生成器和迭代器(很詳細)

阿新 • • 發佈：2019-02-17

本節主要記錄一下列表生成式，生成器和迭代器的知識點

　　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]，要求你把列表裡面的每個值加1，你怎麼實現呢？

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（高階）：

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？

　　通過列表生成式，我們可以直接建立一個列表，但是，受到記憶體限制，列表容量肯定是有限的，而且建立一個包含100萬個元素的列表，不僅佔用很大的儲存空間，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佔用的空間都白白浪費了。

　　所以，如果列表元素可以按照某種演算法推算出來，那我們是否可以在迴圈的過程中不斷推算出後續的元素呢？這樣就不必建立完整的list，從而節省大量的空間，在Python中，這種一邊迴圈一邊計算的機制，稱為生成器：generator

　　生成器是一個特殊的程式，可以被用作控制迴圈的迭代行為，python中生成器是迭代器的一種，使用yield返回值函式，每次呼叫yield會暫停，而可以使用next()函式和send()函式恢復生成器。

　　生成器類似於返回值為陣列的一個函式，這個函式可以接受引數，可以被呼叫，但是，不同於一般的函式會一次性返回包括了所有數值的陣列，生成器一次只能產生一個值，這樣消耗的記憶體數量將大大減小，而且允許呼叫函式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式，但是表現得卻像是迭代器

python中的生成器

　　要建立一個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，就建立一個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>

　　那麼建立lis和generator_ex，的區別是什麼呢？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>，那麼如何打印出來generator_ex的每一個元素呢？

　　如果要一個個打印出來，可以通過next（）函式獲得generator的下一個返回值：

#生成器

generator_ex = (x*x for x in range(10))

print(next(generator_ex))

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儲存的是演算法，每次呼叫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，丟擲StopIteration的錯誤，而且上面這樣不斷呼叫是一個不好的習慣，正確的方法是使用for迴圈，因為generator也是可迭代物件：

#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

　　所以我們建立一個generator後，基本上永遠不會呼叫next()，而是通過for迴圈來迭代，並且不需要關心StopIteration的錯誤，generator非常強大，如果推算的演算法比較複雜，用類似列表生成式的for迴圈無法實現的時候，還可以用函式來實現。

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，用函式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

print(a)

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數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

2

3

5

8

13

21

34

55

1

2

3

5

8

13

21

34

55

done

　　仔細觀察，可以看出，fib函式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。

　　也就是說上面的函式也可以用generator來實現，上面我們發現，print(b)每次函式執行都要列印，佔記憶體，所以為了不佔記憶體，我們也可以使用生成器，這裡叫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：

1	`<generator` `object` `fib at` `0x000001C03AC34FC0>`

　　那麼這樣就不佔記憶體了，這裡說一下generator和函式的執行流程，函式是順序執行的，遇到return語句或者最後一行函式語句就返回。而變成generator的函式，在每次呼叫next()的時候執行，遇到yield語句返回，再次被next（）呼叫時候從上次的返回yield語句處急需執行，也就是用多少，取多少，不佔記憶體。

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("可以順便幹其他事情")

print(a.__next__())

結果：

<generator object fib at 0x0000023A21A34FC0>

1

2

可以順便幹其他事情

3

5

　　在上面fib的例子，我們在迴圈過程中不斷呼叫yield，就會不斷中斷。當然要給迴圈設定一個條件來退出迴圈，不然就會產生一個無限數列出來。同樣的，把函式改成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迴圈來迭代：

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

2

3

5

8

　　但是用for迴圈呼叫generator時，發現拿不到generator的return語句的返回值。如果拿不到返回值，那麼就會報錯，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: 2

generator: 3

generator: 5

generator: 8

生成器返回值： done

還可以通過yield實現在單執行緒的情況下實現併發運算的效果

　　由上面的例子我麼可以發現，python提供了兩種基本的方式

生成器函式：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

生成器表示式：返回一個物件，這個物件只有在需要的時候才產生結果

——生成器函式

為什麼叫生成器函式？因為它隨著時間的推移生成了一個數值佇列。一般的函式在執行完畢之後會返回一個值然後退出，但是生成器函式會自動掛起，然後重新拾起急需執行，他會利用yield關鍵字關起函式，給呼叫者返回一個值，同時保留了當前的足夠多的狀態，可以使函式繼續執行，生成器和迭代協議是密切相關的，可迭代的物件都有一個__next__()__成員方法，這個方法要麼返回迭代的下一項，要買引起異常結束迭代。

# 函式有了yield之後，函式名+（）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，傳送一個資訊到生成器內部

'''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))

結果：

<generator object create_counter at 0x0000023A1694A938>

create_counter

2

increment n

3

Process finished with exit code 0

——生成器表示式

生成器表示式來源於迭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]

>>>

>>> # 生成器表示式

>>> (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]

　　一個迭代既可以被寫成生成器函式，也可以被協程生成器表示式，均支援自動和手動迭代。而且這些生成器只支援一個active迭代，也就是說生成器的迭代器就是生成器本身。

迭代器（迭代就是迴圈）

　　我們已經知道，可以直接作用於for迴圈的資料型別有以下幾種：

一類是集合資料型別，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 迴圈的物件統稱為可迭代物件：Iterable

