python迭代器与生成器_Python的迭代器和生成器

一概要

在了解Python的数据结构时，容器(container)、可迭代对象(iterable)、迭代器(iterator)、生成器(generator)、列表/集合/字典推导式(list,set,dict comprehension)众多概念参杂在一起，难免让初学者一头雾水，我将用一篇文章试图将这些概念以及它们之间的关系捋清楚

二容器(container)

容器是一种把多个元素组织在一起的数据结构，容器中的元素可以逐个地迭代获取，可以用 in , not in 关键字判断元素是否包含在容器中。通常这类数据结构把所有的元素存储在内存中（也有一些特列并不是所有的元素都放在内存）在Python中，常见的容器对象有：

list, deque, ....

set, frozensets, ....

dict, defaultdict, OrderedDict, Counter, ....

tuple, namedtuple, …

str

容器比较容易理解，因为你就可以把它看作是一个盒子、一栋房子、一个柜子，里面可以塞任何东西。从技术角度来说，当它可以用来询问某个元素是否包含在其中时，那么这个对象就可以认为是一个容器，比如 list，set，tuples都是容器对象：

尽管绝大多数容器都提供了某种方式来获取其中的每一个元素，但这并不是容器本身提供的能力，而是可迭代对象赋予了容器这种能力，当然并不是所有的容器都是可迭代的。

三可迭代对象(iterable)

如果给定一个list或tuple，我们可以通过for循环来遍历这个list或tuple，这种遍历我们称为迭代（Iteration）。

刚才说过，很多容器都是可迭代对象，此外还有更多的对象同样也是可迭代对象，比如处于打开状态的files，sockets等等。但凡是可以返回一个迭代器的对象都可称之为可迭代对象，听起来可能有点困惑，没关系，可迭代对象与迭代器有一个非常重要的区别。先看一个例子：

这里 x 是一个可迭代对象，可迭代对象和容器一样是一种通俗的叫法，并不是指某种具体的数据类型，list是可迭代对象，dict是可迭代对象，set也是可迭代对象。 y 和 z 是两个独立的迭代器，迭代器内部持有一个状态，该状态用于记录当前迭代所在的位置，以方便下次迭代的时候获取正确的元素。迭代器有一种具体的迭代器类型，比如 list_iterator ， set_iterator 。可迭代对象实现了 __iter__ 和 __next__ 方法（python2中是 next 方法，python3是 __next__ 方法），这两个方法对应内置函数 iter() 和 next() 。 __iter__ 方法返回可迭代对象本身，这使得他既是一个可迭代对象同时也是一个迭代器。

四迭代器(iterator)

那么什么迭代器呢？它是一个带状态的对象，他能在你调用 next() 方法的时候返回容器中的下一个值，任何实现了 __next__() （python2中实现 next() ）方法的对象都是迭代器，至于它是如何实现的这并不重要。

现在我们就以斐波那契数列()为例，学习为何创建以及如何创建一个迭代器：

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, ...

code1：

deffab(max):

n, a, b= 0, 0, 1

while n

a, b= b, a +b

n= n + 1

直接在函数fab(max)中用print打印会导致函数的可复用性变差，因为fab返回None。其他函数无法获得fab函数返回的数列。

code2：

deffab(max):

L=[]

n, a, b= 0, 0, 1

while n

L.append(b)

a, b= b, a +b

n= n + 1

return L

代码2满足了可复用性的需求，但是占用了内存空间，最好不要。

对比for i in range(1000): pass和for i in xrange(1000): pass，前一个返回1000个元素的列表，而后一个在每次迭代中返回一个元素，因此可以使用迭代器来解决复用可占空间的问题

code3：

classFab(object):def __init__(self, max):

self.max=max

self.n, self.a, self.b= 0, 0, 1

def __iter__(self):returnselfdefnext(self):if self.n

r=self.b

self.a, self.b= self.b, self.a +self.b

self.n= self.n + 1

returnrraiseStopIteration()'''>>> for key in Fabs(5):

print key

5'''

Fabs 类通过 next() 不断返回数列的下一个数，内存占用始终为常数

Fib既是一个可迭代对象（因为它实现了 __iter__ 方法），又是一个迭代器（因为实现了 __next__ 方法）。实例变量 self .a 和 self.b 用户维护迭代器内部的状态。每次调用 next() 方法的时候做两件事：

