python生成器和生成器表达式及各种推导式

一. 生成器
什么是生成器. 生成器实质就是迭代器.
在python中有三种方式来获取生成器:

1. 通过生成器函数
2. 通过各种推导式来实现生成器
3. 通过数据的转换也可以获取生成器

首先, 我们先看一个很简单的函数:

def func():
	print("111")
	return 222
	
ret = func()
print(ret)
结果:
111
222

将函数中的return换成yield就是生成器

def func():
	print("111")
	yield 222
	
ret = func()
print(ret)
结果:
<generator object func at 0x10567ff68>

运行的结果和上面不一样. 为什么呢. 由于函数中存在了yield. 那么这个函数就是一个生成器函数. 这个时候. 我们再执行这个函数的时候. 就不再是函数的执行了. 而是获取这个生成器.如何使用呢? 想想迭代器. 生成器的本质是迭代器. 所以. 我们可以直接执行__next__()来执行以下生成器.

def func():
	print("111")
	yield 222
gener = func() # 这个时候函数不会执行. 而是获取到生成器
ret = gener.__next__() # 这个时候函数才会执行. yield的作用和return一样. 也是返回数据
print(ret)
结果:
111
222

那么我们可以看到, yield和return的效果是一样的. 有什么区别呢? yield是分段来执行一个函数. return呢? 直接停止执行函数.

def func():
	print("111")
	yield 222
	print("333")
	yield 444
	
gener = func()
ret = gener.__next__()
print(ret)
ret2 = gener.__next__()
print(ret2)
ret3 = gener.__next__() # 最后一个yield执行完毕. 再次__next__()程序报错, 也就是
说. 和return无关了.
print(ret3)

结果:
111
Traceback (most recent call last):
222
333
	File "/Users/sylar/PycharmProjects/oldboy/iterator.py", line 55, in
<module>
444
	ret3 = gener.__next__() # 最后一个yield执行完毕. 再次__next__()程序报错, 也就是说. 和return无关了.
StopIteration

当程序运行完最后一个yield. 那么后面继续进行__next__()程序会报错.
好了生成器说完了. 生成器有什么作用呢? 我们来看这样一个需求. 一个公司向NIKE订购10000套工装. NIKE就比较实在. 直接造出来10000套工装.

def cloth():
	lst = []
	for i in range(0, 10000):
		lst.append("衣服"+str(i))
	return lst
cl = cloth()

但是呢, 问题来了. 公司现在没有这么多职工啊. 一次性给我这么多. 我往哪里放啊. 很尴尬啊. 最好的效果是什么样呢? 我要1套. 你给我1套. 一共10000套. 是不是最完美的.

def cloth():
	for i in range(0, 10000):
	yield "衣服"+str(i)
cl = cloth()
print(cl.__next__())
print(cl.__next__())
print(cl.__next__())
print(cl.__next__())

区别: 第一种是直接一次性全部拿出来. 会很占用内存. 第二种使用生成器. 一次就一个. 用多少生成多少. 生成器是一个一个的指向下一个. 不会回去, next()到哪, 指针就指到哪儿.下一次继续获取指针指向的值.

接下来我们来看send方法, send和__next__()一样都可以让生成器执行到下一个yield.

def eat():
	print("我吃什么啊")
	a = yield "馒头"
	print("a=",a)
	b = yield "大饼"
	print("b=",b)
	c = yield "韭菜盒子"
	print("c=",c)
	yield "GAME OVER"
	
gen = eat() # 获取生成器
ret1 = gen.__next__()
print(ret1)
ret2 = gen.send("胡辣汤")
print(ret2)
ret3 = gen.send("狗粮")
print(ret3)
ret4 = gen.send("猫粮")
print(ret4)

send和__next__()区别:

1. send和next()都是让生成器向下走一次
2. send可以给上一个yield的位置传递值, 不能给最后一个yield发送值. 在第一次执行生成器代码的时候不能使用send()

生成器可以使用for循环来循环获取内部的元素:

def func():
	print(111)
	yield 222
	print(333)
	yield 444
	print(555)
	yield 666
gen = func()
for i in gen:
	print(i)
结果:
111
222
333
444
555
666

二. 列表推导式, 生成器表达式以及其他推导式
首先我们先看一下这样的代码, 给出一个列表, 通过循环, 向列表中添加1-15 :

lst = []
for i in range(1, 15):
	lst.append(i)
print(lst)

