可迭代对象 (iterable) 与 迭代器 (iterator)
目录
一、绪论
二、可迭代对象 (iterable)
三、迭代器 (iterator)
3.1 介绍
3.2 文件迭代器
[3.3 自定义类实现迭代器](read://https_blog.csdn.net/?url=https%3A%2F%2Fblog.csdn.net%2Fqq_39478403%2Farticle%2Fdetails%2F105840170#3.3 自定义类实现迭代器)
四、相关内置函数
4.1 返回迭代器对象 —— iter()
4.2 调用下一个元素 —— next()
一、绪论
事实上,Python、C++、JAVA 等语言中都有 迭代器 的概念,用法相近,均旨在解决 “如何在复杂场景下尽可能简便地获取数据” 的问题。迭代器的含义类似于遍历链表时所用到的 cur 指针 —— 总是指向当前位置并知道下一个位置 next。
封面图片 较好地展现了 Python 可迭代对象 (iterable)、迭代器 (iterator)、生成器 (generator) 等概念的基本联系。为突出其重要性以及便于查阅,特置于醒目的位置。(来自网络)
二、可迭代对象 (iterable)
可迭代对象 (iterable) 是一种 能逐一返回其成员项 的对象,常包括:
- 所有内置序列对象 (字符串、列表、元组)
- 部分内置非序列对象 (字典、集合、文件对象等)
- 其他支持迭代协议的对象 (定义有 iter() 方法)
- 其他支持序列协议的对象 (定义有 getitem() 方法)
既可用内置函数 hasattr() 检查一个对象是否支持迭代协议 (定义有 iter() 方法),以判断其是否为可迭代对象:
# 可见以下常见的内置类型均支持迭代协议 —— 为可迭代对象
>>> hasattr([], "__iter__"), hasattr({}, "__iter__"), hasattr('', "__iter__"), hasattr(set(), "__iter__"), hasattr((), "__iter__")
(True, True, True, True, True)
也可用内置函数 isinstance() 并结合 collections 模块中的抽象基类 (ABC),以判断一个对象是否为可迭代对象:
>>> from collections import Iterable
# 测试常见数据类型的对象, 可见均为可迭代对象(iterable)
>>> isinstance([], Iterable), isinstance({}, Iterable), isinstance('', Iterable), isinstance(set(), Iterable), isinstance((), Iterable)
(True, True, True, True, True)
可迭代对象可用于 for 循环 及各种 以 iterable 为形参的函数/方法 中 (如 zip()、map()、enumerate() 等),例如:
>>> help(map)
Help on class map in module builtins:
class map(object)
| map(func, *iterables) --> map object
|
| Make an iterator that computes the function using arguments from
| each of the iterables. Stops when the shortest iterable is exhausted.
|
| Methods defined here:
|
| __getattribute__(self, name, /)
| Return getattr(self, name).
|
| __iter__(self, /)
| Implement iter(self).
|
| __new__(*args, **kwargs) from builtins.type
| Create and return a new object. See help(type) for accurate signature.
|
| __next__(self, /)
| Implement next(self).
|
| __reduce__(...)
| Return state information for pickling.
由此可知,map 派生自 object,其形参包含了可迭代对象 iterables。不仅如此,map 内部定义了 iter() 方法 (支持迭代协议),因此 map 对象也是可迭代对象。而 zip()、enumerate() 等函数亦复如是。
可迭代对象 作为 实参 传递给 内置函数 iter() 时,将 返回一个该可迭代对象的迭代器 (irerator)。这种迭代器适用于对 值/数据成员/元素 的集合的 一次性遍历。使用可迭代对象时,通常无需自行调用 iter() 或自行处理迭代器对象,for 语句会在内部处理好这些操作 —— 创建一个临时量 (临时的未命名变量) 用于在循环/迭代/遍历期间保存迭代器。
关于 for 语句,简要回顾如下:
- for 语句用于对序列 (str、list、tuple) 等 可迭代对象中的元素执行顺序迭代。
- for 语句在迭代前,先 创建一个该可迭代对象的迭代器 (irerator),并用一个临时量 (临时的未命名变量) 保存该迭代器。迭代过程 即 顺序遍历和操作迭代器的元素。当 迭代器元素耗尽 时 (包括序列为空 或 迭代器引发 StopIteration 异常等),执行 else 语句 (如果有),然后结束 for 循环 (每次 for 循环都会有一个 内部计数器 用于跟踪下一个元素,每次迭代都会使计数器递增,当计数器值增至迭代器元素总数时循环就会终止)。