为下一次调用 next() 方法修改状态

为当前这次调用生成返回结果

迭代器就像一个懒加载的工厂，等到有人需要的时候才给它生成值返回，没调用的时候就处于休眠状态等待下一次调用。

五 for i in (iterable)的内部实现

在大多数情况下，我们不会一次次调用next方法去取值，而是通过 for i in (iterable)的方式

注意：in后面的对象如果是一个迭代器，内部因为有iter方法才可以进行操作，所以，迭代器协议里面有iter和next两个方法，否则for语句无法应用。

注意：定时垃圾回收机制

for i in range（10）：print i ：定时垃圾回收机制：没有引用指向这个对象，则被回收

六生成器(generator)

生成器算得上是Python语言中最吸引人的特性之一，生成器其实是一种特殊的迭代器，不过这种迭代器更加优雅。代码3远没有代码1简洁，生成器（yield）既可以保持代码1的简洁性，又可以保持代码3的效果。它不需要再像上面的类一样写 __iter__() 和 __next__() 方法了，只需要一个 yiled 关键字。生成器有如下特征是它一定也是迭代器（反之不成立），因此任何生成器也是以一种懒加载的模式生成值。用生成器来实现斐波那契数列的例子是：

deffab(max):

n, a, b= 0, 0, 1

while n

a, b= b, a +b

n= n + 1

>>> for n in fab(5):printn1

fib 就是一个普通的python函数，它特需的地方在于函数体中没有 return 关键字，函数的返回值是一个生成器对象。当执行 f=fib(5) 返回的是一个生成器对象，此时函数体中的代码并不会执行，只有显示或隐示地调用next的时候才会真正执行里面的代码。

yield 的作用就是把一个函数变成一个 generator，带有 yield 的函数不再是一个普通函数，Python 解释器会将其视为一个 generator，在 for 循环执行时，每次循环都会执行 fab 函数内部的代码，执行到 yield b 时，fab 函数就返回一个迭代值，下次迭代时，代码从 yield b 的下一条语句继续执行，而函数的本地变量看起来和上次中断执行前是完全一样的，于是函数继续执行，直到再次遇到 yield。看起来就好像一个函数在正常执行的过程中被 yield 中断了数次，每次中断都会通过 yield 返回当前的迭代值。

也可以手动调用 fab(5) 的 next() 方法（因为 fab(5) 是一个 generator 对象，该对象具有 next() 方法），这样我们就可以更清楚地看到 fab 的执行流程：

>>> f = fab(3)>>> f.__next__()1

>>> f.__next__()1

>>> f.__next__()2

>>> f.__next__()

Traceback (most recent call last):

File"", line 1, in f.next()

StopIteration

需要明确的就是生成器也是iterator迭代器，因为它遵循了迭代器协议。

两种创建方式

包含yield的函数

生成器函数跟普通函数只有一点不一样，就是把 return 换成yield,其中yield是一个语法糖，内部实现了迭代器协议，同时保持状态可以挂起。如下:

在一个生成器中，如果没有return，则默认执行到函数完毕；如果遇到return，如果在执行过程中 return，则直接抛出 StopIteration 终止迭代。

复制代码deff():yield 5

print("ooo")return

yield 6

print("ppp")#if str(tem)=='None':

#print("ok")

f=f()#print(f.__next__())#print(f.__next__())

for i inf:print(i)'''return即迭代结束

for不报错的原因是内部处理了迭代结束的这种情况'''

注意：

文件读取

defread_file(fpath):

BLOCK_SIZE= 1024with open(fpath,'rb') as f:whileTrue:

block=f.read(BLOCK_SIZE)ifblock:yieldblockelse:return

如果直接对文件对象调用 read() 方法，会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。通过 yield，我们不再需要编写读文件的迭代类，就可以轻松实现文件读取。

生成器对象就是一种特殊的迭代器对象，满足迭代器协议，可以调用next；对生成器对象for 循环时，调用iter方法返回了生成器对象，然后再不断next迭代，而iter和next都是在yield内部实现的。

例1：

defadd(s, x):return s +xdefgen():for i in range(4):yieldi

base=gen()for n in [1, 10]:

base= (add(i, n) for i inbase)print list(base)

'''核心语句就是:

for n in [1, 10]:

base = (add(i, n) for i in base)#在这里，base依旧是个生成器

在执行list(base)的时候，开始检索，然后生成器开始运算了。关键是，这个循环次数是2,也就是说，有两次生成器表达

式的过程。必须牢牢把握住这一点。

生成器返回去开始运算，n = 10而不是1没问题吧，这个在上面提到的文章中已经提到了，就是add(i, n)绑定的是n这个

变量，而不是它当时的数值。

然后首先是第一次生成器表达式的执行过程:base = (10 + 0, 10 + 1, 10 + 2, 10 +3),这是第一次循环的结

果(形象表示，其实已经计算出来了(10,11,12,3))，然后第二次，

base = (10 + 10, 11 + 10, 12 + 10, 13 + 10) ,终于得到结果了[20, 21, 22, 23].'''

