Python迭代器,可迭代对象,生成器
2017-12-13 23:51
1186 查看
http://www.cnblogs.com/kaituorensheng/p/3826911.html
【Python函数式编程指南(三):迭代器】http://www.cnblogs.com/huxi/archive/2011/07/01/2095931.html
1.1 使用迭代器的优点
对于原生支持随机访问的数据结构(如tuple、list),迭代器和经典for循环的索引访问相比并无优势,反而丢失了索引值(可以使用内建函数enumerate()找回这个索引值)。但对于无法随机访问的数据结构(比如set)而言,迭代器是唯一的访问元素的方式。
另外,迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素,而在这之前或之后,元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合,比如几个G的文件,或是斐波那契数列等等。
迭代器更大的功劳是提供了一个统一的访问集合的接口,只要定义了iter()方法对象,就可以使用迭代器访问。
迭代器有两个基本的方法
下面用生成斐波那契数列为例子,说明为何用迭代器
执行
Fabs 类通过 next() 不断返回数列的下一个数,内存占用始终为常数
1.2 使用迭代器
使用内建的工厂函数iter(iterable)可以获取迭代器对象:
使用next()方法可以访问下一个元素:
python处理迭代器越界是抛出StopIteration异常
了解了StopIteration,可以使用迭代器进行遍历了
结果
事实上,因为迭代器如此普遍,python专门为for关键字做了迭代器的语法糖。在for循环中,Python将自动调用工厂函数iter()获得迭代器,自动调用next()获取元素,还完成了检查StopIteration异常的工作。如下
首先python对关键字in后的对象调用iter函数迭代器,然后调用迭代器的next方法获得元素,直到抛出StopIteration异常。
1.3 定义迭代器
下面一个例子——斐波那契数列
结果
可以看出代码3远没有代码1简洁,生成器(yield)既可以保持代码1的简洁性,又可以保持代码3的效果
执行
简单地讲,yield 的作用就是把一个函数变成一个 generator,带有 yield 的函数不再是一个普通函数,Python 解释器会将其视为一个 generator,调用 fab(5) 不会执行 fab 函数,而是返回一个 iterable 对象!在 for 循环执行时,每次循环都会执行 fab 函数内部的代码,执行到 yield b 时,fab 函数就返回一个迭代值,下次迭代时,代码从 yield b 的下一条语句继续执行,而函数的本地变量看起来和上次中断执行前是完全一样的,于是函数继续执行,直到再次遇到 yield。看起来就好像一个函数在正常执行的过程中被 yield 中断了数次,每次中断都会通过 yield 返回当前的迭代值。
也可以手动调用 fab(5) 的 next() 方法(因为 fab(5) 是一个 generator 对象,该对象具有 next() 方法),这样我们就可以更清楚地看到 fab 的执行流程:
return作用
在一个生成器中,如果没有return,则默认执行到函数完毕;如果遇到return,如果在执行过程中 return,则直接抛出 StopIteration 终止迭代。例如
文件读取
如果直接对文件对象调用 read() 方法,会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。通过 yield,我们不再需要编写读文件的迭代类,就可以轻松实现文件读取。
#
#
#
#
#
#
#
http://www.cnblogs.com/wswang/p/6047994.html
也就是说迭代器类似于一个游标,卡到哪里就是哪里,可以通过这个来访问某个可迭代对象的元素;同时,也不是只有Python有这个特性。比如C++的STL中也有这个,如vector::iterator it。下面主要说一下Python中的可迭代对象和迭代器吧。
Python可迭代对象(Iterable)
Python中经常使用
Python迭代器(iterator)
迭代器是通过
自己实现一个迭代器,如下(参见官网文档):
生成器(Generators)
生成器是构造迭代器的最简单有力的工具,与普通函数不同的只有在返回一个值的时候使用
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当中,特别是结果集里还包含循环。比方说,循环打印1000000个数,我们一般会使用xrange()而不是range(),因为前者返回的是生成器,后者返回的是列表(列表消耗大量空间)。
【Python函数式编程指南(三):迭代器】http://www.cnblogs.com/huxi/archive/2011/07/01/2095931.html
1. 迭代器
迭代器是访问集合元素的一种方式。迭代器对象从集合的第一个元素开始访问,知道所有的元素被访问完结束。迭代器只能往前不会后退,不过这也没什么,因为人们很少在迭代途中往后退。1.1 使用迭代器的优点
对于原生支持随机访问的数据结构(如tuple、list),迭代器和经典for循环的索引访问相比并无优势,反而丢失了索引值(可以使用内建函数enumerate()找回这个索引值)。但对于无法随机访问的数据结构(比如set)而言,迭代器是唯一的访问元素的方式。
另外,迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素,而在这之前或之后,元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合,比如几个G的文件,或是斐波那契数列等等。
迭代器更大的功劳是提供了一个统一的访问集合的接口,只要定义了iter()方法对象,就可以使用迭代器访问。
迭代器有两个基本的方法
next方法:返回迭代器的下一个元素
__iter__方法:返回迭代器对象本身
下面用生成斐波那契数列为例子,说明为何用迭代器