- 若 for 语句中执行了 break,则直接跳过 (for 循环的) else 语句并结束 for 循环。
- 若 for 语句中执行了 continue,则跳过本次迭代,直接进行下一次。
- for 语句的内部机制 确保不因迭代器元素耗尽引发 StopIteration 异常 (例如使用 try-except 语句 详见下节)。
例如,经常使用 for 语句对 range() 函数对象迭代,而 range() 函数对象就是一个可迭代对象 (但不是迭代器):
>>> for i in range(1):
pass
>>> isinstance(range(1), Iterable), isinstance(range(1), Iterator)
(True, False)
注意,上述提到了将要进一步说明的概念 —— 迭代器 (irerator)。
三、迭代器 (iterator)
3.1 介绍
迭代器 (iterator) 是一种用于表示 一连串数据流 的对象。
迭代器对象要求支持 迭代器协议 —— 对象须同时支持/实现 iter() 方法和 next() 方法。协议规定:
- iterator.iter() 方法 返回迭代器对象本身 (对可迭代对象使用内置函数 iter() 将返回迭代器),这是同时允许容器和迭代器配合 for … in … 语句使用所必须的。
- iterator.next() 方法 返回容器的下一项元素。重复调用迭代器的 next() 方法 (或用内置函数 next()) 将依次返回数据流中的元素,并在元素耗尽 (无数据项/元素) 时引发 StopIteration 异常。迭代器对象中的数据项/元素耗尽后,再次调用 next() 或 next() 只会再次引发 StopIteration 异常。
迭代器必须具有 iter() 方法用来返回该迭代器对象自身,因此 迭代器必为可迭代对象 (但可迭代对象不一定是迭代器)。换言之,只有迭代器有 next() 方法,而可迭代对象没有。
迭代器可用于其他可迭代对象适用的大部分场合 (比如 map 同时实现了 iter() 和 next() 方法,故其亦为迭代器)。
>>> from collections import Iterable, Iterator # 导入两个抽象基类, 可用于检查对象类型
>>> lst = [0, 1, 2] # 创建示例列表 lst
>>> isinstance(lst, Iterable), isinstance(lst, Iterator) # lst 是可迭代对象, 但还不是迭代器
(True, False)
>>> iterator = iter(lst) # 返回可迭代对象 lst 的迭代器, 并由变量 iterator 指向/保存该迭代器
>>> isinstance(iterator, Iterable), isinstance(iterator, Iterator) # iterator 既是可迭代对象, 也是迭代器
(True, True)
>>> type(iterator) # 更具体地, 这是一个 “列表迭代器 (list_iterator)”
<class 'list_iterator'>
>>> next(iterator) # 使用内置函数 next(), 输出一个元素
0
>>> iterator.__next__() # 等价于使用成员方法 __next__(), 输出一个元素
1
>>> next(iterator) # next() 和 __next__() 效果完全相同
2
>>> next(iterator) # 迭代器元素耗尽, 调用 next() 引发 StopIteration 异常
Traceback (most recent call last):
File "<pyshell#32>", line 1, in <module>
next(iterator)
StopIteration
>>> next(iterator) # 迭代器元素耗尽, 再次调用 next() 仍会引发 StopIteration 异常
Traceback (most recent call last):
File "<pyshell#33>", line 1, in <module>
next(iterator)
StopIteration
综上可知,迭代器表示一个 数据流,可被 next() 函数不断调用,从首项开始不断返回下一项数据/元素 (而不能回退) 直至耗尽,并抛出 StopIteration。
事实上,不断调用 next() 函数,内部指针随之后移并依次访问各元素;当遍历尽所有元素时,意味着指针移到了最后一个元素后,故不论怎么调用 next() 函数,都无法访问到元素,于是引发 StopIteration 异常;若想要从头访问,须再次载入迭代器对象。
而该 数据流 可视为一个 未知长度的 “有序序列” (比喻),只能通过不断调用 next() 按需计算下一项数据/元素。因此,迭代器是 惰性的,需要返回下一个项时才会计算 (形同赶牛,抽一下动一下)。
事实上,若有必要,迭代器甚至可表示为一个 无限大的数据流,例如全体自然数。而有限长度的序列/非序列等是无法做到存储全体自然数的。
由此可知,for 循环的本质即**:对可迭代对象调用 iter() 返回一个关于该对象的迭代器,然后不断调用 next() 迭代/遍历元素**。例如:
>>> for i in [0, 1, 2]:
print(i)
0
1
2
# --------------------------------------- 等价于 ----------------------------------------
>>> iterator = iter([0, 1, 2]) # 将从可迭代对象(list)返回一个迭代器
