列表生成式、生成器&迭代器

一、列表生成式（List Comprehensions）

1、案例——列表每个值加1

　　先有列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],要求你把列表里的每个值加1，怎么实现？

方法一：

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
b = []
for i in a:b.append(i+1)
a = b
print(a)

　　此方法内存中会同时有两份列表，因此不适合处理大规模数据。

方法二：

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
for index,i in enumerate(a):a[index] +=1
print(a)

方法三：

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
a = map(lambda x:x+1, a)   # <map object at 0x1018da5f8>
print(a)

　　利用map方法根据提供的函数(lambda)对指定序列做映射。

方法四：

# 列表生成式：一行代码完成列表操作
a = [i+1 for i in range(10)]

2、列表生成式概念和用法

　　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。

# 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
>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]# 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]# 用三元运算生成列表
>>> a = range(1,11)
>>> a = [i if i < 5 else i*i for i in a]
>>> a
[1, 2, 3, 4, 25, 36, 49, 64, 81, 100]# 使用两层循环，可以生成全排列
>>> [m + n for m in 'ABC' for n in 'XYZ']
['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']# 列表生成式也可以使用两个变量来生成list
>>> d = {'x': 'A', 'y': 'B', 'z': 'C' }
>>> [k + '=' + v for k, v in d.items()]
['x=A', 'y=B', 'z=C']# 字符串操作，都变为小写
>>> L = ['Hello', 'World', 'IBM', 'Apple']
>>> [s.lower() for s in L]
['hello', 'world', 'ibm', 'apple']

　　由此可以看到，通过列表生成式可以直接创建一个列表。列表创建在内存中，因此列表容量受到内存限制。特别是对一个元素量很大的列表，仅需访问前几个元素时，尤其浪费空间。

二、生成器（generator）

1、生成器定义

　　列表元素可以按照某种算法推算出来（有规律的数组），则可以在循环的过程中不断推算出后续的元素。这种方式就不必创建完整的list，可以节省大量的空间。

　　python中，这种一边循环一边计算的机制，称为生成器：generator。

2、生成器创建方法一：将列表生成式的‘[]’改为‘()’

　　创建列表生成式和生成器的区别，仅仅是最外层的[]和()。

　　如果要打印出生成器的元素，可以通过nex()函数获取generator的下一个返回值。

# 生成器保存的是公式，取一次创建一次，只能往前不能后退
>>> a2 = (i for i in range(1000))
>>> a2
<generator object <genexpr> at 0x103761a98>
>>> next(a2)
0
>>> next(a2)
1#生成器走完时，会报错：StopIteration
>>> a3 = (i for i in range(5))   # 限制5个
>>> a3
<generator object <genexpr> at 0x103761e08>
>>> next(a3)
0
>>> next(a3)
1
>>> next(a3)
2
>>> next(a3)
3
>>> next(a3)
4
>>> next(a3)
Traceback (most recent call last):File "<input>", line 1, in <module>
StopIteration

　　生成器保存的是算法，每次调用next(g)就计算出g的下一个元素的值，直到计算出最后一个元素，没有更多的元素时，抛出StopIteration的错误。

　　创建生成器后，很少会调用next()，一般是通过for循环来迭代。

a3 = (i for i in range(5))
for i in a3:   # 使用for循环来迭代生成器，不会出现StopIteration报错，直接结束。print(i)
'''
0
1
2
3
4
'''a2 = (i for i in range(3))
while True:    # while循环不适用next(a2)   # 报StopIteration错误

3、生成器创建方法二：一个函数定义中包含yield关键字，函数为生成器(generator)

　　例如，著名的斐波拉契数列(Fibonacci)，除第一个和第二个数外，任意一个数均可由前两个数相加得到：1, 1, 2, 3, 5, 8, 13, 21, 34,....

　　列表生成式写不出斐波拉契数列，但是函数却可以轻松打印：

# 用函数来写生成器，以斐波那契数列为例
# 重点是赋值语句：a,b = b,a+b
def fib(max):  n, a, b = 0, 0, 1while n < max:print(b)   # 每次打印ba, b = b, a + b   # 0，1——>1，1——>1，2——>2，3n = n + 1   # n用来计数，每次自加1return 'done'fib(10)

　　赋值语句：a, b = b , a + b

　　相当于：t = (b, a + b) a = t[0] b = t[1] t是一个tuple

　　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。

>>> def fib_g(max):
...     n, a, b = 0, 0, 1
...     while n < max:
...         print('before yield')
...         yield b   # yield 把函数的执行过程冻结在这一步，并且把b的值返回给外面的next()
...         print(b)
...         a, b = b, a+b
...         n = n + 1
...     return 'done'
...
>>> f = fib_g(15)  # 将函数转换为生成器，有了yeild后，函数名(参数)根本不执行
>>> next(f)
before yield
1
>>> next(f)
1
before yield
1
>>> next(f)
1
before yield
2
>>> next(f)
2
before yield
3
>>> next(f)
3
before yield
5

　　这种生成器和函数相似，但与函数的执行流程不同：

　　函数是顺序执行，遇到return语句或最后一行函数语句就返回。

　　函数转化为生成器后，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。

def fib_g(max):n, a, b = 0, 0, 1while n < max:# print('before yield')yield b   # yield 把函数的执行过程冻结在这一步，并且把b的值返回给外面的next()# print(b)a, b = b, a+bn = n + 1return 'done'
# 生成器使用意义：可以将函数执行中的状态、数据返回到外部来

data = fib_g(10)
print(data)print(data.__next__())
print(data.__next__())
print("干点别的事")
print(data.__next__())
print(data.__next__())
print(data.__next__())
print(data.__next__())"""
<generator object fib_g at 0x1014670f8>
1
1
干点别的事
2
3
5
8"""