#代码1:直接在函数fab(max)中用print打印会导致函数的可复用性变差,因为fab返回None。其他函数无法获得fab函数返回的数列。 def fab(max): n, a, b = 0, 0, 1 while n < max: print b a, b = b, a + b n = n + 1
#代码2:代码2满足了可复用性的需求,但是占用了内存空间,最好不要。 def fab(max): L = [] n, a, b = 0, 0, 1 while n < max: L.append(b) a, b = b, a + b n = n + 1 return L
#代码3: class Fab(object): def __init__(self, max): self.max = max self.n, self.a, self.b = 0, 0, 1 def __iter__(self): return self def next(self): if self.n < self.max: r = self.b self.a, self.b = self.b, self.a + self.b self.n = self.n + 1 return r raise StopIteration()
执行
>>> for key in Fabs(5): print key 1 1 2 3 5
Fabs 类通过 next() 不断返回数列的下一个数,内存占用始终为常数
1.2 使用迭代器
使用内建的工厂函数iter(iterable)可以获取迭代器对象:
>>> lst = range(5) >>> it = iter(lst) >>> it <listiterator object at 0x01A63110>
使用next()方法可以访问下一个元素:
>>> it.next() 0 >>> it.next() 1 >>> it.next() 2
python处理迭代器越界是抛出StopIteration异常
>>> it.next() 3 >>> it.next <method-wrapper 'next' of listiterator object at 0x01A63110> >>> it.next() 4 >>> it.next() Traceback (most recent call last): File "<pyshell#27>", line 1, in <module> it.next() StopIteration
了解了StopIteration,可以使用迭代器进行遍历了
lst = range(5) it = iter(lst) try: while True: val = it.next() print val except StopIteration: pass
结果
>>> 0 1 2 3 4
事实上,因为迭代器如此普遍,python专门为for关键字做了迭代器的语法糖。在for循环中,Python将自动调用工厂函数iter()获得迭代器,自动调用next()获取元素,还完成了检查StopIteration异常的工作。如下
>>> a = (1, 2, 3, 4) >>> for key in a: print key 1 2 3 4
首先python对关键字in后的对象调用iter函数迭代器,然后调用迭代器的next方法获得元素,直到抛出StopIteration异常。
1.3 定义迭代器
下面一个例子——斐波那契数列
# -*- coding: cp936 -*- class Fabs(object): def __init__(self,max): self.max = max self.n, self.a, self.b = 0, 0< 4000 /span>, 1 #特别指出:第0项是0,第1项是第一个1.整个数列从1开始 def __iter__(self): return self def next(self): if self.n < self.max: r = self.b self.a, self.b = self.b, self.a + self.b self.n = self.n + 1 return r raise StopIteration() print Fabs(5) for key in Fabs(5): print key
结果
<__main__.Fabs object at 0x01A63090> 1 1 2 3 5
2. 生成器
带有 yield 的函数在 Python 中被称之为 generator(生成器),几个例子说明下(还是用生成斐波那契数列说明)可以看出代码3远没有代码1简洁,生成器(yield)既可以保持代码1的简洁性,又可以保持代码3的效果
#代码4 def fab(max): n, a, b = 0, 0, 1 while n < max: yield b a, b = b, a + b n = n + 1
执行
>>> for n in fab(5): print n 1 1 2 3 5
简单地讲,yield 的作用就是把一个函数变成一个 generator,带有 yield 的函数不再是一个普通函数,Python 解释器会将其视为一个 generator,调用 fab(5) 不会执行 fab 函数,而是返回一个 iterable 对象!在 for 循环执行时,每次循环都会执行 fab 函数内部的代码,执行到 yield b 时,fab 函数就返回一个迭代值,下次迭代时,代码从 yield b 的下一条语句继续执行,而函数的本地变量看起来和上次中断执行前是完全一样的,于是函数继续执行,直到再次遇到 yield。看起来就好像一个函数在正常执行的过程中被 yield 中断了数次,每次中断都会通过 yield 返回当前的迭代值。
也可以手动调用 fab(5) 的 next() 方法(因为 fab(5) 是一个 generator 对象,该对象具有 next() 方法),这样我们就可以更清楚地看到 fab 的执行流程:
>>> f = fab(3) >>> f.next() 1 >>> f.next() 1 >>> f.next() 2 >>> f.next() Traceback (most recent call last): File "<pyshell#62>", line 1, in <module> f.next() StopIteration
