Python 迭代器、生成器

zhangtt123

一、可迭代对象
) J; G  p0 A; Y3 o/ e字面意思：
$ J8 i0 O) q- k" B对象：Python 中一切皆为对象（巧了 Java 也是（手动滑稽））
可迭代：可更新迭代，重复、循环的一个过程，每次更新迭代都会获得新的内容
9 o, j8 a0 T) m6 X2 t专业角度：内部含有 '__iter__‘ 方法的对象
! A! R  I, Y& N$ L目前学过的可迭代对象：str、list、tuple、dict、set、range、文件句柄等
判断一个对象是否是可迭代对象：看是否有 '__iter__' 方法，dir() 可以获取一个对象的所有方法；或者使用 isinstance(object, collections.iterable) 来判断对象是否是可迭代对象的一个实例

0 X7 y4 C" o2 p; o$ b' a' V. X7 e8 u
优点：
* d% O8 o$ }4 z3 X4 i# d! ~存储的数据直接能显示，比较直观：比如直接 print 一个可迭代对象，就会调用 __str__ 方法（相当于 Java 中的 toString），把可迭代对象的值打印出来
拥有较多的方法，操作方便：增删查改等
缺点：
( f$ N; X% t* C5 K* B0 F% x占用内存：一旦创建了一个可迭代对象，就会将该对象的内容全部加载到内存中
* ~3 A' P  X$ Q& t% d+ m0 Q: z: V不能直接通过 for 循环，不能直接取值（通过索引、key等）。诸如通过 for i in iterable 这种形式获取元素实际上也是调用了 __iter__ 方法先将可迭代对象转换成迭代器再进行获取
; s. i  I5 {0 e/ @' x二、迭代器
7 h4 y' J+ ]4 Z7 W字面意思：器，工具，迭代器也就是可以一直更新迭代取值的工具
  f( P9 B3 Q8 n& [! Y8 @; B9 Y% w专业角度：内部含有 __iter__ 方法且含有 __next__ 方法的对象就是迭代器；或者使用 isinstance(object, collections.iterator) 来判断对象是否是可迭代对象的一个实例
. a4 F$ \9 W2 E7 \把一个可迭代对象转换成迭代器：使用 iter() 方法或使用对象的 __iter__ 方法

迭代器取值：使用 next() 方法或对象的 __next__ 方法；当迭代器的值去玩了继续取，就会报StopIteration异常，所以一般使用迭代器需要做异常处理
0 K+ \6 U# z& J$ b
5 C  [2 C% j+ G; D0 r7 J优点
节省内存：迭代器并不会一次性将对象的值全部加载到内存中，而是需要时才加载（类似 sed）
惰性机制：next 一次只取一个值，绝对不多取
缺点：
速度慢：需要一直 next
0 ~" T8 i9 m6 [0 i不能回头：只能一直往下取值，取过的值没保存就没了`
不能直观的看到里面的数据
三、可迭代对象与迭代器对比
可迭代对象：
8 K' Z: m) [8 A' k; J& U7 X' R: Q私有方法多，操作灵活（比如列表，字典的增删改查，字符串的常用操作方法等）
. s8 K, r6 ?3 U7 y$ O直观，可以直接看到里面的数据
$ K: K- r8 e+ H. S1 t占用内存
不能直接通过循环迭代取值
8 l' j- h( s* p4 P& g6 Q应用：当你侧重于对于数据可以灵活处理，并且内存空间足够，将数据集设置为可迭代对象是明确的选择
迭代器：
! i+ K& V6 b$ g% b! \节省内存，按需取值
, h- s7 x/ e% z9 V! e* Y) x可以直接通过循环迭代取值
数据不直观，操作方法单一
应用：当你的数据量过大，大到足以撑爆你的内存或者你以节省内存为首选因素时，将数据集设置为迭代器是一个不错的选择
四、生成器
生成器的本质就是迭代器，唯一的区别是生成器是我们自己用代码构建的数据结构，迭代器是 Python 提供的，或者通过可迭代对象转化得来的
* F% t9 E6 ]/ ~4 U
定义生成器的方式：
' P8 [7 i3 ?  S8 J( e( r/ p通过生成器函数构建生成器
/ k! A6 }" o* C6 C+ R* N  `/ L
* v$ W) G$ G- [% c$ h+ V