例2：自定义range

七生成器的扩展

生成器对象支持几个方法，如gen.next() ,gen.send() ,gen.throw()等。

由于没有额外的yield，所以将直接抛出StopIteration。

send的工作方式：

deff():print("ok")

s=yield 7

print(s)yield 8f=f()print(f.send(None))print(next(f))#print(f.send(None))等同于print(next(f)),执行流程:打印ok,yield7,当再next进来时:将None赋值给s,然后返回8,可以通过断点来观察

协程应用：

所谓协同程序也就是是可以挂起，恢复，有多个进入点。其实说白了，也就是说多个函数可以同时进行，可以相互之间发送消息等。

importqueuedeftt():for x in range(4):print ('tt'+str(x) )yield

defgg():for x in range(4):print ('xx'+str(x) )yield

classTask():def __init__(self):

self._queue=queue.Queue()defadd(self,gen):

self._queue.put(gen)defrun(self):while notself._queue.empty():for i inrange(self._queue.qsize()):try:

gen=self._queue.get()

gen.send(None)exceptStopIteration:pass

else:

self._queue.put(gen)

t=Task()

t.add(tt())

t.add(gg())

t.run()#tt0#xx0#tt1#xx1#tt2#xx2#tt3#xx3

例

python迭代器与生成器_Python的迭代器和生成器相关推荐

python迭代器和生成器_Python之迭代器和生成器
一.迭代器 1.迭代器的概念迭代器即迭代的工具,那么什么是迭代呢?迭代是一个重复的过程,每一次重复即一次迭代,并且每次迭代的结果都是下一次迭代的初始值.下面的代码就不是迭代. whileTrue:p ...
python迭代器面试题_Python面试题之生成器/迭代器
原博文 2017-07-02 21:36 − 1.为什么要有生成器? 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 ...
python迭代器和生成器_python中迭代器和生成器。
前言:很多python教程中,对python的解释不容易理解,本文记录自己的理解和体会,是对迭代器和生成器的初步理解. 迭代器: 迭代器的实质是实现了next()方法的对象,常见的元组.列表.字典都是 ...
python迭代器创建序列_Python 中迭代器与生成器实例详解
Python 中迭代器与生成器实例详解本文通过针对不同应用场景及其解决方案的方式,总结了Python中迭代器与生成器的一些相关知识,具体如下: 1.手动遍历迭代器应用场景:想遍历一个可迭代对象中的 ...
python迭代器与生成器_python的迭代器与生成器实例详解
本文以实例详解了python的迭代器与生成器,具体如下所示: 1. 迭代器概述: 迭代器是访问集合元素的一种方式.迭代器对象从集合的第一个元素开始访问,直到所有的元素被访问完结束.迭代器只能往前不会后 ...
python加减法器课程报告_python实现随机加减法生成器
本文实例为大家分享了python实现随机加减法生成器的具体代码,供大家参考,具体内容如下为了让外甥女练习算术,用python给她写了个自动出加减法的小程序. 该程序使用了文字转语音的库pyttsx, ...
python中文讨论组_python - 中文名字随机生成器
伊谢尔伦2017-04-18 09:41:043楼下班没事干凑凑热闹, 说说我看到这个问题的思路及抄码记录 1. 为了让生成的名字看起来像名字, 就像一楼说的, 要分姓和名 2. 先整姓找找百家姓 ...
python yield用法_Python中迭代器和生成器的区别？
公众号新增加了一个栏目,就是每天给大家解答一道Python常见的面试题,反正每天不贪多,一天一题,正好合适,只希望这个面试栏目,给那些正在准备面试的同学,提供一点点帮助! 小猿会从最基础的面试题开始, ...
python生成器和装饰器_python三大法器：生成器、装饰器、迭代器
迭代器迭代的概念使用for循环遍历取值的过程叫做迭代,比如:使用for循环遍历列表获取值的过程使用for循环遍历取值的对象叫做可迭代对象, 比如:列表.元组.字典.集合.range.字符串判断 ...

python迭代器与生成器_Python的迭代器和生成器

python迭代器与生成器_Python的迭代器和生成器相关推荐

最新文章

热门文章