Python入门篇(八)之迭代器和生成器
迭代器和生成器
1、列表生成式
列表生成式即
List Comprehensions
,是Python
内置的非常简单却强大的可以用来创建list
的生成式。
举个例子,要生成list [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
可以用list(range(1, 11))
:成都创新互联公司是一家集网站建设,万全企业网站建设,万全品牌网站建设,网站定制,万全网站建设报价,网络营销,网络优化,万全网站推广为一体的创新建站企业,帮助传统企业提升企业形象加强企业竞争力。可充分满足这一群体相比中小企业更为丰富、高端、多元的互联网需求。同时我们时刻保持专业、时尚、前沿,时刻以成就客户成长自我,坚持不断学习、思考、沉淀、净化自己,让我们为更多的企业打造出实用型网站。
>>> list(range(1, 11))
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
但如果要生成
[1x1, 2x2, 3x3, ..., 10x10]
怎么做?方法一是循环:
>>> L = []`
>>> for x in range(1, 11):
... L.append(x * x)
...
>>> L
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
但是循环太繁琐,而列表生成式则可以用一行语句代替循环生成上面的
list
:
>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
写列表生成式时,把要生成的元素
x * x
放到前面,后面跟for
循环,就可以把list
创建出来,十分有用,多写几次,很快就可以熟悉这种语法。
for循环
后面还可以加上if判断
,这样我们就可以筛选出仅偶数的平方:
>>> [x * x for x in range(1, 11) if x % 2 == 0]
[4, 16, 36, 64, 100]
小结:
运用列表生成式,可以快速生成list
,可以通过一个list
推导出另一个list
,而代码却十分简洁。
2、生成器
通过列表生成式,我们可以直接创建一个列表。但是,受到内存限制,列表容量肯定是有限的。而且,创建一个包含100万个元素的列表,不仅占用很大的存储空间,如果我们仅仅需要访问前面几个元素,那后面绝大多数元素占用的空间都白白浪费了。
所以,如果列表元素可以按照某种算法推算出来,那我们是否可以在循环的过程中不断推算出后续的元素呢?这样就不必创建完整的list,从而节省大量的空间。
在Python中,这种一边循环一边计算的机制,称为生成器:generator。
要创建一个
generator
,有很多种方法。第一种方法很简单,只要把一个列表生成式的[]
改成()
,就创建了一个generator
:>> 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 0x1022ef630>
创建
L
和g
的区别仅在于最外层的[]和()
,L
是一个list
,而g
是一个generator
。我们可以直接打印出
list
的每一个元素,但我们怎么打印出generato
r的每一个元素呢?如果要一个一个打印出来,可以通过
next()
函数获得generator
的下一个返回值:>> 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 "<stdin>", line 1, in <module> StopIteration
从前面我们知道一个概念:
generator
保存的是算法,每次调用next(g)
,就计算出g
的下一个元素的值,直到计算到最后一个元素,没有更多的元素时,抛出StopIteration
的错误。当然,上面这种不断调用
next(g)
实在是太变态了,正确的方法是使用for循环
,因为generator
也是可迭代对象:>> g = (x * x for x in range(10)) >> for n in g: ... print(n) ... 0 1 4 9 16 25 36 49 64 81
所以,我们创建了一个
generator
后,基本上永远不会调用next()
,而是通过for循环
来迭代它,并且不需要关心StopIteration
的错误。
generator
非常强大。如果推算的算法比较复杂,用类似列表生成式的for
循环无法实现的时候,还可以用函数来实现。比如,著名的斐波拉契数列
(Fibonacci)
,除第一个和第二个数外,任意一个数都可由前两个数相加得到:
1, 1, 2, 3, 5, 8, 13, 21, 34, ...
斐波拉契数列用列表生成式写不出来,但是,用函数把它打印出来却很容易:
def fib(max):
n, a, b = 0, 0, 1
while n < max:
print(b)
a, b = b, a + b
n = n + 1
return 'done'
注意,赋值语句:
a, b = b, a + b
相当于:
t = (b, a + b) # t是一个tuple
a = t[0]
b = t[1]
但不必显式写出临时变量t就可以赋值。
上面的函数可以输出斐波那契数列的前N个数:
>>> fib(10)
1
1
2
3
5
8
13
21
34
55
done
仔细观察,可以看出,
fib函数
实际上是定义了斐波拉契数列的推算规则,可以从第一个元素开始,推算出后续任意的元素,这种逻辑其实非常类似generator
。也就是说,上面的函数和
generator
仅一步之遥。要把fib函数
变成generator
,只需要把print(b)
改为yield b
就可以了:这就是定义
generator
的另一种方法。如果一个函数定义中包含yield
关键字,那么这个函数就不再是一个普通函数,而是一个generator
:
def fib(max):
n,a,b = 0,0,1
while n < max:
#print(b)
yield b
a,b = b,a+b
n += 1
return "done"
print(fib(6))
f = fib(6)
print(f.__next__())
print(f.__next__())
print(f.__next__())
执行结果:
D:\Python18\venv\Scripts\python.exe D:/Python18/day04/斐波那契数列.py
1
1
2
断点分析:
(1)定义fib
函数,传入参数为max
;
(2)将fib(6)
传入6
作为参数生成一个生成器并赋值给f
,可以通过print(fib(6))
查看生成器的内存地址;
(3)print(f.__next__()
取出生成器的第一个值,此时会直接调用fib
函数处理;
(4)初始值n=0、a=0、b=1
,判断n<6
执行yield b
保存了函数的中断状态,并返回了b
的值。此时print(f.__next__()
执行的结果为1
;
(5)再执行print(f.__next__()
取第二个值,此时会跳回yield b
,返回函数中断时保存的状态,然后执行a,b = b,a+b
,此时a=b,即a=1;b=a+b,即b=1
。
(6)执行n += 1
