python 生成器和迭代器有這篇就夠了

時間  2019-11-12
標籤 python 成器 迭代 有這 夠了 欄目 Python 简体版
原文   原文鏈接

　　本節主要記錄一下列表生成式，生成器和迭代器的知識點html

　　列表生成器

　　首先舉個例子python

如今有個需求，看列表 [0，1，2，3，4，5，6，7，8，9]，要求你把列表裏面的每一個值加1，你怎麼實現呢？算法

方法一（簡單）：數組

info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
b = []
# for index,i in enumerate(info):
#     print(i+1)
#     b.append(i+1)
# print(b)
for index,i in enumerate(info):
    info[index] +=1
print(info)

方法二（通常）：數據結構

info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
a = map(lambda x:x+1,info)
print(a)
for i in a:
    print(i)

方法三（高級）：併發

info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
a = [i+1 for i in range(10)]
print(a)

　　生成器

什麼是生成器？

　　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100萬個元素的列表，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。app

　　因此，若是列表元素能夠按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，從而節省大量的空間，在Python中，這種一邊循環一邊計算的機制，稱爲生成器：generatorless

　　生成器是一個特殊的程序，能夠被用做控制循環的迭代行爲，python中生成器是迭代器的一種，使用yield返回值函數，每次調用yield會暫停，而可使用next()函數和send()函數恢復生成器。函數

　　生成器相似於返回值爲數組的一個函數，這個函數能夠接受參數，能夠被調用，可是，不一樣於通常的函數會一次性返回包括了全部數值的數組，生成器一次只能產生一個值，這樣消耗的內存數量將大大減少，並且容許調用函數能夠很快的處理前幾個返回值，所以生成器看起來像是一個函數，可是表現得卻像是迭代器學習

python中的生成器

　　要建立一個generator，有不少種方法，第一種方法很簡單，只有把一個列表生成式的[]中括號改成（）小括號，就建立一個generator

　　舉例以下：

#列表生成式
lis = [x*x for x in range(10)]
print(lis)
#生成器
generator_ex = (x*x for x in range(10))
print(generator_ex)

結果：
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
<generator object <genexpr> at 0x000002A4CBF9EBA0>

　　那麼建立list和generator_ex，的區別是什麼呢？從表面看就是[  ]和（）,可是結果卻不同，一個打印出來是列表（由於是列表生成式），而第二個打印出來倒是<generator object <genexpr> at 0x000002A4CBF9EBA0>，那麼如何打印出來generator_ex的每個元素呢？

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

#生成器
generator_ex = (x*x for x in range(10))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
結果：
0
1
4
9
16
25
36
49
64
81
Traceback (most recent call last):

  File "列表生成式.py", line 42, in <module>

    print(next(generator_ex))

StopIteration

　　你們能夠看到，generator保存的是算法，每次調用next(generaotr_ex)就計算出他的下一個元素的值，直到計算出最後一個元素，沒有更多的元素時，拋出StopIteration的錯誤，並且上面這樣不斷調用是一個很差的習慣，正確的方法是使用for循環，由於generator也是可迭代對象：

#生成器
generator_ex = (x*x for x in range(10))
for i in generator_ex:
    print(i)
    
結果：
0
1
4
9
16
25
36
49
64
81

　　因此咱們建立一個generator後，基本上永遠不會調用next()，而是經過for循環來迭代，而且不須要關心StopIteration的錯誤，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。

好比著名的斐波那契數列，除第一個和第二個數外，任何一個數均可以由前兩個相加獲得：

1，1，2，3，5，8，12，21，34.....

