Python入门篇(八)之迭代器和生成器
2018-07-05 11:08
513 查看
迭代器和生成器
1、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]
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,十分有用,多写几次,很快就可以熟悉这种语法。for循环后面还可以加上if判断,这样我们就可以筛选出仅偶数的平方:
>>> [x * x for x in range(1, 11) if x % 2 == 0] [4, 16, 36, 64, 100]
小结:
运用列表生成式,可以快速生成list,可以通过一个list推导出另一个list,而代码却十分简洁。
2、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 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从前面我们知道一个概念:
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(10) 1 1 2 3 5 8 13 21 34 55 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: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:
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" print(fib(6)) f = fib(6) print(f.__next__()) print(f.__next__()) print(f.__next__()) 执行结果: D:\Python18\venv\Scripts\python.exe D:/Python18/day04/斐波那契数列.py <generator object fib at 0x0000000000BCB3B8> 1 1 2
断点分析:
(1)定义fib函数,传入参数为max;
(2)将fib(6)传入6作为参数生成一个生成器并赋值给f,可以通过print(fib(6))查看生成器的内存地址;
(3)print(f.__next__()取出生成器的第一个值,此时会直接调用fib函数处理;
(4)初始值n=0、a=0、b=1,判断n<6执行yield b保存了函数的中断状态,并返回了b的值。此时print(f.__next__()执行的结果为1;
(5)再执行print(f.__next__()取第二个值,此时会跳回yield b,返回函数中断时保存的状态,然后执行a,b = b,a+b,此时a=b,即a=1;b=a+b,即b=1。
(6)执行n += 1,n的值加1,然后回到while循环判断;
(7)判断1 < 6,继续执行yield b。继续保存函数中断状态,并返回b的值。此时返回print(f.__next__()的执行结果为1;
(8)同理,再执行第三个print(f.__next__()取出第三个值,执行结果为2。从而最后的直接结果打印为:1<br/>1<br/>2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。在上面
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:
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" for n in fib(6): print(n) 执行结果: 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:
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" f = fib(6) while True: try: x = next(f) print(x) except StopIteration as e: print('Generator return value:', e.value) break 执行结果: f: 1 f: 1 f: 2 f: 3 f: 5 f: 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:以下的执行相当于在串行的过程中实现了并发的效果,也成为协程。
#!/usr/bin/python # _*_ coding:utf-8 _*_ # Aothr: Kim import time def consumer(name): 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(name): c = consumer('A') #生成一个c的生成器 c2 = consumer('B') #生成一个c2的生成器 c.__next__() #执行producer()时,会直接调用到consumer,然后打印A 准备吃包子啦!到了yield直接中断 c2.__next__() #同上,打印B 准备吃包子啦! print("老子开始准备做包子啦!") for i in range(3): #循环0~2的序列 time.sleep(1) print("做了2个包子!") c.send(i) #此时使用send将i的值发送给yield,继续执行 print("包子[%s]来了,被[%s]吃了!" %(baozi,name)),执行结果为:包子[0]来了,被[A]吃了!while True死循环又到了yield,中断函数。执行下一步。 c2.send(i) #同上,执行结果为:包子[0]来了,被[B]吃了!至此i=0执行完毕,继续下一个i=1的循环。 producer("alex") 执行结果: A 准备吃包子啦! B 准备吃包子啦! 老子开始准备做包子啦! 做了2个包子! 包子[0]来了,被[A]吃了! 包子[0]来了,被[B]吃了! 做了2个包子! 包子[1]来了,被[A]吃了! 包子[1]来了,被[B]吃了! 做了2个包子! 包子[2]来了,被[A]吃了! 包子[2]来了,被[B]吃了!
3、迭代器
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。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;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。Python的for循环本质上就是通过不断调用next()函数实现的,例如:
for x in range(5): print(x) 实际上完全等价于: # 首先获得Iterator对象: it = iter([0,1, 2, 3, 4]) # 循环: while True: try: # 获得下一个值: x = next(it) except StopIteration: # 遇到StopIteration就退出循环 break
相关文章推荐
- Python3第3课-----编程入门(if、for,while、迭代器与生成器)
- python入门(十三):生成器和迭代器
- 11-Python3从入门到实战—基础之生成器和迭代器
- Python3 学习第六弹: 迭代器与生成器
- python 生成器和迭代器的区别
- python学习系列(六)迭代器生成器
- Python基础-迭代器和生成器
- 【Python】10“生成器和迭代器“
- Python迭代器与生成器用法实例分析
- Python 迭代器和生成器
- python简单理解迭代器,生成器,装饰器
- Python3 迭代器与生成器,函数,数据结构
- 【Python学习日记】生成器 和 迭代器
- python迭代,可迭代对象,生成器,迭代器--
- python迭代器与生成器
- Python函数——列表推导式、生成器与迭代器
- Python入门基础第十七课--方法、属性、迭代器等
- Python的迭代器和生成器
- Python中的迭代器与生成器高级用法解析
- python--迭代器,生成器,三元表达式,列表解析,生成器表达式