可以使用isinstance()判斷一個物件是否為可Iterable物件

>>> 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迴圈，還可以被next()函式不斷呼叫並返回下一個值，直到最後丟擲StopIteration錯誤表示無法繼續返回下一個值了。

所以這裡將一下迭代器

可以被next()函式呼叫並不斷返回下一個值的物件稱為迭代器：Iterator。

可以使用isinstance()判斷一個物件是否是Iterator物件：

>>> 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物件，但list、dict、str雖然是Iterable（可迭代物件），卻不是Iterator（迭代器）。

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

>>> isinstance(iter([]), Iterator)

True

>>> isinstance(iter('abc'), Iterator)

True

你可能會問，為什麼list、dict、str等資料型別不是Iterator？

這是因為Python的Iterator物件表示的是一個資料流，Iterator物件可以被next()函式呼叫並不斷返回下一個資料，直到沒有資料時丟擲StopIteration錯誤。可以把這個資料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()函式實現按需計算下一個資料，所以Iterator的計算是惰性的，只有在需要返回下一個資料時它才會計算。

Iterator甚至可以表示一個無限大的資料流，例如全體自然數。而使用list是永遠不可能儲存全體自然數的。

判斷下列資料型別是可迭代物件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' #字串是可迭代物件，但不是迭代器

l=[1,2,3,4] #列表是可迭代物件，但不是迭代器

t=(1,2,3) #元組是可迭代物件，但不是迭代器

d={'a':1} #字典是可迭代物件，但不是迭代器

set={1,2,3} #集合是可迭代物件，但不是迭代器

f=open('test.txt') #檔案是可迭代物件，但不是迭代器

#如何判斷是可迭代物件，只有__iter__方法，執行該方法得到的迭代器物件。

# 及可迭代物件通過__iter__轉成迭代器物件

from collections import Iterator #迭代器

from collections import Iterable #可迭代物件

print(isinstance(s,Iterator)) #判斷是不是迭代器

print(isinstance(s,Iterable)) #判斷是不是可迭代物件

#把可迭代物件轉換為迭代器

print(isinstance(iter(s),Iterator))

小結：

凡是可作用於for迴圈的物件都是Iterable型別；
凡是可作用於next()函式的物件都是Iterator型別，它們表示一個惰性計算的序列；
集合資料型別如list、dict、str等是Iterable但不是Iterator，不過可以通過iter()函式獲得一個Iterator物件。

Python3的for迴圈本質上就是通過不斷呼叫next()函式實現的，例如：

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

　實際上完全等價於

# 首先獲得Iterator物件:

it = iter([1, 2, 3, 4, 5])

# 迴圈:

while True:

try:

# 獲得下一個值:

x = next(it)

except StopIteration:

# 遇到StopIteration就退出迴圈

break

對yield的總結

　　（1）：通常的for..in...迴圈中，in後面是一個數組，這個陣列就是一個可迭代物件，類似的還有連結串列，字串，檔案。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，就是所有資料都在記憶體裡面，如果有海量的資料，將會非常耗記憶體。

　　（2）生成器是可以迭代的，但是隻可以讀取它一次。因為用的時候才生成，比如a = (x*x for x in range(3))。!!!!注意這裡是小括號而不是方括號。

　　（3）生成器（generator）能夠迭代的關鍵是他有next()方法，工作原理就是通過重複呼叫next()方法，直到捕獲一個異常。

　　（4）帶有yield的函式不再是一個普通的函式，而是一個生成器generator，可用於迭代

　　（5）yield是一個類似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。而且下一次迭代的時候，從上一次迭代遇到的yield後面的程式碼開始執行

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

　　（7）帶有yield的函式不僅僅是隻用於for迴圈，而且可用於某個函式的引數，只要這個函式的引數也允許迭代引數。

　　（8）send()和next()的區別就在於send可傳遞引數給yield表示式，這時候傳遞的引數就會作為yield表示式的值，而yield的引數是返回給呼叫者的值，也就是說send可以強行修改上一個yield表示式值。

　　（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後面表示式的值，其實就是當前迭代yield後面的引數。

　　（10）第一次呼叫時候必須先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)

不經一番徹骨寒怎得梅花撲鼻香

生成器和迭代器(很詳細)

列表生成器

生成器

迭代器（迭代就是迴圈）

對yield的總結

生成器和迭代器(很詳細)

關於生成器和迭代器

生成器和迭代器,列表推導式

python學習筆記——生成器和迭代器

函式進階之生成器和迭代器

python3自學筆記4-切片、迭代、列表生成式、生成器和迭代器

python學習筆記之基礎操作（六）生成器和迭代器

通過楊輝三角形學習生成器和迭代器

生成器和迭代器

Python知識點-生成器和迭代器

關於生成器和迭代器的一些說明

python 生成器和迭代器

Python生成器和迭代器

Python中的生成器(generator)和迭代器(Iterator)

生成器，迭代器和裝飾器

4.迭代器和生成器 python----------迭代器和生成器

關於python yield 和迭代器生成器的使用

列表解析式、生成器、迭代器及可迭代物件的區別和應用

python(四)上：列表生成式、生成器、迭代器和內建函式

列表生成式，生成器和叠代器

生成器和迭代器(很詳細)

列表生成器

生成器

迭代器（迭代就是迴圈）

對yield的總結

相關推薦

　　列表生成器

　　生成器