python中的生成器(Generators)
2016-12-05 15:19
190 查看
首先我们要理解迭代器(iterators)。根据维基百科,迭代器是一个让程序员可以遍历一个容器(特别是列表)的对象。然而,一个迭代器在遍历并读取一个容器的数据元素时,并不会执行一个迭代。你可能有点晕了,那我们来个慢动作。换句话说这里有三个部分:
可迭代对象(Iterable)
迭代器(Iterator)
迭代(Iteration)
上面这些部分互相联系。我们会先各个击破来讨论他们,然后再讨论生成器(generators).
Python中任意的对象,只要它定义了可以返回一个迭代器的
任意对象,只要定义了
用简单的话讲,它就是从某个地方(比如一个列表)取出一个元素的过程。当我们使用一个循环来遍历某个东西时,这个过程本身就叫迭代。现在既然我们有了这些术语的基本理解,那我们开始理解生成器吧。
生成器也是一种迭代器,但是你只能对其迭代一次。这是因为它们并没有把所有的值存在内存中,而是在运行时生成值。你通过遍历来使用它们,要么用一个“for”循环,要么将它们传递给任意可以进行迭代的函数和结构。大多数时候生成器是以函数来实现的。然而,它们并不返回一个值,而是
# output:
# 0 ...9
这个案例并不是十分实用。
生成器最佳应用场景是:你不想同一时间将所有计算出来的大量结果集分配到内存中,特别是结果集里还包含循环。
许多Python 2里的标准库函数都会返回列表,而Python 3都修改成了返回生成器,因为生成器占用更少的资源。
下面是一个计算斐波拉契数列的生产器:
函数使用的方法:
用这种方式,我们可以不用担心它会使用大量资源, 然而,之前如果我们这样来实现的话:
这种方式在计算很大的输入参数时,用尽所有的资源。
我们已经讨论过生产器使用一次迭代, 但是我们并没有测试过。在测试前你需要再知道一个python内置函数:next(). 它允许我们获取一个序列的下一个元素。那我们来验证下我们的理解:
我们可以看到,在yield掉所有的值后,next()触发了一个StopIteration的异常。基本上这个异常告诉我们,所有的值都已经被yield完了。你也许会奇怪,为什么我们在使用for循环时没有这个异常呢?啊哈,答案很简单。for循环会自动捕捉到这个异常并停止调用next()。你知不知道Python中一些内置数据类型也支持迭代哦?我们这就去看看:
好吧,这不是我们预期的。这个异常说那个str对象不是一个迭代器。对,就是这样!它是一个可迭代对象,而不是一个迭代器。这意味着它支持迭代,但我们不能直接对其进行迭代操作。那我们怎样才能对它实施迭代呢?是时候学习下另一个内置函数,iter。它将根据一个可迭代对象返回一个迭代器对象。这里是我们如何使用它:
可迭代对象(Iterable)
迭代器(Iterator)
迭代(Iteration)
上面这些部分互相联系。我们会先各个击破来讨论他们,然后再讨论生成器(generators).
可迭代对象(Iterable)
Python中任意的对象,只要它定义了可以返回一个迭代器的__iter__方法,或者定义了可以支持下标索引的
__getitem__方法,那么它就是一个可迭代对象。简单说,可迭代对象就是能提供迭代器的任意对象。那迭代器又是什么呢?
迭代器(Iterator)
任意对象,只要定义了next(Python2) 或者
__next__方法,它就是一个迭代器。就这么简单。现在我们来理解迭代(iteration)
迭代(Iteration)
用简单的话讲,它就是从某个地方(比如一个列表)取出一个元素的过程。当我们使用一个循环来遍历某个东西时,这个过程本身就叫迭代。现在既然我们有了这些术语的基本理解,那我们开始理解生成器吧。
生成器(Generators)
生成器也是一种迭代器,但是你只能对其迭代一次。这是因为它们并没有把所有的值存在内存中,而是在运行时生成值。你通过遍历来使用它们,要么用一个“for”循环,要么将它们传递给任意可以进行迭代的函数和结构。大多数时候生成器是以函数来实现的。然而,它们并不返回一个值,而是yield(暂且译作“生出”)一个值。这里有个生成器函数的简单例子:
def generator_function(): for i in range(10): yield i for item in generator_function(): print item
# output:
# 0 ...9
这个案例并不是十分实用。
生成器最佳应用场景是:你不想同一时间将所有计算出来的大量结果集分配到内存中,特别是结果集里还包含循环。
许多Python 2里的标准库函数都会返回列表,而Python 3都修改成了返回生成器,因为生成器占用更少的资源。
下面是一个计算斐波拉契数列的生产器:
# generator version def fibon(n): a = b = 1 for i in range(n): yield a a, b = b, a+b
函数使用的方法:
for x in fibon(100): print x
用这种方式,我们可以不用担心它会使用大量资源, 然而,之前如果我们这样来实现的话:
def fibon(n): a = b = 1 result = [ ] for i in range(n): result.append(a) a, b = b, a+b return result
这种方式在计算很大的输入参数时,用尽所有的资源。
我们已经讨论过生产器使用一次迭代, 但是我们并没有测试过。在测试前你需要再知道一个python内置函数:next(). 它允许我们获取一个序列的下一个元素。那我们来验证下我们的理解:
def generator_function(): for i in range(3): yield i
gen = generator_function() print next(gen) # output: 0 print next(gen) # output: 1 print next(gen) # output: 2 print next(gen) # output: Traceback (most recent call last): # File "<stdin>" , line 1, in <module> # StopIteration
我们可以看到,在yield掉所有的值后,next()触发了一个StopIteration的异常。基本上这个异常告诉我们,所有的值都已经被yield完了。你也许会奇怪,为什么我们在使用for循环时没有这个异常呢?啊哈,答案很简单。for循环会自动捕捉到这个异常并停止调用next()。你知不知道Python中一些内置数据类型也支持迭代哦?我们这就去看看:
my_string = "Yasoob" next(my_string) # Output: Traceback (most recent call last): # File "<stdin>", line 1, in <module> # TypeError: str object is not an iterator
好吧,这不是我们预期的。这个异常说那个str对象不是一个迭代器。对,就是这样!它是一个可迭代对象,而不是一个迭代器。这意味着它支持迭代,但我们不能直接对其进行迭代操作。那我们怎样才能对它实施迭代呢?是时候学习下另一个内置函数,iter。它将根据一个可迭代对象返回一个迭代器对象。这里是我们如何使用它:
my_string = "Yasoob" my_iter = iter(my_string) next(my_iter) # Output: 'Y'
相关文章推荐
- 提高你的Python: 解释‘yield’和‘Generators(生成器)
- python ‘yield’和‘Generators(生成器)’
- python学习之生成器(Generators)
- 提高你的Python: 解释yield和Generators(生成器)
- 提高你的Python: 解释‘yield’和‘Generators(生成器)
- 【Python 3这件小事】4. Generators(生成器)的传说
- python-5.生成器Generators和迭代器Iterator
- Learning Python 019 生成器(Generators)和 yield
- Python Generators(生成器)——yield关键字
- javascript与python的生成器(Generators)实例
- Python解释yield和Generators(生成器)
- Python Generators(生成器)--yield
- Python Generators(生成器)——yield关键字
- Python生成器(generators) 和yield关键字
- 提高你的Python: 解释yield’和Generators(生成器)
- Python: 解释‘yield’和‘Generators(生成器)’
- Python Generators(生成器)——yield关键字
- Python Generators(生成器)——yield关键字
- Python: 解释 yield 和 Generators(生成器)
- Python中的yield和Generators(生成器)