人人都能看懂的「迭代器、生成器」入门指南！

大家好。

今天我们将讨论能在很多教程中看到，但又常常搞的头晕转向的迭代器、生成器，以及让新手经常困惑的yield。

事实上，和装饰器一样，这三个概念也是绑在一起的，例如你想知道 「什么是yield」，那在这之前你必须了解什么是生成器。不过在了解生成器之前，又必须了解什么是迭代器，但在搞明白迭代器之前，你总要知道什么是可迭代对象吧。

下面就让我们按照这个思路，来一点一点前进吧。

迭代器

1.1 迭代

在介绍一切之前，先说一下最简单的迭代

>>> for i in range(3):
...    print(i)
0
1
2

就像这样，逐个打印元素的过程就是迭代，这个过程也是我们日常写代码接触到最多的操作。

1.2 可迭代对象

让我们继续，什么是可迭代对象？

就像上面代码一样「能够执行迭代（遍历所有元素）的操作的对象」就是可迭代对象，例如列表

>>> mylist = [1, 2, 3]
>>> for i in mylist:
...    print(i)
1
2
3

就像列表一样，可以使用 for 循环进行迭代的对象，就是可迭代对象，我们常用的字符串、列表、文件等都是可迭代对象。

1.3 对象可迭代的原因

现在相信你应该对「可迭代对象」这个名词有一个大致的了解，为了加深理解，我们继续研究为什么一个对象是可以迭代的！

让我们看看当Python解释器遇到迭代操作时，例如for ··· in x是怎么处理的

自动调用 iter(x)函数。
检查对象是否实现了 __iter__ 方法，如果实现了就调用它，获取一个迭代器。
如果没有实现 __iter__ 方法，但是实现了 __getitem__ 方法， Python 会创建一个迭代器，尝试按顺序（从索引 0 开始）获取元素。
如果两个方法都没有，则会抛出 TypeError 异常，提示该对象不可以迭代

所以「含有 __iter__() 方法或 __getitem__() 方法的对象称之为可迭代对象」

让我们来验证上一节定义的list是否有这两个方法

答案是肯定的，当然在Python中有专门的方法去检查一个对象是否可迭代，例如isinstance()

>>> from collections import Iterable
>>> isinstance(mylist, Iterable)
True

1.4 迭代器

现在来说说相对来说更加抽象一点的迭代器。

简单来说拥有next()方法的可迭代对象就是迭代器，或者说可迭代的对象和迭代器之间的关系是：Python 从可迭代的对象中获取迭代器。

所以上面说到的列表、元祖、字符串等都不是迭代器，但是，可以使用 Python 内置的 iter() 函数获得它们的迭代器对象，让我们使用迭代器的模式改写之前的案例

>>> mylist = [1,2,3]
>>> it = iter(mylist) #构建迭代器
>>> while True:try:print(next(it))except StopIteration:break1
2
3

上面的代码中先使用可迭代对象构建迭代器 it，不断在迭代器上调用 next 函数，获取下一个元素，如果没有字符了，迭代器会抛出 StopIteration 异常，此时退出循环。

其实看到这里，很多人都会和我一样想，迭代器它到底有什么用或者说在什么场景下我应该使用迭代器呢？

实际上很少有人会将好好的 for 循环改写成迭代器形式，大多数教程也是用斐波那契数列来举例，我们学习这些方法背后的原理一方面能更好的理解 Python，并且迭代器也是下面我们要说的生成器的重要基础。

生成器

2.1 生成器

现在我们已经知道了for循环背后的机制，但如果数据量太大时，比如for i in range(1000000)，使用for循环将所有值存储在内存不仅占用很大的存储空间，并且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。

而生成器的想法就是，我们不需要一次性把这个列表创建出来，只需要记住它的建立规则，之后需要使用的时候一遍计算一遍创建

创建生成器的方法很简单，只需要将列表推导式中的[]换成()就行了，例如

>>> mygenerator = (x*x for x in range(3))
>>> for i in mygenerator:
...    print(i)
0
1
4

