列表生成式，迭代器和生成器

1、列表生成式

如今有個需求，看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]，如今要求把列表裏的每一個值加1，你怎麼實現？你可能會想到的幾種方法：

方法1：

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 需求：要求把列表中的每一個元素的值加1
# 方法一
b = []
for i in a:
    b.append(i + 1)

a = b
print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

方法2：

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 需求：要求把列表中的每一個元素的值加1
for index, i in enumerate(a):
    a[index] += 1

print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

方法3：

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 需求：要求把列表中的每一個元素的值加1
a = list(map(lambda x:x + 1, a))

print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

方法4：

# 需求：要求把列表中的每一個元素的值加1
a = [i + 1 for i in a]

print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

最後一種寫法就叫作列表生成式

2、生成器

經過列表生成式，咱們能夠直接建立一個列表。可是，受到內存限制，列表容量確定是有限的。並且，建立一個包含100萬元素的列表，不只佔用很大的存儲空間，若是咱們僅僅須要訪問前面幾個元素，那後面絕大多數元素佔用的空間都白白浪費了。

因此，若是列表元素能夠執照某種算法推算出來，那咱們是否能夠在循環的過程當中不斷推算出後續的元素呢？這樣就沒必要建立完整的list了，從而節省大師的空間。在Python中，這種一邊循環一邊計算的機制，稱爲生成器（generator）。

要建立一個生成器，有多種方法。第一種方法很簡單，只要把一個列表生成式的[]改爲()，就建立了一個生成器：

>>> l = [x * x for x in range(10)]
>>> l
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x01D97BA0>
>>>

建立l和g的區別僅在於最外層的[]和()，l是一個list，而g是一個generator。

咱們能夠直接打印出list的每個元素，但咱們怎麼打印出generator的每個元素呢？

若是要一個一個打印出來，能夠經過next()函數得到generator的下一個返回值：

>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
>>> next(g)
9
>>> next(g)
16
>>> next(g)
25
>>> next(g)
36
>>> next(g)
49
>>> next(g)
64
>>> next(g)
81
>>> next(g)
Traceback (most recent call last):
  File "<pyshell#14>", line 1, in <module>
    next(g)
StopIteration
>>>

generator保存的是算法，每次調用next(g)，就計算出g的下一個元素的值，直到計算到最後一個元素，沒有更多的元素時，拋出StopIteration的異常。

固然，上面這種不斷調用next(g)的方式實在是太不方便了，正確的方法是使用for循環，由於generator也是可迭代對象：

>>> g = (x * x for x in range(10))
>>> for n in g:
    print(n)

    
0
1
4
9
16
25
36
49
64
81
>>>

因此，咱們建立了一個generator後，基本上永遠不會調用next()，而是經過for循環來迭代它，而且不須要關心StopIteration的異常。

generator很是強大。若是推算的算法比較複雜，用相似列表生成式的for循環沒法實現的時候，還能夠用函數來實現。

好比，著名的斐波拉契數列（Fibonacci），除第一個和第二個數外，任意一個數均可以由前兩個數相加獲得：

1, 1, 2, 3, 5, 8, 13, 21, 34, ...

斐波拉契數列用列表生成式寫不出來，可是，用函數把它打印出來卻很容易：

def fib(num):
    n, a, b = 0, 0, 1
    while n < num:
        print(b)
        a, b = b, a + b
        n = n + 1

注意，賦值語句：

a, b = b, a + b

至關於：

t = (b, a + b)

a = t[0]

b = t[1]

但沒必要顯式寫出臨時變量t就能夠賦值

上面的函數能夠輸出斐波那契數列的前N個數：

>>> fib(10)
1
1
2
3
5
8
13
21
34
55
>>>

仔細觀察，能夠掛出，fib()函數其實是定義了斐波那契數列的推算規則，能夠從每個元素開始，推算出後續任意的元素，這種邏輯其實很是相似generator。

也就是說，上面的函數和generator僅一步之遙。要把fib()函數變成generator，只須要把pring(b)改爲yield b就能夠了：

def fib(num):
    n, a, b = 0, 0, 1
    while n < num:
        # print(b)
        yield b
        a, b = b, a + b
        n = n + 1

