Python 迭代器、生成器

zhangtt123

一、可迭代对象
字面意思：
# L7 r' a2 M) k+ u0 m) {' S, J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
专业角度：内部含有 '__iter__‘ 方法的对象
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

- p' a4 v3 `% @! K
优点：
- r$ ]& i2 J. }& k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：
: G6 |; d1 Q5 }" t  m: p# u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
- y! M6 ]7 K3 @3 f' g( @: }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
4 w. B5 t6 |! s. M/ O* n二、迭代器
1 L% x$ U/ R; e2 w: c' a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
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
  v7 A( y- K& [& D2 ?: r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
$ ]1 u0 d0 h+ ]- z+ W, J. q5 G
  Q! X3 m* W! X, _. h: p- R优点
4 ?4 B* J  ^! z, b# K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
% H% r6 Q# T' @# B; W" S; Q; d缺点：
速度慢：需要一直 next
不能回头：只能一直往下取值，取过的值没保存就没了`
5 [% J. ^8 @5 i不能直观的看到里面的数据
6 t  c, _8 A2 T8 N4 a; D. h  y三、可迭代对象与迭代器对比
可迭代对象：
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）
: D, v* T* W* D7 _" \& t直观，可以直接看到里面的数据
' ?2 \; t  s2 w) m  Q' [! U占用内存
" V( j- }, V. A) ]不能直接通过循环迭代取值
6 y3 A. f# K9 L+ s7 c" v1 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
7 v. @+ R7 a' o- P' J+ i- N迭代器：
节省内存，按需取值
可以直接通过循环迭代取值
. {4 X8 x0 l6 D$ m3 Y, D5 q+ F数据不直观，操作方法单一
- Z' U' y$ f( r4 i6 K* e# [/ e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
) g+ i: p% U; h# n0 S+ n$ _0 L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
  C9 [# h* e( n# X( d
% C6 h. _2 D9 {1 H: Q定义生成器的方式：
* @4 d% d* `" m" ~通过生成器函数构建生成器

8 q& d# J7 G5 r

/ d8 G4 P4 d6 \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

* o: u# R+ D2 w0 ]) Y' ^也可以在一个函数里定义多个 yield

; j- e( u. |! Z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

yield 与 return 的区别

$ y' z. T- a, @0 [) ]2 x2 Treturn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
yield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
应用举例：
5 v2 w" T0 O% l7 v: P/ ~  f
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
& d0 x5 V3 r) J

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）：
9 T% C/ J5 R7 M8 p

1 v% a) [, ^1 ]  b3 Y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

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

在使用 send() 的时候，可以将参数传入生成器中使用
1 R8 M4 y# `% O  _. @7 Q6 I5 x
0 b- G! ]( Z4 q6 j  h  |: w  B  Y& O+ _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

, P( |/ L$ n9 Tyield 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
* Z8 L  }& b  J3 \

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



通过推导式构建生成器
5 g- A* j/ B5 u" |1 e列表推导式：

% }& k- H; O  x: q" d7 G$ V生成器表达式：和列表推导式差不多，把 [] 改成 () 即可
+ N. A- A# r0 }

列表推导式和生成器推导式的区别：
$ E& e" r$ O. G) i' w
# v( ^9 e. n+ Q0 Y2 q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
$ P7 o4 y+ _  I5 `: ^+ W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
: ?/ T  l  w$ f7 K) k8 r. ^; G+ h列表推导式一目了然，生成器表达式只是一个内存地址
3 ?# N: S9 R8 I1 R————————————————
4 P8 [0 N$ f& T( `8 R$ ~1 ~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
: M, K/ j' S7 X5 w9 R
5 G, b& s  u7 o) Z+ f0 m# M8 Q

dwadasd

多谢大神分享
/ H% B) f6 M' G" Q6 J3 M

dwadasd

太好了太好了
# A; g- \  v1 B. I( W: K  S