斐波那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：

#fibonacci數列
def fib(max):
    n,a,b =0,0,1
    while n < max:
        a,b =b,a+b
        n = n+1
        print(a)
    return 'done'

a = fib(10)
print(fib(10))

 

　　a,b = b ,a+b  其實至關於 t =a+b ,a =b ,b =t  ，因此沒必要寫顯示寫出臨時變量t，就能夠輸出斐波那契數列的前N個數字。上面輸出的結果以下：

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

　　仔細觀察，能夠看出，fib函數其實是定義了斐波拉契數列的推算規則，能夠從第一個元素開始，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也能夠用generator來實現，上面咱們發現，print(b)每次函數運行都要打印，佔內存，因此爲了避免佔內存，咱們也可使用生成器，這裏叫yield。以下：

def fib(max):
    n,a,b =0,0,1
    while n < max:
        yield b
        a,b =b,a+b
        n = n+1
    return 'done'

a = fib(10)
print(fib(10))

　　可是返回的再也不是一個值，而是一個生成器，和上面的例子同樣，你們能夠看一下結果：

<generator object fib at 0x000001C03AC34FC0>

　　那麼這樣就不佔內存了，這裏說一下generator和函數的執行流程，函數是順序執行的，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，再次被next（）調用時候從上次的返回yield語句處急需執行，也就是用多少，取多少，不佔內存。

def fib(max):
    n,a,b =0,0,1
    while n < max:
        yield b
        a,b =b,a+b
        n = n+1
    return 'done'

a = fib(10)
print(fib(10))
print(a.__next__())
print(a.__next__())
print(a.__next__())
print("能夠順便幹其餘事情")
print(a.__next__())
print(a.__next__())

結果：
<generator object fib at 0x0000023A21A34FC0>
1
1
2
能夠順便幹其餘事情
3
5

　　在上面fib的例子，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，咱們基本上歷來不會用next()來獲取下一個返回值，而是直接使用for循環來迭代：

def fib(max):
    n,a,b =0,0,1
    while n < max:
        yield b
        a,b =b,a+b
        n = n+1
    return 'done'
for i in fib(6):
    print(i)
    
結果：
1
1
2
3
5
8

　　可是用for循環調用generator時，發現拿不到generator的return語句的返回值。若是拿不到返回值，那麼就會報錯，因此爲了避免讓報錯，就要進行異常處理，拿到返回值，若是想要拿到返回值，必須捕獲StopIteration錯誤，返回值包含在StopIteration的value中：

def fib(max):
    n,a,b =0,0,1
    while n < max:
        yield b
        a,b =b,a+b
        n = n+1
    return 'done'
g = fib(6)
while True:
    try:
        x = next(g)
        print('generator: ',x)
    except StopIteration as e:
        print("生成器返回值：",e.value)
        break


結果：
generator:  1
generator:  1
generator:  2
generator:  3
generator:  5
generator:  8
生成器返回值： done

還能夠經過yield實如今單線程的狀況下實現併發運算的效果

import time
def consumer(name):
    print("%s 準備學習啦!" %name)
    while True:
       lesson = yield

       print("開始[%s]了,[%s]老師來說課了!" %(lesson,name))


def producer(name):
    c = consumer('A')
    c2 = consumer('B')
    c.__next__()
    c2.__next__()
    print("同窗們開始上課 了!")
    for i in range(10):
        time.sleep(1)
        print("到了兩個同窗!")
        c.send(i)
        c2.send(i)

結果：
A 準備學習啦!
B 準備學習啦!
同窗們開始上課 了!
到了兩個同窗!
開始[0]了,[A]老師來說課了!
開始[0]了,[B]老師來說課了!
到了兩個同窗!
開始[1]了,[A]老師來說課了!
開始[1]了,[B]老師來說課了!
到了兩個同窗!
開始[2]了,[A]老師來說課了!
開始[2]了,[B]老師來說課了!
到了兩個同窗!
開始[3]了,[A]老師來說課了!
開始[3]了,[B]老師來說課了!
到了兩個同窗!
開始[4]了,[A]老師來說課了!
開始[4]了,[B]老師來說課了!
到了兩個同窗!
開始[5]了,[A]老師來說課了!
開始[5]了,[B]老師來說課了!
到了兩個同窗!
開始[6]了,[A]老師來說課了!
開始[6]了,[B]老師來說課了!
到了兩個同窗!