>>> while True:
try: # 使用 try-except 语句捕获异常, 避免抛出 StopIteration 异常并正常结束循环
j = next(iterator) # 返回迭代器的下一个元素
print(j)
except StopIteration: # 当元素耗尽时, 捕获 StopIteration 异常并退出循环/迭代
break
0
1
2
这就是为什么我们 从未见过 for 语句引发 StopIteration 异常 —— 它可以使用 try-except 语句 或其他相关代码实现 异常捕获、处理与自动结束。
此外,不建议对 可变对象 边迭代边修改,因为如此将可能带来各种 麻烦和困扰。
3.2 文件迭代器
设 test.txt 文件的内容为:
First Line
Last Line
通常使用 read() / readline() / readlines() 等方式读取文件内容,例如:
>>> fin = open('test.txt')
>>> fin.readline()
'First Line\n'
>>> fin.readline()
'Last Line'
>>> fin.readline() # fin.readline() 若返回一个空字符串, 说明已经已经读取到最后一行
''
>>> fin.close()
当然,用 for 循环更便捷:
>>> fin = open('test.txt')
>>> for line in fin:
print(line, end='') # print() 函数默认结尾是换行符 \n , 这里手动改成 ''
First Line
Last Line
>>> fin.close()
其实,还可以使用 文件迭代器,例如:
>>> fin = open('test.txt') # 文件对象
>>> fin.__next__()
'First Line\n'
>>> fin.__next__()
'Last Line'
>>> fin.__next__()
Traceback (most recent call last):
File "<pyshell#8>", line 1, in <module>
fin.__next__()
StopIteration
>>> fin.close()
可见,还可使用 next() 方法 (当然 next() 亦可) 逐行读取文件内容,这说明 文件对象是迭代器:
>>> from collections import Iterable, Iterator # 抽象基类
>>> fin = open('test.txt')
>>> isinstance(fin, Iterable), isinstance(fin, Iterator) # 文件对象 fin 也是迭代器
(True, True)
正如 3.1 节结尾所述:for 循环本质就是对可迭代对象调用 iter() 返回一个迭代器、然后不断调用 next() 迭代/遍历元素。
3.3 自定义类实现迭代器
除了 Python 内置迭代器对象,更主要的用法还是 自定义迭代器 —— 自定义类并在其成员方法中同时实现 iter() 方法和 next() 方法 (以支持迭代器协议) 创建迭代器。例如:
>>> class Counter:
''' 自定义一个示例迭代器类 (简化到甚至构造方法 __init__() 都不实现) '''
def __iter__(self): # __iter__() 方法用于初始化并返回迭代器
self.num = 0
return self # 只需返回自身
def __next__(self):
i = self.num
self.num += 1
return i
>>> counter = Counter() # 实例化一个类对象
>>> isinstance(counter, Iterable), isinstance(counter, Iterator) # 支持迭代器协议, 是迭代器
(True, True)
>>> count_iter = iter(counter) # 返回一个迭代器
>>> isinstance(count_iter, Iterable), isinstance(count_iter, Iterator) # 迭代器
(True, True)
>>> next(count_iter) # 理论上可以无限迭代所有的自然数
0
>>> next(count_iter)
1
>>> next(count_iter)
2
StopIteration 异常 用于 标识迭代的完成,防止出现无限循环 的情况,在 next() 方法中可以自行设置在完成指定循环次数后触发 StopIteration 异常以结束迭代:
>>> class Counter2:
def __iter__(self):
self.num = 0
return self
def __next__(self):
if self.num <= 3: # 自定义上迭代上限/停止迭代条件
i = self.num
self.num += 1
return i
else:
raise StopIteration # 主动抛出异常
>>> counter2 = Counter2()
>>> count_iter2 = iter(counter2)
>>> next(count_iter2)
0
>>> next(count_iter2)
1
>>> next(count_iter2)
2
>>> next(count_iter2)
3
>>> next(count_iter2)
Traceback (most recent call last):
File "<pyshell#84>", line 1, in <module>