替换成列表推导式:

lst = [i for i in range(1, 15)]
print(lst)

列表推导式是通过一行来构建你要的列表, 列表推导式看起来代码简单. 但是出现错误之后很难排查.
列表推导式的常用写法:
[ 结果 for 变量 in 可迭代对象]
例. 从python1期到python14期写入列表lst:

lst = ['python%s' % i for i in range(1,15)]
print(lst)

我们还可以对列表中的数据进行筛选
筛选模式:
[ 结果 for 变量 in 可迭代对象 if 条件 ]

# 获取1-100内所有的偶数
lst = [i for i in range(1, 100) if i % 2 == 0]
print(lst)

生成器表达式和列表推导式的语法基本上是一样的. 只是把[]替换成()

gen = (i for i in range(10))
print(gen)
结果:
<generator object <genexpr> at 0x106768f10>

打印的结果就是一个生成器. 我们可以使用for循环来循环这个生成器:

gen = ("麻花藤我第%s次爱你" % i for i in range(10))
for i in gen:
	print(i)

生成器表达式也可以进行筛选:

# 获取1-100内能被3整除的数
gen = (i for i in range(1,100) if i % 3 == 0)
for num in gen:
	print(num)
	
# 100以内能被3整除的数的平方
gen = (i * i for i in range(100) if i % 3 == 0)
for num in gen:
	print(num)
	
# 寻找名字中带有两个e的人的名字
names = [['Tom', 'Billy', 'Jefferson', 'Andrew', 'Wesley', 'Steven','Joe'],
['Alice', 'Jill', 'Ana', 'Wendy', 'Jennifer', 'Sherry', 'Eva']]

# 不用推导式和表达式
result = []
for first in names:
	for name in first:
		if name.count("e") >= 2:
			result.append(name)
			
print(result)
# 推导式
gen = (name for first in names for name in first if name.count("e") >= 2)
for name in gen:
	print(name)

生成器表达式和列表推导式的区别:
1.列表推导式比较耗内存. 一次性加载. 生成器表达式几乎不占用内存. 使用的时候才分配和使用内存
2.得到的值不一样. 列表推导式得到的是一个列表. 生成器表达式获取的是一个⽣生成器.
举个栗子.
同样一篮子鸡蛋. 列表推导式: 直接拿到一篮子鸡蛋. 生成器表达式: 拿到一个老母鸡. 需要鸡蛋就给你下鸡蛋.
生成器的惰性机制: 生成器只有在访问的时候才取值. 说白了. 你找他要他才给你值. 不找他要. 他是不会执行的.

	def func():
		print(111)
		yield 222
		
	g = func() # 生成器g
	g1 = (i for i in g) # 生成器g1. 但是g1的数据来源于g
	g2 = (i for i in g1) # 生成器g2. 来源g1
	
	print(list(g)) # 获取g中的数据. 这时func()才会被执行. 打印111.获取到222. g完毕.
	print(list(g1)) # 获取g1中的数据. g1的数据来源是g. 但是g已经取完了. g1 也就没有数据了
	print(list(g2)) # 和g1同理

深坑==> 生成器. 要值得时候才拿值.

字典推导式:
根据名字应该也能猜到. 推到出来的是字典

# 把字典中的key和value互换
dic = {'a': 1, 'b': '2'}
new_dic = {dic[key]: key for key in dic}
print(new_dic)

# 在以下list中. 从lst1中获取的数据和lst2中相对应的位置的数据组成一个新字典
lst1 = ['jay', 'jj', 'sylar']
lst2 = ['周杰伦', '林俊杰', 'grady']
dic = {lst1[i]: lst2[i] for i in range(len(lst1))}
print(dic)

集合推导式:
集合推导式可以帮我们直接生成一个集合. 集合的特点: 无序, 不重复. 所以集合推导式自带去重功能

lst = [1, -1, 8, -8, 12]
# 绝对值去重
s = {abs(i) for i in lst}
print(s)

总结: 推导式有, 列表推导式, 字典推导式, 集合推导式, 没有元组推导式
生成器表达式: (结果 for 变量 in 可迭代对象 if 条件筛选)
生成器表达式可以直接获取到生成器对象. 生成器对象可以直接进行for循环. 生成器具有惰性机制.