据廖雪峰python3教程----python学习第十天

列表生成式（List Comprehensions）

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))

：

>>> list(range(1,11))
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

生成[1x1,2x2,3x3,...,10x10] :

>>> L=[]
>>> for x in range(1,11):
L.append(x*x)

>>> L
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

另一种简化的写法：

>>> [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：

>>> [x*x for x in range(1,11) if x%2==0]
[4, 16, 36, 64, 100]

>>> [m+n for m in 'ABC' for n in 'XYZ']
['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']

列出当前目录下的文件：

>>> import os
>>> [d for d in os.listdir('.')]
['DLLs', 'Doc', 'include', 'Lib', 'libs', 'LICENSE.txt', 'NEWS.txt', 'python.exe', 'pythonw.exe', 'README.txt', 'Scripts', 'students', 'tcl', 'Tools']

>>> d={'x':'A','y':'B','z':'C'}
>>> for k,v in d.items():
print(k,'=',v)

x = A
z = C
y = B

>>> [k+'='+v for k,v in d.items()]
['x=A', 'z=C', 'y=B']

把一个list 中的字符窜变成小写

>>> l=['Aadss','Bsad','Casd','Dasd']
>>> [s.lower() for s in l]
['aadss', 'bsad', 'casd', 'dasd']

L1 = ['Hello', 'World', 18, 'Apple', None]
# 期待输出: ['hello', 'world', 'apple']
print(L2)

>>> L2=[s.lower() for s in L1 if isinstance(s,str)]
>>> L2
['hello', 'world', '18', 'apple']
>>> [isinstance(s,str) and s.lower() or s for s in l1]
['hello', 'world', '18', 'apple', None]
>>> [s.lower() if isinstance(s,str) else s for s in l1]
['hello', 'world', '18', 'apple', None]

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 0x02C9FC10>

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。
要打印generator 的每一个元素我们需要用到next():

>>> 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 "<pyshell#53>", line 1, in <module>
next(g)
StopIteration

当计算到最后一个元素时，跑出 StopIteration 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

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'

>>> fib(6)
1
1
2
3
5
8
'done'

要把 上面的 fib 函数改为 generator 仅需要把 print（b） 改为 yield b 就可以了：

>>> def fib(max):
n,a,b=0,0,1
while n<max:
yield b
a,b=b,a+b
n=n+1
return 'done'

>>> f = fib(6)
>>> f<generator object fib at 0x02C9FD28
>>>> for n in f:
print(n)

1
1
2
3
5
8

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。

举个简单的例子，定义一个generator，依次返回数字1，3，5：

>>> def odd():
print(1)
yield 1
print(2)
yield 3
print(3)
yield 5

>>> o=odd()
>>> next(o)
1
1
>>> next(odd())
1
1
>>> next(o)
2
3
>>> next(o)
3
5
>>> next(o)Traceback (most recent call last):
File "<pyshell#104>", line 1, in <module>
next(o)
StopIteration

可以看到，

odd

不是普通函数，而是generator，在执行过程中，遇到

yield

就中断，下次又继续执行。执行3次

yield

后，已经没有

yield

可以执行了，所以，第4次调用

next(o)

就报错。

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：

>>> g=fib(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

迭代器
我们已经知道，可以直接作用于

for

循环的数据类型有以下几种：
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('asd',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({}),Iterator)
True

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，lterator 对象可以被 next（） 函数调用并不断返回下一个数据，知道没有数据抛出 stopIteration 错误。可以吧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，只能不断通过函数next（）函数实现按需计算下一格数据，所以 Iterator 的计算是惰性的，只有在需要返回下一个数据时他才会计算。

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。

高阶函数
一个最简单的高阶函数：

>>> def add(x,y,f):
return f(x)+f(y)

>>> add(-5,6,abs)
11

map（）/ reduce（）

map（）函数接受两个参数，一个是函数，一个是Iterable，map 将传入的函数依次作用到序列的每个元素，并把结果作为新的 Iterator 返回。

我们要把函数 f(x)= x2,要把这个函数作用在一个list[1,2,3,4,5,6,7,8,9]上，就可以用map（）实现如下：

>>> r=map(f,[1,2,3,4,5,6,7,8,9])
>>> next(r)
1
>>> list(r)
[4, 9, 16, 25, 36, 49, 64, 81]

>>> list(map(str,[1,2,3,4,5,6,7,8,9]))
['1', '2', '3', '4', '5', '6', '7', '8', '9']

reduce（） ---> reduce 把一个函数作用在一个序列[x1,x2,x3,.....]上，这个函数必须接受两个参数，reduce 把结果继续和序列的下一个元素做积累计算，其效果就是：

reduce(f,[x1,x2,x3,x4])
=f(f(f(x1,x2),x3),x4)

计算一个序列的和，就可以用到reduce实现：

>>> from functools import reduce
>>> def add(x,y):
return x+y

>>> reduce(add,[1,3,5,7,9])
25

当然也可以用python内建函数sum（），没必要用reduce。

>>> sum([1,3,5,7,9])
25

如果把序列[1,3,5,7,9]变换成整数13579.reduce就可以派上用场：

>>> from functools import reduce
>>> def fn(x,y):
return x*10+y

>>> reduce(fn,[1,3,5,7,9])
13579

filter -----> Python内建的

filter()

函数用于过滤序列。
filter（）也接受一个函数和一个序列。和map（）不同的是，filter（）把传入的函数依次作用于每个元素，然后根据返回值是True还是False决定保留还是丢弃该元素。
eg:在一个list中，删掉偶数，只保留奇数：

>>> def is_odd(n):
return n%2==1

>>> list(filter(is_odd,[1,2,3,4,5,6,7,8,9]))
[1, 3, 5, 7, 9]

删除字符串中的空字符：

>>> def not_empty(s):
return s and s.strip()

>>> list(filter(not_empty,['A','','B',None,'C','   ']))
['A', 'B', 'C']

回数是指从左向右读和从右向左读都是一样的数，例如

12321

，

909

。请利用

filter()

滤掉非回数：

>>> print(list(filter(lambda n:str(n) == str(n)[::-1], range(1, 2000))))
#先把数字转换为字符串，然后翻转字符串，最后比较
[1, 2, 3, 4, 5, 6, 7, 8, 9, 11, 22, 33, 44, 55, 66, 77, 88, 99, 101,
111, 121, 131, 141, 151, 161, 171, 181, 191, 202, 212, 222, 232, 242,
252, 262, 272, 282, 292, 303, 313, 323, 333, 343, 353, 363, 373, 383,
393, 404, 414, 424, 434, 444, 454, 464, 474, 484, 494, 505, 515, 525,
535, 545, 555, 565, 575, 585, 595, 606, 616, 626, 636, 646, 656, 666,
676, 686, 696, 707, 717, 727, 737, 747, 757, 767, 777, 787, 797, 808,
818, 828, 838, 848, 858, 868, 878, 888, 898, 909, 919, 929, 939, 949,
959, 969, 979, 989, 999, 1001, 1111, 1221, 1331, 1441, 1551, 1661, 1771, 1881, 1991]