,n
的值加1
,然后回到while循环判断;
(7)判断1 < 6
,继续执行yield b
。继续保存函数中断状态,并返回b
的值。此时返回print(f.__next__()
的执行结果为1
;
(8)同理,再执行第三个print(f.__next__()
取出第三个值,执行结果为2
。从而最后的直接结果打印为:1
1
2这里,最难理解的就是
generator
和函数的执行流程不一样。函数是顺序执行
,遇到return语句
或者最后一行函数语句就返回
。而变成generator的函数
,在每次调用next()
的时候执行,遇到yield语句返回
,再次执行时从上次返回的yield语句处继续执行
。在上面
fib
的例子,我们在循环过程中不断调用yield
,就会不断中断。当然要给循环设置一个条件来退出循环,不然就会产生一个无限数列出来。同样的,把函数改成
generator
后,我们基本上从来不会用next()
来获取下一个返回值,而是直接使用for循环
来迭代:
def fib(max):
n,a,b = 0,0,1
while n < max:
#print(b)
yield b
a,b = b,a+b
n += 1
return "done"
for n in fib(6):
print(n)
执行结果:
1
1
2
3
5
8
但是用
for循环
调用generator
时,发现拿不到generator
的return
语句的返回值
。如果想要拿到返回值,必须捕获StopIteration错误
,返回值包含在StopIteration
的value
中:
def fib(max):
n,a,b = 0,0,1
while n < max:
#print(b)
yield b
a,b = b,a+b
n += 1
return "done"
f = fib(6)
while True:
try:
x = next(f)
print(x)
except StopIteration as e:
print('Generator return value:', e.value)
break
执行结果:
f: 1
f: 1
f: 2
f: 3
f: 5
f: 8
Generator return value: done
还可通过
yield
实现在单线程的情况下实现并发运算的效果:以下的执行相当于在串行的过程中实现了并发的效果,也成为协程。
#!/usr/bin/python
# _*_ coding:utf-8 _*_
# Aothr: Kim
import time
def consumer(name):
print("%s 准备吃包子啦!" %name)
while True:
baozi = yield
print("包子[%s]来了,被[%s]吃了!" %(baozi,name))
def producer(name):
c = consumer('A') #生成一个c的生成器
c2 = consumer('B') #生成一个c2的生成器
c.__next__() #执行producer()时,会直接调用到consumer,然后打印A 准备吃包子啦!到了yield直接中断
c2.__next__() #同上,打印B 准备吃包子啦!
print("老子开始准备做包子啦!")
for i in range(3): #循环0~2的序列
time.sleep(1)
print("做了2个包子!")
c.send(i)
#此时使用send将i的值发送给yield,继续执行 print("包子[%s]来了,被[%s]吃了!" %(baozi,name)),执行结果为:包子[0]来了,被[A]吃了!while True死循环又到了yield,中断函数。执行下一步。
c2.send(i) #同上,执行结果为:包子[0]来了,被[B]吃了!至此i=0执行完毕,继续下一个i=1的循环。
producer("alex")
执行结果:
A 准备吃包子啦!
B 准备吃包子啦!
老子开始准备做包子啦!
做了2个包子!
包子[0]来了,被[A]吃了!
包子[0]来了,被[B]吃了!
做了2个包子!
包子[1]来了,被[A]吃了!
包子[1]来了,被[B]吃了!
做了2个包子!
包子[2]来了,被[A]吃了!
包子[2]来了,被[B]吃了!
3、迭代器
一类是集合数据类型,如
list、tuple、dict、set、str
等;一类是
generator
,包括生成器和带yield
的generator function
。这些可以
直接
作用于for循环的对象
统称为可迭代对象:Iterable
。可以使用
isinstance()
判断一个对象是否是Iterable
对象:
>>> 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于
for循环
,还可以被next()函数
不断调用并返回下一个值,直到最后抛出StopIteration
错误表示无法继续返回下一个值了。可以被
next()函数
调用并不断返回下一个值的对象称为迭代器:Iterator
。可以使用
isinstance()
判断一个对象是否是Iterator
对象:
>>> 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
对象,但list、dict、str
虽然是Iterable
,却不是Iterator
。把
list、dict、str
等Iterable
变成Iterator
可以使用iter()
函数:
>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True
你可能会问,为什么
list、dict、str
等数据类型不是Iterator
?这是因为
Python
的Iterator
对象表示的是一个数据流,Iterator
对象可以被next()
函数调用并不断返回下一个数据,直到没有数据时抛出StopIteration
错误。可以把这个数据流看做是一个有序序列,但我们却不能提前知道序列的长度,只能不断通过next()
函数实现按需计算下一个数据,所以Iterator
的计算是惰性的,只有在需要返回下一个数据时它才会计算。
Iterator
甚至可以表示一个无限大的数据流,例如全体自然数。而使用list
是永远不可能存储全体自然数的。小结
凡是可作用于for循环
的对象都是Iterable类型
;凡是可
作用于next()函数
的对象都是Iterator
类型,它们表示一个惰性计算的序列;集合数据类型如
list、dict、str
等是Iterable
但不是Iterator
,不过可以通过iter()函数
获得一个Iterator
对象。
Python
的for循环
本质上就是通过不断调用next()函数
实现的,例如:
for x in range(5):
print(x)
实际上完全等价于:
# 首先获得Iterator对象:
it = iter([0,1, 2, 3, 4])
# 循环:
while True:
try:
# 获得下一个值:
x = next(it)
except StopIteration:
# 遇到StopIteration就退出循环
break
网站标题:Python入门篇(八)之迭代器和生成器
路径分享:http://myzitong.com/article/podgsg.html