但是我们不能多次执行for i in mygenerator，因为生成器只能使用一次！

另外要强调的是「生成器也是特殊的迭代器」因此它拥有上面几节介绍的迭代器的相关性质！

2.2 yield

最后来说说让任何多人头疼的 yield 语法。

用通俗的话去说，可以将它看成return，只不过它返回的是一个生成器，记住在初学时不需要想明白这个yield到底是什么，但务必了解它的运行机制！

下面让我们看一段代码

>>> def f123():
...    print("第一次运行")
...    yield 1
...    print("第二次运行")
...    yield 2
...    print("第三次运行")
...    yield 3
>>> gen = f123()
>>> gen
<generator object f123 at 0x7fcd301274a0>

可以看到，如果一个函数，使用yield关键词返回值，那么它就是一个生成器函数(f123)。

与普通函数不同，生成器函数被调用后，其函数体内的代码并不会立即执行（执行gen = f123()后没有打印出任何值），而是返回一个生成器(gen)！

上面说到，生成器也是迭代器，且yield就当作return看，所以下面的代码运行结果是可以轻松猜到的

>>> for item in gen:
...    print(item)
第一次运行
1
第二次运行
2
第三次运行
3

重点来了，如果使用 next(gen) 会发生什么？

>>> next(gen)
第一次运行
1
>>> next(gen)
第二次运行
2
>>> next(gen)
第三次运行
3
>>> next(gen)
Traceback (most recent call last)
<ipython-input-17-6e72e47198db> in <module>
----> 1 next(gen)StopIteration:

我们可以看到， 每次调用next(gen)都只运行到yield位置停止，下一次运行时从上一次结束的位置开始！ 并且该生成器的长度取决于函数中yield出现的次数。

在这里想多插一句，虽然我们将yield当成return看，上面的打印出来的1、2、3我们应该将它称为生成值，而不是返回值，这不是某个函数返回的值，而是生成器生成的！希望大家可以再去体会一下！

好了，如果你看明白了上面这个最简单的 yield 函数示例，我们接着看下一个例子，生成器也可以接受参数。

在生成器函数中，如果将 yield 放在左边，就可以使用 send 方法传递参数，注意看下面的案例

def simple_coro2(a):print('-> Started: a =', a)b = yield aprint('-> Received: b =', b)c = yield a + bprint('-> Received: c =', c)gen = simple_gen(14)

这里我们依旧是定义了一个生成器函数，思考一下执行next(gen)会发生什么

>>> next(gen)
-> Started: a = 14
14

上一个例子说到「每次调用next(gen)都只运行到yield位置停止，下一次运行时从上一次结束的位置开始！」

所以现在并没有执行b = yield a，仅是将左边yield a执行，生成了a并打印 -> Started: a = 14 消息，然后产出 a 的值，并且暂停，等待为 b 赋值。之后可以使用gen.send(28)来传递28给b

>>> gen.send(28)
-> Received: b = 28
42

依旧是执行到yield a + b结束，并等待等待为 c 赋值。现在如果我们给c赋值会发生什么？

>>> gen.send(99)
-> Received: c = 99
Traceback (most recent call last)
<ipython-input-51-77455e0ba24f> in <module>
----> 1 gen.send(99)StopIteration:

可以看到在把数字 99 发给暂停的生成器；计算 yield 表达式，得到 99，然后把那个数绑定给 c。打印 -> Received: c = 99 消息然后终止，导致生成器对象抛出 StopIteration 异常。

现在可以通过下面一张流程图来加深上面案例的过程，可能不太适应这种 = 右边的代码在赋值之前执行并暂停的形式，但是必须要理解，这是掌握 yield 最关键的知识！

好了，以上就是有关 Python 中迭代器、生成器的简单入门讲解，如果想要进一步研究我强烈建议你阅读《流畅的Python》！

-------- End --------

精选资料

回复关键词，获取对应的资料：

关键词	资料名称
600	《Python知识手册》
md	《Markdown速查表》
time	《Python时间使用指南》
str	《Python字符串速查表》
pip	《Python：Pip速查表》
style	《Pandas表格样式配置指南》
mat	《Matplotlib入门100个案例》
px	《Plotly Express可视化指南》

精选内容

数据科学： VS Code 中 Python配置使用指南 | 财经工具 Tushare | Matplotlib 最有价值的 50 个图表

投资小结： 2021Q4 | 2021Q3 | 2021Q2 | 2021Q1 | 2020Q4

精选视频

可视化： Plotly Express

财经： Plotly在投资领域的应用 | 绘制K线图表