return作用
在一个生成器中,如果没有return,则默认执行到函数完毕;如果遇到return,如果在执行过程中 return,则直接抛出 StopIteration 终止迭代。例如
>>> s = fab(5) >>> s.next() 1 >>> s.next() Traceback (most recent call last): File "<pyshell#66>", line 1, in <module> s.next() StopIteration
文件读取
#代码5 def read_file(fpath): BLOCK_SIZE = 1024 with open(fpath, 'rb') as f: while True: block = f.read(BLOCK_SIZE) if block: yield block else: return
如果直接对文件对象调用 read() 方法,会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。通过 yield,我们不再需要编写读文件的迭代类,就可以轻松实现文件读取。
#
#
#
#
#
#
#
http://www.cnblogs.com/wswang/p/6047994.html
也就是说迭代器类似于一个游标,卡到哪里就是哪里,可以通过这个来访问某个可迭代对象的元素;同时,也不是只有Python有这个特性。比如C++的STL中也有这个,如vector::iterator it。下面主要说一下Python中的可迭代对象和迭代器吧。
Python可迭代对象(Iterable)
Python中经常使用
for来对某个对象进行遍历,此时被遍历的这个对象就是可迭代对象,像常见的
list,
tuple都是。如果给一个准确的定义的话,就是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(这些双下划线方法会在其他章节中全面解释),那么它就是一个可迭代对象。
Python迭代器(iterator)
迭代器是通过
next()来实现的,每调用一次他就会返回下一个元素,当没有下一个元素的时候返回一个
StopIteration异常,所以实际上定义了这个方法的都算是迭代器。可以用通过下面例子来体验一下迭代器:
In [38]: s = 'ab' In [39]: it = iter(s) In [40]: it Out[40]: <iterator at 0x1068e6d50> In [41]: print it <iterator object at 0x1068e6d50> In [42]: it.next() Out[42]: 'a' In [43]: it.next() Out[43]: 'b' In [44]: it.next() --------------------------------------------------------------------------- StopIteration Traceback (most recent call last) <ipython-input-44-54f0920595b2> in <module>() ----> 1 it.next() StopIteration:
自己实现一个迭代器,如下(参见官网文档):
class Reverse: """Iterator for looping over a sequence backwards.""" def __init__(self, data): self.data = data self.index = len(data) def __iter__(self): return self def next(self): if self.index == 0: raise StopIteration self.index = self.index - 1 return self.data[self.index] rev = Reverse('spam') for char in rev: print char [output] m a p s
生成器(Generators)
生成器是构造迭代器的最简单有力的工具,与普通函数不同的只有在返回一个值的时候使用
yield来替代
return,然后
yield会自动构建好
next()和
iter()。是不是很省事。例如:
def reverse(data): for index in range(len(data)-1, -1, -1): yield data[index] >>> for char in reverse('golf'): ... print char ... f l o g
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当中,特别是结果集里还包含循环。比方说,循环打印1000000个数,我们一般会使用xrange()而不是range(),因为前者返回的是生成器,后者返回的是列表(列表消耗大量空间)。
相关文章推荐
- 完全理解 Python 迭代对象、迭代器、生成器
- 第八章 Python可迭代对象、迭代器和生成器
- 完全理解Python迭代对象、迭代器、生成器
- 完全理解Python迭代对象、迭代器、生成器
- Python3.可迭代对象_迭代器_生成器
- python迭代,可迭代对象,生成器,迭代器--
- Python可迭代对象、迭代器和生成器
- 流畅的python第十四章可迭代的对象,迭代器和生成器学习记录
- python迭代对象,迭代器,生成器,以及yield用法详解
- python生成器,可迭代对象,迭代器区别和联系
- 完全理 4000 解 Python 迭代对象、迭代器、生成器
- Python之列表生成式、生成器、可迭代对象与迭代器
- 理解Python迭代对象、迭代器、生成器
- Python可迭代对象,迭代器,生成器的区别
- Python 可迭代的对象、迭代器和生成器
- 【python】14、完全理解可迭代对象、迭代器、生成器
- python之迭代器、生成器、可迭代对象
- 完全理解 Python 迭代对象、迭代器、生成器
- 【python】 可迭代对象、迭代器、生成器
- 完全理解 Python 迭代对象、迭代器、生成器