next(count_iter2)
File "<pyshell#77>", line 11, in __next__
raise StopIteration
StopIteration
当然,最好还是 初始化构造函数 使之 更灵活:
>>> class Counter3:
def __init__(self, start, end):
self.start = start
self.end = end
def __iter__(self):
self.indicator = self.start
return self
def __next__(self):
if self.indicator <= self.end:
i = self.indicator
self.indicator += 1
return i
else:
raise StopIteration
>>> counter3 = Counter3(0, 2) # 实例化类对象时, 自定义传入计数初始值和结束值
>>> count_iter3 = iter(counter3)
>>> next(count_iter3)
0
>>> next(count_iter3)
1
>>> next(count_iter3)
2
>>> next(count_iter3)
Traceback (most recent call last):
File "<pyshell#93>", line 1, in <module>
next(count_iter3)
File "<pyshell#86>", line 14, in __next__
raise StopIteration
StopIteration
此外,迭代器同样具有 缺点,例如:
- 迭代器只能不断往下一项元素迭代,而不能回退
- 迭代器不适用于多线程环境下的可变集合等
四、相关内置函数
4.1 返回迭代器对象 —— iter()
内置函数 iter() 通过可迭代对象 返回一个关于可迭代对象的迭代器对象,其函数原型为:
iter(object[, sentinel])
其中,第一个参数 object 必须是 支持迭代协议 (有 iter() 方法) 或 支持序列协议 (有 getitem() 方法,且数字参数从 0 开始) 的集合对象。若不支持这些协议,会引发 TypeError。只传入第一个参数 object 并返回一个迭代器的用法十分常见,上文例子很多不再赘述。
注意,若还传入第二个参数 sentinel,则参数 object 必须是一个 可调用 (callable) 的对象 (如函数)。这种情况下生成的迭代器对象,每次调用其 next() 方法时,都会不带实参地调用 object。若返回的结果是 sentinel 则触发 StopIteration,否则返回调用结果。例如:
>>> callable(list) # 使用内置 callable() 函数判断是否为可调用对象 (callable object)
True
# ------------------------------------------------------------------------------
>>> reader1 = iter(list, '') # 参数 sentinel='', 迭代器只有返回 '' 时才会停止
>>> next(reader)
[]
>>> next(reader)
[]
# ------------------------------------------------------------------------------
>>> reader2 = iter(list, []) # 参数 sentinel='', 迭代器只有返回 [] 时才会停止
>>> next(reader2)
Traceback (most recent call last):
File "<pyshell#128>", line 1, in <module>
next(reader2)
StopIteration
可见,使用内置 callable() 函数可判断对象是否可调用。而若类实现了 callable() 方法,则其实例是可调用的。
当然,上例仅是说明语法,而非正常用法。有一个经典用法是:读取文件的行直至到达某一特定行为止。下例读取一个文件,直到 readline() 方法返回一个空字符串:
>>> with open('test.txt') as file: # with 语句下的上下文管理器
for line in iter(file.readline, ''): # 逐行读取并迭代
process_line(line) # 处理该行的统称/笼统表示方式
4.2 调用下一个元素 —— next()
内置函数 next() 通过 调用迭代器的 next() 方法返回下一项元素,其函数原型为:
next(iterator[, default])
其中,第一个参数 iterator 为 迭代器对象。第二个参数 default 可选,用于设置 在没有下一项元素时返回的默认值/缺省值,以避免抛出异常中断程序。若不设置参数 default,且调用 next() 时无下一项元素则会触发 StopIteration 异常。例如:
>>> list_iter1 = iter([0, 1, 2])
>>> next(list_iter1)
0
>>> next(list_iter1)
1
>>> next(list_iter1)
2
>>> next(list_iter1) # 不指定 default 且迭代器元素耗尽, 将引发 StopIteration 异常
Traceback (most recent call last):
File "<pyshell#117>", line 1, in <module>
next(list_iter1)