這就是定義generator的另外一種方法。若是一個函數定義中包含yield關鍵字，那麼這個函數就再也不是一個普通函數，而是一個generator：

>>> f = fib(10)
>>> f
<generator object fib at 0x01D97BA0>
>>>

這裏，最難理解的就是generator和函數的執行流程不同。函數是順序執行，遇到return語句或者最後一行函數語句就返回。而變成generator的函數，在每次調用next()的時候執行，遇到yield語句返回，再次執行時從上次返回的yield語句處繼續執行。

>>> print(f)
<generator object fib at 0x01D97BA0>
>>> print(f.__next__())
1
>>> print(f.__next__())
1
>>> print("作點別的事")
作點別的事
>>> print(f.__next__())
2
>>> print(f.__next__())
3
>>> print(f.__next__())
5
>>> print(f.__next__())
8
>>> print(f.__next__())
13
>>> print(f.__next__())
21
>>> print(f.__next__())
34
>>> print(f.__next__())
55
>>>

在上面fib()的例子中，咱們在循環過程當中不斷調用yield，就會不斷中斷。固然要給循環設置一個條件來退出循環，否則就會產生一個無限數列出來。

一樣的，把函數改爲generator後，咱們基本上不會用next()來獲取下一個返回值，而是直接使用for循環來迭代：

>>> f = fib(10)
>>> for n in f:
    print(n)

    
1
1
2
3
5
8
13
21
34
55
>>>

可是用for循環調用generator時，發現拿不到generator的return語句的返回值。若是想要拿到返回值，必須捕獲StopIteration異常，返回值包含在StopIteration的value中：

>>> f = fib(10)
>>> while True:
    try:
        x = next(f)
        print('f:', x)
    except StopIteration as e:
        print('generator return value:', e.value)
        break

    
f: 1
f: 1
f: 2
f: 3
f: 5
f: 8
f: 13
f: 21
f: 34
f: 55
generator return value: None
>>>

3、迭代器

咱們知道，能夠直接做用於for循環的數據類型有如下幾種：

一類是集合數據類型：如list、tuple、dict、set、str等；

一類是generator，包括生成器和帶yield的generator function。

這些能夠直接做用於for循環的對象統稱爲可迭代對象：Iterable。

可使用isinstance()判斷一個對象是不是Iterable對象：

generator return value: None
>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False
>>>

而生成器不但能夠做用於for循環，還能夠被next()函數不斷調用並返回下一個值，直到最後拋出StopIteration錯誤表示沒法繼續返回下一個值了。

*能夠被next()函數調用並不斷返回下一個值的對象稱爲迭代器：Iterator。

可使用isinstance()判斷一個對象是不是Iterator對象：

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

生成器都是Iterator對象，可是list、dict、str雖然是Iterable，去不是Iterator。

把list、dict、str等Iterable變成Iterator可使用iter()內置函數：

>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter({}), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True
>>>

有人可能會問，爲何list、dict、str等數據類型不是Iterator呢？

這是由於Python的Iterator對象表示的是一個數據流，Iterator對象能夠被next()函數調用並不斷返回下一個數據，直到沒有數據時拋出StopIteration異常。能夠把這個數據流看作是一個有序序列，但咱們卻不能提早知道序列的長度，只能不斷經過next()函數實現按需計算下一個數據，因此Iterator的計算是惰性的，只有在須要返回下一個數據時它纔會計算。

Iterator甚至能夠表示一個無限大的數據流，例如全體天然數。而使用list是記錄不可能存儲全體天然數的。

小結

凡是能夠做用於for循環的對象都是Iterable類型；

凡是能夠做用於next()函數的對象都是Iterator類型，它們表示一個惰性計算的序列；

集合數據類型如list、dict、str等是Iterable但不是Iterator，不過能夠經過iter()內置函數變成一個Iterator對象。

Python的for循環本質上就是經過不斷調用next()函數實現的，例如：

for x in [1, 2, 3, 4, 5]:
    print(x)

# 實際上徹底等價於

# 首先轉換成Iterator對象
it = iter([1, 2, 3, 4, 5])
# 循環
while True:
    try:
        # 獲取下一個值
        x = next(it)
        print(x)
    except StopIteration:
        # 遇到StopIteration異常，表示循環已經結束
        break