test")
    m = yield 5
    print(m)
    d = yield 12

s = student()
print(next(s)) # 打印结果：for test  5
print(s.send(10)) # 打印结果： 10  12

解析以上例子：

• s = student()：并没有调用函数，只是得到一个生成器
• print(next(s))：next(s)执行到yield 5停止，此时yield可以理解为return，遇到yield，会暂停在yield执行的右边，所以左边的赋值给m并没有执行，print(next(5))将打印出5
• print(s.send(10))：再次调用生成器，从上次执行的地方继续执行。首先将取值赋值为m，而此时g.send(10)是将10这个参数直接覆盖之前的结果，将10赋值给m；在执行print(m)将打印出10，最后yiled 12暂停，返回12，print(s.send(10))将返回的12打印出来。

 

5.2.2、和return相比

• 普通函数return后，函数执行完成，函数的栈空间释放。
• yield，可以理解为生成器函数的返回，但只是暂时返回，将保存生成器函数的结果，下次在调用从上次执行结果处继续执行。