本節主要記錄一下列表生成式，生成器和叠代器的知識點

　　列表生成器

　　首先舉個例子

現在有個需求，看列表 [0，1，2，3，4，5，6，7，8，9]，要求你把列表裏面的每個值加1，你怎麽實現呢？

方法一（簡單）：

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（一般）：

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）：

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

　　生成器

什麽是生成器？

　　通過列表生成式，我們可以直接創建一個列表，但是，受到內存限制，列表容量肯定是有限的，而且創建一個包含100萬個元素的列表，不僅占用很大的存儲空間，如果我們僅僅需要訪問前面幾個元素，那後面絕大多數元素占用的空間都白白浪費了。

　　所以，如果列表元素可以按照某種算法推算出來，那我們是否可以在循環的過程中不斷推算出後續的元素呢？這樣就不必創建完整的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，稱為生成器：generator

　　生成器是一個特殊的程序，可以被用作控制循環的叠代行為，python中生成器是叠代器的一種，使用yield返回值函數，每次調用yield會暫停，而可以使用next()函數和send()函數恢復生成器。

　　生成器類似於返回值為數組的一個函數，這個函數可以接受參數，可以被調用，但是，不同於一般的函數會一次性返回包括了所有數值的數組，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小，而且允許調用函數可以很快的處理前幾個返回值，因此生成器看起來像是一個函數，但是表現得卻像是叠代器

python中的生成器

　　要創建一個generator，有很多種方法，第一種方法很簡單，只有把一個列表生成式的[]中括號改為（）小括號，就創建一個generator

　　舉例如下：

#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>

　　那麽創建lis和generator_ex，的區別是什麽呢？從表面看就是[ ]和（）,但是結果卻不一樣，一個打印出來是列表（因為是列表生成式），而第二個打印出來卻是<generator object <genexpr> at 0x000002A4CBF9EBA0>，那麽如何打印出來generator_ex的每一個元素呢？

　　如果要一個個打印出來，可以通過next（）函數獲得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

　　大家可以看到，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，而且上面這樣不斷調用是一個不好的習慣，正確的方法是使用for循環，因為generator也是可叠代對象：

#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

　　所以我們創建一個generator後，基本上永遠不會調用next()，而是通過for循環來叠代，並且不需要關心StopIteration的錯誤，generator非常強大，如果推算的算法比較復雜，用類似列表生成式的for循環無法實現的時候，還可以用函數來實現。

比如著名的斐波那契數列，除第一個和第二個數外，任何一個數都可以由前兩個相加得到：

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，但是，用函數把它打印出來卻狠容易：

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

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

　　a,b = b ,a+b 其實相當於 t =a+b ,a =b ,b =t ，所以不必寫顯示寫出臨時變量t，就可以輸出斐波那契數列的前N個數字。上面輸出的結果如下：

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，可以看出，fib函數實際上是定義了斐波拉契數列的推算規則，可以從第一個元素開始，推算出後續任意的元素，這種邏輯其實非常類似generator。

　　也就是說上面的函數也可以用generator來實現，上面我們發現，print(b)每次函數運行都要打印，占內存，所以為了不占內存，我們也可以使用生成器，這裏叫yield。如下：

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))

　　但是返回的不再是一個值，而是一個生成器，和上面的例子一樣，大家可以看一下結果：

<generator object fib at 0x000001C03AC34FC0>

　　那麽這樣就不占內存了，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，不占內存。

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("可以順便幹其他事情")
print(a.__next__())
print(a.__next__())

結果：
<generator object fib at 0x0000023A21A34FC0>
1
1
2
可以順便幹其他事情
3
5

　　在上面fib的例子，我們在循環過程中不斷調用yield，就會不斷中斷。當然要給循環設置一個條件來退出循環，不然就會產生一個無限數列出來。同樣的，把函數改成generator後，我們基本上從來不會用next()來獲取下一個返回值，而是直接使用for循環來叠代：

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

　　但是用for循環調用generator時，發現拿不到generator的return語句的返回值。如果拿不到返回值，那麽就會報錯，所以為了不讓報錯，就要進行異常處理，拿到返回值，如果想要拿到返回值，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

還可以通過yield實現在單線程的情況下實現並發運算的效果

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

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


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

結果：
A 準備學習啦!
B 準備學習啦!
同學們開始上課 了!
到了兩個同學!
開始[0]了,[A]老師來講課了!
開始[0]了,[B]老師來講課了!
到了兩個同學!
開始[1]了,[A]老師來講課了!
開始[1]了,[B]老師來講課了!
到了兩個同學!
開始[2]了,[A]老師來講課了!
開始[2]了,[B]老師來講課了!
到了兩個同學!
開始[3]了,[A]老師來講課了!
開始[3]了,[B]老師來講課了!
到了兩個同學!
開始[4]了,[A]老師來講課了!
開始[4]了,[B]老師來講課了!
到了兩個同學!
開始[5]了,[A]老師來講課了!
開始[5]了,[B]老師來講課了!
到了兩個同學!
開始[6]了,[A]老師來講課了!
開始[6]了,[B]老師來講課了!
到了兩個同學!