　　由上面的例子我麼能夠發現，python提供了兩種基本的方式

   生成器函數：也是用def定義的，利用關鍵字yield一次性返回一個結果，阻塞，從新開始

   生成器表達式：返回一個對象，這個對象只有在須要的時候才產生結果

——生成器函數

爲何叫生成器函數？由於它隨着時間的推移生成了一個數值隊列。通常的函數在執行完畢以後會返回一個值而後退出，可是生成器函數會自動掛起，而後從新拾起急需執行，他會利用yield關鍵字關起函數，給調用者返回一個值，同時保留了當前的足夠多的狀態，可使函數繼續執行，生成器和迭代協議是密切相關的，迭代器都有一個__next__()__成員方法，這個方法要麼返回迭代的下一項，要買引發異常結束迭代。

# 函數有了yield以後，函數名+（）就變成了生成器
# return在生成器中表明生成器的停止，直接報錯
# next的做用是喚醒並繼續執行
# send的做用是喚醒並繼續執行，發送一個信息到生成器內部
'''生成器'''

def create_counter(n):
    print("create_counter")
    while True:
        yield n
        print("increment n")
        n +=1

gen = create_counter(2)
print(gen)
print(next(gen))
print(next(gen))

結果：
<generator object create_counter at 0x0000023A1694A938>
create_counter
2
increment n
3
Process finished with exit code 0

　　

——生成器表達式

生成器表達式來源於迭代和列表解析的組合，生成器和列表解析相似，可是它使用尖括號而不是方括號

>>> # 列表解析生成列表
>>> [ x ** 3 for x in range(5)]
[0, 1, 8, 27, 64]
>>> 
>>> # 生成器表達式
>>> (x ** 3 for x in range(5))
<generator object <genexpr> at 0x000000000315F678>
>>> # 二者之間轉換
>>> list(x ** 3 for x in range(5))
[0, 1, 8, 27, 64]

　　一個迭代既能夠被寫成生成器函數，也能夠被協程生成器表達式，均支持自動和手動迭代。並且這些生成器只支持一個active迭代，也就是說生成器的迭代器就是生成器自己。

迭代器（迭代就是循環）

　　迭代器包含有next方法的實現，在正確的範圍內返回期待的數據以及超出範圍後可以拋出StopIteration的錯誤中止迭代。

　　咱們已經知道，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()判斷一個對象是否爲可Iterable對象

>>> 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。

因此這裏講一下迭代器

一個實現了iter方法的對象是可迭代的，一個實現next方法而且是可迭代的對象是迭代器。

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。

因此一個實現了iter方法和next方法的對象就是迭代器。

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，但list、dict、str雖然是Iterable（可迭代對象），卻不是Iterator（迭代器）。

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

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

　　

你可能會問，爲何list、dict、str等數據類型不是Iterator？

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錯誤。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是永遠不可能存儲全體天然數的。

　　判斷下列數據類型是可迭代對象or迭代器

s='hello'
l=[1,2,3,4]
t=(1,2,3)
d={'a':1}
set={1,2,3}
f=open('a.txt')

　　

s='hello'     #字符串是可迭代對象，但不是迭代器
l=[1,2,3,4]     #列表是可迭代對象，但不是迭代器
t=(1,2,3)       #元組是可迭代對象，但不是迭代器
d={'a':1}        #字典是可迭代對象，但不是迭代器
set={1,2,3}     #集合是可迭代對象，但不是迭代器
# *************************************
f=open('test.txt') #文件是可迭代對象，是迭代器

#如何判斷是可迭代對象，只有__iter__方法，執行該方法獲得的迭代器對象。
# 及可迭代對象經過__iter__轉成迭代器對象
from collections import Iterator  #迭代器
from collections import Iterable  #可迭代對象

print(isinstance(s,Iterator))     #判斷是否是迭代器
print(isinstance(s,Iterable))       #判斷是否是可迭代對象

