python函数-迭代器&生成器

小程序：扫一扫查出行
【扫一扫了解最新限行尾号】
复制小程序

一、迭代器

1 可迭代协议

迭代：就是类似for循环，将某个数据集内的数据可以“一个挨着一个取出来”

可迭代协议：

① 协议内容：内部实现__iter__方法

② 验证方法：dir()方法。通过dir()方法查看是否含有__iter__方法

③ __iter__方法的作用：可迭代的数据类型执行__iter__方法后会生成一个迭代器对象

print([1,2].__iter__())

结果

<list_iterator object at 0x1024784a8>

2 迭代器协议

1 引出

'''

dir([1,2].__iter__())是列表迭代器中实现的所有方法，dir([1,2])是列表中实现的所有方法,都是以列表的形式返回给我们的，为了看的更清楚，我们分别把他们转换成集合，

然后取差集。

'''
#实现的所有方法

print(dir([1,2].__iter__()))

print(dir([1,2]))
#取差集

print(set(dir([1,2].__iter__()))-set(dir([1,2])))

结果：

{'__length_hint__', '__next__', '__setstate__'}

我们看到在列表迭代器中多了三个方法，那么这三个方法都分别做了什么事呢？

iter_l = [1,2,3,4,5,6].__iter__()

#获取迭代器中元素的长度

print(iter_l.__length_hint__())

#根据索引值指定从哪里开始迭代

print('*',iter_l.__setstate__(4))

#一个一个的取值

print('**',iter_l.__next__())

print('***',iter_l.__next__())

在这三个方法中，能让我们一个一个取值的神奇方法是谁？？？答案就是__next__

在for循环中，就是在内部调用了__next__方法才能取到一个一个的值。那接下来我们就用迭代器的　　　next方法来写一个不依赖for的遍历。

l = [1,2,3,4]

l_iter = l.__iter__()

item = l_iter.__next__()

print(item)

item = l_iter.__next__()

print(item)

item = l_iter.__next__()

print(item)

item = l_iter.__next__()

print(item)

item = l_iter.__next__()

print(item)

这是一段会报错的代码，如果我们一直取next取到迭代器里已经没有元素了，就会抛出一个异常　　StopIteration，告诉我们，列表中已经没有有效的元素了。这个时候，我们就要使用异常处理机制来把这个异常处理掉。

l = [1,2,3,4]

l_iter = l.__iter__()

while True:

    try:

        item = l_iter.__next__()

        print(item)

    except StopIteration:

        break

迭代器遵循迭代器协议：必须拥有iter方法和next方法。

注意： range()

print('__next__' in dir(range(12)))  #查看'__next__'是不是在range()方法执行之后内部是否有__next__

print('__iter__' in dir(range(12)))  #查看'__next__'是不是在range()方法执行之后内部是否有__next__

from collections import Iterator

print(isinstance(range(100000000),Iterator))  #验证range执行之后得到的结果不是一个迭代器

range()是一个可迭代的，不是一个迭代器

二、生成器

我们知道的迭代器有两种：一种是调用方法直接返回的，一种是可迭代对象通过执行iter方法得到的，迭代器有的好处是可以节省内存。

如果在某些情况下，我们也需要节省内存,就只能自己写。我们自己写的这个能实现迭代器功能的东西就叫生成器。

1.初识生成器

Python中提供的生成器：

生成器函数：常规的函数定义，但是，使用yield语句而不是return语句返回结果。yield语句一次返回一个结果，在每个结果中间，挂起函数的状态，以便下次从他离开的地方继续执行。
生成器表达式：类似于列表推导，但是，生成器返回按需生产结果的一个对象，而不是一次构建一个结果列表

生成器的本质：

本质：迭代器（就是自带了__iter__方法和__next__方法，不需要我们去实现）

特点：惰性运算，开发者自定义

2.生成器函数

一个含有yield关键字的函数就是一个生成器函数。yield可以为我们从函数中返回值，但是yield又不同于return，return的执行意味着程序的结束，调用生成器函数不会得到返回的具体的值，而是得到一个可迭代的对象。每一次获取这个可迭代对象的值，就能推动函数的执行，获取新的返回值。直到函数执行结束。

import time

def genrator_fun1():

    a =

    print('现在定义了a变量')

    yield a

    b =

    print('现在又定义了b变量')

    yield b

g1 = genrator_fun1()

print('g1 : ',g1)       #打印g1可以发现g1就是一个生成器

print('-'*)   #我是华丽的分割线

print(next(g1))

time.sleep()   #sleep一秒看清执行过程

print(next(g1))

