python(四)上：列表生成式、生成器、迭代器和内置函数

目录

列表生成式

生成器

迭代器

内置函数

一、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))：

>>> 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]

还可以使用两层循环，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']

for循环其实可以同时使用两个甚至多个变量，比如dict的items()可以同时迭代key和value：

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

因此，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()]
['y=B', 'x=A', 'z=C']

把一个list中所有的字符串变成小写：

>>> L = ['Hello', 'World', 'IBM', 'Apple']
>>> [s.lower() for s in L]
['hello', 'world', 'ibm', 'apple']

最后列表生成器结合函数。

>>> def func(num):
...     print(num)
...
>>> [func(i) for i in range(3)]
0
1
2
[None, None, None]

二、生成器

通过列表生成式，可以创建一个列表。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。

第一种方法，只要把一个列表生成式的[]改成()

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>

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)
64
>>> next(g)
81
>>> next(g)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration

我们讲过，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)

第二种方法，函数实现

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
# 错误以为，等同于一下：
# a = b
# b = a + b

其实，等同于：

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(5)
1
1
2
3
5
done

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。

要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

def fib(max):
n,a,b = 0,0,1

while n < max:
#print(b)
yield  b
a,b = b,a+b

n += 1

return 'done'

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：

>>> f = fib(6)
>>> f
<generator object fib at 0x104feaaa0>

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。

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：

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

还可通过yield实现在单线程的情况下实现并发运算的效果　

import time
def consumer(name):  # 消费者
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():   # 生产者
c = consumer('A')
c2 = consumer('B')

c.__next__()
next(c2)

print("开始做包子了！")
for i in ["韭菜馅","茴香馅","鸡蛋馅","猪肉馅"]:
time.sleep(1.5)
print("做了两个个包子")
c.send(i)       #------------------------
c2.send(i)      # .send(i):给yield发送值

producer()

小结

生成式：一边循环一边计算,调用的时候才生成，只有在调用时才回生成相应的数据。只记录当前位置，只有一个next方法。（next和 __next__）

取值：使用for 循环

c.__next__()这个方法，超出值后抛出异常为返回值。）循环不会。

.send()：给yield发送值

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。

三、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('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。

python版本：

3.x：range() 是迭代器

2.x：range() 是列表，xrange()是迭代器

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；

所以生成器一定是迭代器。

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。

四、内置函数

官网说明文档：https://docs.python.org/3/library/functions.html

　

匿名函数 lambda：就能进行简单的三元运算等。lambda还可以和谁结合着用？

filter、map、reduce 方法

filter(function_or_None,iterable) :一组数据里面过滤出符合条件的，返回迭代器

map(func,*iterables) :对你传入的每个值进行处理，返回迭代器

functools.reduce(function,sequence,initial=None)

# filter()  一组数据过滤出你想要的来
res = filter(lambda n:n>5,range(10))
for i in res :
print(i)
# map()  对传入的每个值进行处理返回一个列表
res = map(lambda n:n*2, range(10))
# res = [i*2 for i in range(10)]
# res = [ lambda i:i*2 for i in range(10)]
for i in res:
print(i)

reduce函数（python3中不属于内置函数）是一个二元操作函数，他用来将一个数据集合（链表，元组等）中的所有数据进行下列操作：用传给reduce中的函数 func()（必须是一个二元操作函数）先对集合中的第1，2个数据进行操作，得到的结果再与第三个数据用func()函数运算，最后得到一个结果。

from  functools import reduce

# 普通函数实现
def myadd(x,y):
return x+y
res = reduce(myadd, range(10))
print(res)

# 匿名函数实现
res = reduce(lambda x,y:x+y, range(10))
print(res)
# 这种方式用lambda表示当做参数，因为没有提供reduce的第三个参数，
# 所以第一次执行时x=1,y=2,第二次x=1+2,y=3,即列表的第三个元素

>>> abs(-1)          # abs 绝对值
1
max 最大值    min 最小值    sum 求和
>>> divmod(7,3)      # divmod 商除
(2, 1)
>>> pow(2,8)         # pow 2的8次方
256
>>> round(1.3342, 2) # round 精确小数点
1.33
>>> a = frozenset(set([1,2,2,6,6]))
>>> a                # frozenset 把集合变成只读集合
frozenset({1, 2, 6})
>>> hash("fgf")      # hash 得到hash值
-3999898619896197237
>>> all([-5, 0, 3])  # all 全真则真
False
>>> any([-5, 0, 3])  # any 一真则真
True
>>>next()            # 取下一个值
>>> a = {}
>>> dir(a)           # dir 查看可用方法
['__class__', '__contains__', '__delattr__', '__delitem__', '__dir__', '__doc__'
>>> id(a)            # id 返回内存地址
2243411483112
>>> bin(8)           # bin 十进制转二进制
'0b1000'
>>> hex(200)         # hex  把十进制转成16进制
'0xc8'
>>> oct(10)          # oct 把十进制转成8进制
'0o12'
>>> bool(0)          # bool 布尔值
False
>>> a = [1,3,4,6]
>>> b = reversed(a)  # reversed 反转为一个迭代器
>>> next(b)
6
>>> next(b)
4
>>> a = {6:2, 8:0, 1:4, -5:5, 99:11} # sorted 排序
>>> print(sorted(a.items()))
[(-5, 5), (1, 4), (6, 2), (8, 0), (99, 11)]

# bytearray 通过assic码更改变量
>>> b=bytearray("abcd",encoding='utf-8')
>>> print(b[0])
97
>>> b[0]=50
>>> print(b)
bytearray(b'2bcd')

>>> def a():
...     pass
>>> callable(a)     # callable 判断可不可以加括号
True

>>> chr(97)         # chr 返回数字assic的表对应的值
'a'
>>> ord('d')        # ord 返回值的assic对应数字
100
>>> exec("print('hello')")
hello               # exec 执行字符串
>>> dict = eval("{'a':1,'b':2}")
>>> dict            # eval 将字符串转为字典
{'b': 2, 'a': 1}

zip  拉链
a = [1,2,3,4]
b = ["a",'b',"c"]
for i in zip(a,b):
print(i)

__import__('deco')  # 导入字符串类型模块名

print(globals())    # 返回全局变量所有的key-values模式
globals().get(a)
locals()
classmethod()       # 类方法
getattr
delattr 面向对象之后讲

转载请务必保留此出处：http://blog.csdn.net/fgf00/article/details/52253016