StopIteration
>>> next(list_iter1, 'stop') # 指定 default, 则迭代器元素耗尽, 将输出 default
'stop'
上例不仅说明了 迭代器元素耗尽时抛出 StopIteration 异常的原因,还给出了 next() 函数的另一种用法来避免引发异常。
生成器 (generator)
目录
一、绪论
二、生成器 (generator)
2.1 说明
2.2 生成器函数
2.2.1 原理概述
2.2.2 yield 表达式
2.3 生成器表达式
一、绪论
事实上,在诸如 C、C++、JAVA 等主流语言中,并无生成器的概念。而在 Python 中,生成器则与迭代器相辅相成 —— *迭代器* 是 生成一个遍历数据的迭代工具,而 *生成器* 则是 一个数据生成工具。
举个典例:已知,斐波那契数列从第三个数开始等于前两数之和。假设想获取 1024 万个斐波那契数列,按传统方法需开辟一个长度为 1024 万的数组,再按照斐波那契数列定义逐个计算 —— 显然内存限制下,不可能同时创建如此多元素。即便可以创建,也会占用大量存储空间。而且倘若仅需访问其中几个元素,那么大部分元素的空间都浪费了。
那么,可否像迭代器那样构建一个生成数据的方法,每次调用才获取下一个结果,而不是将所有结果都存在内存中呢?这就是 生成器 —— 一种 惰性序列,需要多少就调用多少次 —— 按需生成,以从根本上解决存储问题。
二、生成器 (generator)
2.1 说明
生成器 (generator) 用于 返回 生成器迭代器 (generator iterator)。已知:
- 可迭代对象 (iterable):支持 迭代协议 (实现了 iter() 方法)
- 迭代器 (iterator):支持 迭代器协议 (实现了 iter() 和 next() 方法)
生成器 无需显式定义 iter() 和__next__() 方法,因为实例化生成器对象后将 自动支持迭代器协议,故 生成器也是一种迭代器,是实现迭代器协议的便捷方式,写法更为紧凑。
通常,使用两种方式创建生成器:生成器函数 及 生成 (器) 表达式。(生成器通常默认指前者)
2.2 生成器函数
2.2.1 原理概述
生成器函数 用于创建 生成器迭代器 (generator iterator)。
与普通函数的 区别 在于:普通函数 使用 return 返回结果,而 生成器函数 使用 yield 返回结果。
使用了 yield 表达式 的生成器函数 返回一个迭代器对象,以便于通过 for 循环或 next() 函数等逐项获取元素/数据/值/成员 (以下统称 元素)。换言之,使用了 yield 表达式的函数就是生成器函数。
更具体地,在调用生成器函数时,每次遇到 yield 表达式,生成器函数就会 暂停并保存当前位置的执行状态 (包括局部变量和挂起的 try 语句),然后 返回 yield 表达式的值,并在 下一次对生成器函数执行 next() 方法 时,从上次离开的位置继续执行 (有别于每次调用普通函数都重新从头开始)。
例如,生成斐波那契数列前 max 个数,使用 普通函数 :
>>> def fib_common(max):
a, b, counter = 0, 1, 0
while counter < max:
print(a)
a, b = b, a + b
counter += 1
return
>>> fib_common(8) # max=8
0
1
1
2
3
5
8
13
此时,将 print(a) 改成 yield a 即得 生成器函数:
>>> def fib_gen(max):
a, b, counter = 0, 1, 0
while counter < max:
yield a # fib_gen() 因此变为生成器函数
a, b = b, a + b
counter += 1
return
定义一个 生成器对象 fg,检验其性质:
>>> fg = fib_gen(8) # max=8
>>> fg
<generator object fib_gen at 0x0000020E3F704780>
>>> from collections import Iterable, Iterator, Generator # 导入抽象基类检验
>>> isinstance(fg, Iterable), isinstance(fg, Iterator), isinstance(fg, Generator) # 可见生成器对象也是一种可迭代对象
(True, True, True)
可见,含有 yield 表达式 的 生成器函数,其实例 是生成器 (generator),也是迭代器 (iterator),更为可迭代对象 (iterable)。这时,要想迭代生成器的各项元素,就必须 显式或隐式地调用 next() 函数,一个一个地计算结果:
>>> import sys
>>> while True:
try:
print(next(fg)) # 显式调用 next() 获取生成器对象的元素
except StopIteration:
sys.exit()
0
1
1
2
3
5
8
13
2.2.2 yield 表达式
上节并未直观地展现 yield 表达式 的原理,因而由本节举例说明。自定义一个生成器函数:
>>> def num_gen(): # 因为包含 yield 表达式, 所以该函数是生成器函数
index = 0
print('index=', index)
yield 0
index += 1
print('index=', index)
yield 1
index += 1
print('index=', index)
yield 2
>>> hasattr(num_gen, '__next__') # 生成器函数 num_gen() 并未显式支持迭代器协议