这就是最简单的生成器函数。实际上这个 yield 就替代了 return，不仅将函数变成了生成器函数，还会将后面的值在调用 __next__ 的时候返回出来
) v# A$ B! e9 p6 \7 r) y6 H
也可以在一个函数里定义多个 yield

4 m# _: V/ K' C' L$ i之前说过，生成器本质上还是迭代器，一个 yield 对应一个 next，当 next 的数量超过了 yield，就会报 StopIteration

& s9 U  Y3 p0 r& m) ryield 与 return 的区别
1 b" U  N" Q4 l5 e' q% `
return一般在函数中只设置一个，他的作用是终止函数，并且给函数的执行者返回值
$ i+ f& s0 I* zyield在生成器函数中可设置多个，他并不会终止函数，next会获取对应yield生成的元素
: \2 ]0 [" z5 `- U. u  m应用举例：

8 M" y6 E( o& x: S- h买 5000 个包子，假设这个老板很厉害，一下子就把 5000 个包子做出来卖给我们，可是我们只有 5 个人，一下子吃不完，那包子就会冷掉、臭掉、被丢掉浪费了


4 `) O; N0 w& [; U1 y如果这个老板可以在我们需要多少个包子就做出来多少个包子的话，这样做出来的包子就不会被浪费了（比如我们每个人一口气能吃 40 个包子，那每次就做 200 个包子）：
! Q7 y, Q! \. V% b# T" }
2 ?0 P" u9 k* G, D. |* r5 ?: o- g
除了 使用 next() 触发 yield 之外，生成器还有一种方法 send()，这个方法可以在调用 yield 的同时传值给生成器内部
. i" ~( J* V* S" p, s- h
$ x3 u- }- f) s  s4 z3 G% _' O可以看到在使用 next() 的时候，只能获取到 yield 的值，但不能传递值

  F/ O8 Q' \6 K; N# l5 q0 O在使用 send() 的时候，可以将参数传入生成器中使用

需要注意的是第一次不能直接调用 send() 传参，因为每次调用生成器的时候，实际上只会返回 yield 后面的内容，然后生成器就停止了（睡眠了？），而 send() 传入的参数要通过 yield 传入生成器中（每次调用生成器在 yield 停止，然后在 yield 恢复继续允许），第一次调用并没有 yield 给我们传入参数，可以使用 send(None)，可以打断点自己分析一下

9 i9 o2 q8 ^) yyield 会将它后面跟着的对象直接返回，如果它后面跟着的是可迭代对象，也可以使用 yield from 将这个可迭代对象变成迭代器返回

' x1 w" c; [& P- s; \! `) @" z
yield from 是将列表中的每一个元素返回，所以写两个 yield from 并不会有交替执行的效果
7 M' A6 k( k- ~' j( k! P- D


通过推导式构建生成器
列表推导式：
  v# M' o: B5 y& `9 n) J
' \" o0 |6 ]' y: @7 N: ^. }生成器表达式：和列表推导式差不多，把 [] 改成 () 即可
  d  D' z2 y- i' O' @

列表推导式和生成器推导式的区别：

+ L" Q' ~: D% h( X; {列表推导式比较耗内存,所有数据一次性加载到内存；而生成器表达式遵循迭代器协议，逐个产生元素
得到的值不一样：列表推导式得到的是一个列表；生成器表达式获取的是一个生成器
9 I9 L3 z4 \" z( f& D/ t5 ]# I$ n列表推导式一目了然，生成器表达式只是一个内存地址
————————————————
版权声明：本文为CSDN博主「阿玮d博客」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_42511320/article/details/105676143
+ {0 O- t0 \- x. t" c- x% B

$ z- C* Y% `4 [# i

dwadasd

多谢大神分享

dwadasd

太好了太好了
; q" ?9 q$ S; P# r# Y* b