转载:Python高级特性 生成器(generator)
2017-11-01 02:25
525 查看
原文地址:生成器 - 廖雪峰的官方网站
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
创建
我们可以直接打印出list的每一个元素,但我们怎么打印出generator的每一个元素呢?
如果要一个一个打印出来,可以通过
我们讲过,generator保存的是算法,每次调用
当然,上面这种不断调用
所以,我们创建了一个generator后,基本上永远不会调用
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
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:
注意,赋值语句:
相当于:
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:
仔细观察,可以看出,
也就是说,上面的函数和generator仅一步之遥。要把
这就是定义generator的另一种方法。如果一个函数定义中包含
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
举个简单的例子,定义一个generator,依次返回数字1,3,5:
调用该generator时,首先要生成一个generator对象,然后用
可以看到,
回到
同样的,把函数改成generator后,我们基本上从来不会用
但是用
generator是非常强大的工具,在Python中,可以简单地把列表生成式改成generator,也可以通过函数实现复杂逻辑的generator。
要理解generator的工作原理,它是在
请注意区分普通函数和generator函数,普通函数调用直接返回结果:
generator函数的“调用”实际返回一个generator对象:
do_generator.py
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 0x1022ef630>
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。
我们可以直接打印出list的每一个元素,但我们怎么打印出generator的每一个元素呢?
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) 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 "<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) ... 0 1 4 9 16 25 36 49 64 81
所以,我们创建了一个generator后,基本上永远不会调用
next(),而是通过
for循环来迭代它,并且不需要关心
StopIteration的错误。
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
相当于:
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(6) 1 1 2 3 5 8 'done'
仔细观察,可以看出,
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。
也就是说,上面的函数和generator仅一步之遥。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:
yield b
a, b = b, a + bn = 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。
举个简单的例子,定义一个generator,依次返回数字1,3,5:
def odd(): print('step 1') yield 1 print('step 2') yield(3) print('step 3') yield(5)
调用该generator时,首先要生成一个generator对象,然后用
next()函数不断获得下一个返回值:
>>> o = odd() >>> next(o) step 1 1 >>> next(o) step 2 3 >>> next(o) step 3 5 >>> next(o) Traceback (most recent call last): File "<stdin>", line 1, in <module> 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。
回到
fib的例子,我们在循环过程中不断调用
yield,就会不断中断。当然要给循环设置一个条件来退出循环,不然就会产生一个无限数列出来。
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:
>>> for n in fib(6): ... print(n) ... 1 1 2 3 5 8
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
小结
generator是非常强大的工具,在Python中,可以简单地把列表生成式改成generator,也可以通过函数实现复杂逻辑的generator。要理解generator的工作原理,它是在
for循环的过程中不断计算出下一个元素,并在适当的条件结束
for循环。对于函数改成的generator来说,遇到
return语句或者执行到函数体最后一行语句,就是结束generator的指令,
for循环随之结束。
请注意区分普通函数和generator函数,普通函数调用直接返回结果:
>>> r = abs(6) >>> r 6
generator函数的“调用”实际返回一个generator对象:
>>> g = fib(6) >>> g <generator object fib at 0x1022ef948>
参考源码
do_generator.py
相关文章推荐
- python高级特性(生成器generator )
- python高级特性之生成器(generator)
- python高级特性-生成器(generator)
- python 高级特性:Generator(生成器)
- python函数高级特性之生成器
- Python基础-高级-生成器-Generator
- Python之高级特性(切片,迭代,列表生成式,生成器)
- Python 高级特性之生成器表达式
- python中函数的高级特性以及生成器
- Python高级特性之:List Comprehensions、Generator、Dictionary and set comprehensions
- python高级特性:切片/迭代/列表生成式/生成器
- Python3 学习笔记17_高级特性(生成器)_20180307
- Python自学笔记之高级特性——生成器
- 【Python】[高级特性]切片,迭代,列表生成式,生成器,迭代器
- Python高级特性之Generator
- Python的高级特性2:列表推导式,生成器与迭代器
- 转载:Python高级特性 列表生成式(List Comprehensions)
- Python高级特性-迭代(Iteration)-列表生成式-生成器
- Python3 基础:高级特性-列表生成式和生成器
- 转载:Python高级特性 迭代(Iteration)