初识生成器

生成器有什么好处呢？就是不会一下子在内存中生成太多数据

假如我想让工厂给学生做校服，生产2000000件衣服，我和工厂一说，工厂应该是先答应下来，然后再去生产，我可以一件一件的要，也可以根据学生一批一批的找工厂拿。
而不能是一说要生产2000000件衣服，工厂就先去做生产2000000件衣服，等回来做好了，学生都毕业了。。。

#初识生成器二

def produce():

    """生产衣服"""

    for i in range():

        yield "生产了第%s件衣服"%i

product_g = produce()

print(product_g.__next__()) #要一件衣服

print(product_g.__next__()) #再要一件衣服

print(product_g.__next__()) #再要一件衣服

num =

for i in product_g:         #要一批衣服，比如5件

    print(i)

    num +=

    if num == :

        break

#到这里我们找工厂拿了8件衣服，我一共让我的生产函数(也就是produce生成器函数)生产2000000件衣服。

#剩下的还有很多衣服，我们可以一直拿，也可以放着等想拿的时候再拿

初识生成器二

import time

def tail(filename):

    f = open(filename)

    f.seek(, ) #从文件末尾算起

    while True:

        line = f.readline()  # 读取文件中新的文本行

        if not line:

            time.sleep(0.1)

            continue

        yield line

tail_g = tail('tmp')

for line in tail_g:

    print(line)

生成器监听文件输入的例子

send

def generator():

    print(123)

    content = yield 1

    print('=======',content)

    print(456)

    yield2

g = generator()

ret = g.__next__()

print('***',ret)

ret = g.send('hello')   #send的效果和next一样

print('***',ret)

#send 获取下一个值的效果和next基本一致

#只是在获取下一个值的时候，给上一yield的位置传递一个数据

#使用send的注意事项

    # 第一次使用生成器的时候 是用next获取下一个值

    # 最后一个yield不能接受外部的值

def averager():

    total = 0.0

    count =

    average = None

    while True:

        term = yield average

        total += term

        count +=

        average = total/count

g_avg = averager()

next(g_avg)

print(g_avg.send())

print(g_avg.send())

print(g_avg.send())

计算移动平均值

def init(func):  #在调用被装饰生成器函数的时候首先用next激活生成器

    def inner(*args,**kwargs):

        g = func(*args,**kwargs)

        next(g)

        return g

    return inner

@init

def averager():

    total = 0.0

    count =

    average = None

    while True:

        term = yield average

        total += term

        count +=

        average = total/count

g_avg = averager()

# next(g_avg)   在装饰器中执行了next方法

print(g_avg.send())

print(g_avg.send())

print(g_avg.send())

计算移动平均值(2)_预激协程的装饰器

yield from

def gen1():

    for c in 'AB':

        yield c

    for i in range():

        yield i

print(list(gen1()))

def gen2():

    yield from 'AB'

    yield from range()

print(list(gen2()))

yield from

三、列表推导式和生成器表达式

引出：

egg_list=['鸡蛋%s' %i for i in range(10)] #列表解析

print(egg_list)

>>>
['鸡蛋0', '鸡蛋1', '鸡蛋2', '鸡蛋3', '鸡蛋4', '鸡蛋5', '鸡蛋6', '鸡蛋7', '鸡蛋8', '鸡蛋9']

#峰哥瞅着alex下的一筐鸡蛋,捂住了鼻子,说了句:哥,你还是给我只母鸡吧,我自己回家下

laomuji=('鸡蛋%s' %i for i in range(10))#生成器表达式

print(laomuji)

print(next(laomuji)) #next本质就是调用__next__

print(laomuji.__next__())

print(next(laomuji))

>>>
<generator object <genexpr> at 0x0000000001E00DB0>

鸡蛋0

鸡蛋1

鸡蛋2

总结：

1.把列表解析的 [ ] 换成( )得到的就是生成器表达式

2.列表解析与生成器表达式都是一种便利的编程方式，只不过生成器表达式更节省内存

3.Python不但使用迭代器协议，让for循环变得更加通用。大部分内置函数，也是使用迭代器协议访问对象的。例如， sum函数是Python的内置函数，该函数使用迭代器协议访问对象，而生成器实现了迭代器协议，所以，我们可以直接这样计算一系列值的和：

sum(x ** 2 for x in range(4))

而不用多此一举的先构造一个列表：

sum([x ** 2 for x in range(4)])

更多精彩请见——迭代器生成器专题：http://www.cnblogs.com/a438842265/p/8551306.html