#把可迭代對象轉換爲迭代器
print(isinstance(iter(s),Iterator))

　

　注意：文件的判斷

f = open('housing.csv')
from collections import Iterator
from collections import Iterable

print(isinstance(f,Iterator))
print(isinstance(f,Iterable))

True
True

　　結論：文件是可迭代對象，也是迭代器

 

小結：

  • 凡是可做用於for循環的對象都是Iterable類型；
  • 凡是可做用於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()函數得到一個Iterator對象。

Python3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]:
    pass

　實際上徹底等價於

# 首先得到Iterator對象:
it = iter([1, 2, 3, 4, 5])
# 循環:
while True:
    try:
        # 得到下一個值:
        x = next(it)
    except StopIteration:
        # 遇到StopIteration就退出循環
        break

　　

對yield的總結

　　（1）一般的for..in...循環中，in後面是一個數組，這個數組就是一個可迭代對象，相似的還有鏈表，字符串，文件。他能夠是a = [1,2,3]，也能夠是a = [x*x for x in range(3)]。

它的缺點也很明顯，就是全部數據都在內存裏面，若是有海量的數據，將會很是耗內存。

　　（2）生成器是能夠迭代的，可是隻能夠讀取它一次。由於用的時候才生成，好比a = (x*x for x in range(3))。!!!!注意這裏是小括號而不是方括號。

　　（3）生成器（generator）可以迭代的關鍵是他有next()方法，工做原理就是經過重複調用next()方法，直到捕獲一個異常。

　　（4）帶有yield的函數再也不是一個普通的函數，而是一個生成器generator，可用於迭代

　　（5）yield是一個相似return 的關鍵字，迭代一次遇到yield的時候就返回yield後面或者右面的值。並且下一次迭代的時候，從上一次迭代遇到的yield後面的代碼開始執行

　　（6）yield就是return返回的一個值，而且記住這個返回的位置。下一次迭代就從這個位置開始。

　　（7）帶有yield的函數不只僅是隻用於for循環，並且可用於某個函數的參數，只要這個函數的參數也容許迭代參數。

　　（8）send()和next()的區別就在於send可傳遞參數給yield表達式，這時候傳遞的參數就會做爲yield表達式的值，而yield的參數是返回給調用者的值，也就是說send能夠強行修改上一個yield表達式值。

　　（9）send()和next()都有返回值，他們的返回值是當前迭代遇到的yield的時候，yield後面表達式的值，其實就是當前迭代yield後面的參數。

　　（10）第一次調用時候必須先next（）或send（）,不然會報錯，send後之因此爲None是由於這時候沒有上一個yield，因此也能夠認爲next（）等同於send(None)

 

補充：itertools庫學習

　　庫的官網地址：https://docs.python.org/2/library/itertools.html#itertools.permutations

　　（此部分筆記參考博客：https://www.jb51.net/article/123094.htm）

　　迭代器（生成器）在Python中是一種很經常使用也很好用的數據結構，比起列表(list)來講，迭代器最大的優點就是延遲計算，按需使用，從而提升開發體驗和運行效率，以致於在Python 3中map,filter等操做返回的再也不是列表而是迭代器。

　　話雖這麼說但你們平時用到的迭代器大概只有range了，而經過iter函數把列表對象轉化爲迭代器對象又有點畫蛇添足，這時候咱們今天的主角itertools就該上場了。

　　itertools中的額函數大多數是返回各類迭代器對象，其中不少函數的做用咱們平時要寫不少代碼才能達到，而在運行效率上反而更低，畢竟人家是系統庫。

1，itertools.accumulate

　　簡單來講就是累加。

from itertools import accumulate

x = accumulate(range(10))
print(list(x))
[0, 1, 3, 6, 10, 15, 21, 28, 36, 45]

　　

2，itertools.permutations

　　產生指定數目元素的全部排列（順序有關）

from itertools import permutations

x = permutations((1,2,3))
print(list(x))
[(1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2), (3, 2, 1)]
相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程