False
调用该生成器函数时,需要先实例化一个 生成器 (迭代器) 对象:
>>> ng = num_gen()
>>> hasattr(ng, '__iter__'), hasattr(ng, '__next__') # 实例化后的对象自动支持迭代器协议, 而无需显式定义
(True, True) # 可见生成器也是迭代器 (自然也是可迭代对象)
可见,生成器函数的实例对象 自动支持迭代器协议 (自动创建 iter() 和 next() 方法)。再使用 next() 函数或调用 next() 方法依次获取下一项:
>>> next(ng)
index=0
0
>>> ng.__next__() # 可见每次重新调用, 都会从上一次执行中断的位置状态继续
index=1
1
>>> next(ng) # index 的变化就证明了上述结论
index=2
2
>>> next(ng) # 生成器作为迭代器, 同样会因为迭代元素的耗尽而引发 StopIteration 异常
Traceback (most recent call last):
File "<pyshell#126>", line 1, in <module>
next(ng)
StopIteration
根据 print() 函数的打印结果可知,函数每次遇到 yield 就返回 yield 表达值中的值 (和 return 一样会将 yield 后的内容返回给调用方),然后中断执行退出函数,保存当前位置状态,并在下一次调用 next() 时恢复所保存的位置状态,继续往下执行。可以说,每次调用 next() 都相当于执行一个 代码块,而代码块之间的是由 yield 表达式分隔的。生成器作为迭代器,同样会因为迭代元素的耗尽而引发 StopIteration 异常,以避免无限迭代。
注意,上述解读提到了 每次 yield 中断执行都会保存当前位置状态,而 num_gen() 函数的局部变量 index 状态变化就证明了这一点。而若以 return 取代 yield 则会变回普通函数,那么每次调用函数都不会保存前向调用的状态,而是重新从头初始化状态。
此外,还有一种 yield from 表达式 可以返回一个迭代器或生成器执行 next 后的结果,暂不赘述。
2.3 生成器表达式
事实上,除了用生成器函数来创建生成器,还可以通过另一种简洁的方式 —— 生成器表达式。
形式上,生成器表达式类似于列表推导式,但使用的是 圆括号 () 而非方括号 [];结果上,生成器表达式不会像列表推导式一样一次性返回所有计算结果,而是通过 延迟计算,按需生成。可以说,生成器表达式结合了迭代功能和解析功能。
>>> [i for i in range(4)] # 列表推导式 / 列表解析式
[0, 1, 2, 3] # 返回完整列表对象
>>> (j for j in range(4)) # 生成器表达式
<generator object <genexpr> at 0x0000020E3F704888> # 返回一个生成器对象
生成器表达式可认为是一种特殊的生成器函数,类似于 lambda 表达式之于普通函数的关系。虽然形式上更简洁、紧凑,但生成器表达式同样能够返回一个生成器(迭代器)。
因为生成器也是迭代器、可迭代对象,所以适用于后者的函数同样适用于前者并常配合使用,例如:
>>> sum(j for j in range(4)) # sum(iterable, start=0, /)
6
>>> min(j for j in range(4)) # min(iterable, *[, default=obj, key=func])
0
>>> max(j for j in range(4)) # max(iterable, *[, default=obj, key=func])
3
# -----------------------------------------------------------------------------------
>>> x = [1, 2, 3]
>>> y = [4, 5, 6]
>>> list(i+j for i, j in zip(x, y)) # zip(iter1 [,iter2 [...]])
[5, 7, 9]
事实上,生成器表达器比列表推导式更高效,例如:
>>> sum((j for j in range(4))) # 为方便, 也可省略生成器表达式的内层圆括号
6
>>> sum([j for j in range(4)]) # 列表推导式写法
6
上述两个例子中,生成器表达式一边生成元素一边求和,而 列表推导式却先计算出一个完整列表再求和,从而后者多出的操作引起了时间效率的 落后。
此外,要逐个输出元素,需要先实例化生成器对象(使用变量保存生成器对象的引用/指向生成器对象),再使用 next() 方法 或 next() 函数获取下一项元素,例如:
>>> str_gen = (s for s in 'abc')
>>> str_gen
<generator object <genexpr> at 0x0000020E3F704888>
>>> str_gen.__next__()
'a'
>>> next(str_gen)
'b'
>>> str_gen.__next__()
'c'
>>> next(str_gen)
Traceback (most recent call last):
File "<pyshell#167>", line 1, in <module>
next(str_gen)
StopIteration
总而言之,生成器不会将所有的元素一次性加载到内存中,而是 延迟计算,一次计算一个结果。
生成器的 优点 是:代码简洁紧凑、可读性好、时效较高等;缺点 在于:只能依次往下迭代一轮,而不能回退和重复迭代。