　　在上例中，循环过程中不断调用yield，就会不断中断。而且需要设置循环退出条件，否则会产生无限数列。

　　将函数改写为生成器后，通常不会用next()来获取下一个值，而是使用for循环来迭代。

def fib_g(max):n, a, b = 0, 0, 1while n < max:yield b   # yield 把函数的执行过程冻结在这一步，并且把b的值返回给外面的next()a, b = b, a+bn = n + 1return 'done'for n in fib_g(6):print(n)"""
1
1
2
3
5
8
"""

　　for循环调用生成器，拿不到生成器的return语句的返回值，要拿到返回值，必须捕获StopIteration错误。

def fib_g(max):n, a, b = 0, 0, 1while n < max:yield b   # yield 把函数的执行过程冻结在这一步，并且把b的值返回给外面的next()a, b = b, a+bn = n + 1return 'done'g = fib_g(6)
while True:try:x = next(g)print('g', x)except StopIteration as e:print('Generator return value:', e.value)break"""
g 1
g 1
g 2
g 3
g 5
g 8
Generator return value: done
"""

4、生成器send方法

send方法作用：
　　1、唤醒并继续执行（next方法只有这个功能）
　　2、发送一个信息到生成器内部

def range2(n):count = 0while count < n:print('count', count)count += 1sign = yield countif sign == 'stop':breakprint("---sign", sign)return 3333 new_range = range2(3)  # 0，1，2
n1 = next(new_range)
print(new_range)
new_range.send("stop")  # 生成器不再执行后两步直接终止"""
count 0
<generator object range2 at 0x10244c0f8>
Traceback (most recent call last):File "/Users/.../函数生成器2.py", line 20, in <module>new_range.send("stop")
StopIteration: 3333
"""

　　如下所示为生成器与外部交互：

def run():count = 0while True:n = yield countprint("--", n, count)count += 1g =run()g.__next__()
g.send("alex")
g.send("egon")
g.send("jack")
"""
-- alex 0
-- egon 1
-- jack 2
"""

5、通过yield实现单线程情况下实现并发运算的效果

#_*_coding:utf-8_*_
__author__ = 'Alex Li'import time
def consumer(name):print("%s 准备吃包子啦!" %name)while True:baozi = yieldprint("包子[%s]来了,被[%s]吃了!" %(baozi,name))def producer(name):c = consumer('A')c2 = consumer('B')c.__next__()c2.__next__()print("老子开始准备做包子啦!")for i in range(10):time.sleep(1)print("做了2个包子!")c.send(i)c2.send(i)producer("alex")通过生成器实现协程并行运算

三、生成器总结

1、生成器的创建方式　　

　　1.列表列表生成式
　　2.函数函数生成器 yield

2、yield 对比 return

　　return返回并中止function
　　yield返回函数，并冻结当前的执行过程
　　函数有了yield之后
　　（1）函数名加()就变成了一个生成器
　　（2）return在生成器里，代表生成器的中止，直接报错

3、next:唤醒生成器并继续执行

　　next唤醒冻结的函数执行过程，继续执行，直到遇到下一个yield

4、send("stop"):

　　1.唤醒并继续执行
　　2.发送一个信息到生成器内部

5、python2和python3中range()方法对比

在Python2中：
　　range = list

>>> range(10)
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

　　xrange = 生成器

>>> a = xrange(10)
>>> type(a)
<type 'xrange'>
>>> for i in a:
...     print i
...
0
1
2
3
4
5
6
7
8
9

在Python3中：
　　range = genetator

>>> range(10)  # range(0,10)  生成这个公式没有正式创建
range(0, 10)
>>> type(range(10))
<class 'range'>

　　xrange ：python3中已取消该方法

四、可迭代对象（Iterable）和迭代器（Iterator）

1、什么是可迭代对象？什么是迭代器？

　　可直接作用于for循环的数据类型有一下几种：

　　一、集合数据类型，如：list、tuple、dict、set、str等；

　　二、generator，包括生成器表达式(geneator expression)和生成器函数(generator function)两组构建方式。

　　上述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  # 可迭代类型
# 使用isinstance()判断一个对象是否是可迭代对象
isinstance('abc', Iterable)
isinstance({}, Iterable)
isinstance((x for x in range(10)), Iterable)isinstance(100, Iterable)  # 返回False

　　迭代器定义：可以被next()函数调用并不断返回下一个值得对象称为迭代器(Iterator)。

2、可迭代对象与迭代器的关系

生成器是迭代器的一种：

　　1、生成器都是迭代器对象，但list\dict\str虽然是可迭代对象，但不是迭代器。

　　2、把list\dict\str等可迭代对象变成迭代器可以使用iter()函数

>>> from collections import Iterator
>>> isinstance('abc', Iterator)
False
>>> a = iter('abc')
>>> a
<str_iterator object at 0x10c584b38>
>>> a.__next__()
'a'
>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True

3、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。

4、总结

　　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。　

for x in [1, 2, 4, 5]:pass# 完全等价于
# 获得Iterataor对象
it = iter([1, 2, 3, 4, 5])
# 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

posted @ 2018-03-20 12:30 休耕阅读(...) 评论(...) 编辑收藏