　　由上面的例子我麽可以發現，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，重新開始

生成器表達式：返回一個對象，這個對象只有在需要的時候才產生結果

——生成器函數

為什麽叫生成器函數？因為它隨著時間的推移生成了一個數值隊列。一般的函數在執行完畢之後會返回一個值然後退出，但是生成器函數會自動掛起，然後重新拾起急需執行，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，可以使函數繼續執行，生成器和叠代協議是密切相關的，可叠代的對象都有一個__next__()__成員方法，這個方法要麽返回叠代的下一項，要買引起異常結束叠代。

# 函數有了yield之後，函數名+（）就變成了生成器
# return在生成器中代表生成器的中止，直接報錯
# next的作用是喚醒並繼續執行
# send的作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叠代和列表解析的組合，生成器和列表解析類似，但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>
>>> # 兩者之間轉換
>>> list(x ** 3 for x in range(5))
[0, 1, 8, 27, 64]

　　一個叠代既可以被寫成生成器函數，也可以被協程生成器表達式，均支持自動和手動叠代。而且這些生成器只支持一個active叠代，也就是說生成器的叠代器就是生成器本身。

叠代器（叠代就是循環）

　　我們已經知道，可以直接作用於for循環的數據類型有以下幾種：

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

這些可以直接作用於for 循環的對象統稱為可叠代對象：Iterable

可以使用isinstance()判斷一個對象是否為可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

　　而生成器不但可以作用於for循環，還可以被next()函數不斷調用並返回下一個值，直到最後拋出StopIteration錯誤表示無法繼續返回下一個值了。

所以這裏將一下叠代器

可以被next()函數調用並不斷返回下一個值的對象稱為叠代器：Iterator。

可以使用isinstance()判斷一個對象是否是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（可叠代對象），卻不是Iterator（叠代器）。

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

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

你可能會問，為什麽list、dict、str等數據類型不是Iterator？

這是因為Python的Iterator對象表示的是一個數據流，Iterator對象可以被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。可以把這個數據流看做是一個有序序列，但我們卻不能提前知道序列的長度，只能不斷通過next()函數實現按需計算下一個數據，所以Iterator的計算是惰性的，只有在需要返回下一個數據時它才會計算。

Iterator甚至可以表示一個無限大的數據流，例如全體自然數。而使用list是永遠不可能存儲全體自然數的。

小結：

• 凡是可作用於for循環的對象都是Iterable類型；
• 凡是可作用於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，不過可以通過iter()函數獲得一個Iterator對象。

Python3的for循環本質上就是通過不斷調用next()函數實現的，例如：

for x in [1, 2, 3, 4, 5]:
    pass

　實際上完全等價於

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

對yield的總結

　　（1）：通常的for..in...循環中，in後面是一個數組，這個數組就是一個可叠代對象，類似的還有鏈表，字符串，文件。他可以是a = [1,2,3]，也可以是a = [x*x for x in range(3)]。

它的缺點也很明顯，就是所有數據都在內存裏面，如果有海量的數據，將會非常耗內存。

　　（2）生成器是可以叠代的，但是只可以讀取它一次。因為用的時候才生成，比如a = (x*x for x in range(3))。!!!!註意這裏是小括號而不是方括號。

　　（3）生成器（generator）能夠叠代的關鍵是他有next()方法，工作原理就是通過重復調用next()方法，直到捕獲一個異常。

　　（4）帶有yield的函數不再是一個普通的函數，而是一個生成器generator，可用於叠代

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

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

　　（7）帶有yield的函數不僅僅是只用於for循環，而且可用於某個函數的參數，只要這個函數的參數也允許叠代參數。

　　（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作為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可以強行修改上一個yield表達式值。

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

　　（10）第一次調用時候必須先next（）或send（）,否則會報錯，send後之所以為None是因為這時候沒有上一個yield，所以也可以認為next（）等同於send(None)

python 生成器和叠代器有這篇就夠了