本節主要記錄一下列表生成式,生成器和迭代器的知識點
列表生成器
首先舉個例子
現在有個需求,看列表 [0,1,2,3,4,5,6,7,8,9],要求你把列表裏面的每個值加1,你怎麼實現呢?
方法一(簡單):
1
2
3
4
5
6
7
8
9
info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
b = []
for index,i in enumerate(info):
print(i+1)
b.append(i+1)
print(b)
for index,i in enumerate(info):
info[index] +=1
print(info)
方法二(一般):
1
2
3
4
5
info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
a = map(lambda x:x+1,info)
print(a)
for i in a:
print(i)
方法三(高級):
1
2
3
info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
a = [i+1 for i in range(10)]
print(a)
生成器
什麼是生成器?
通過列表生成式,我們可以直接創建一個列表,但是,受到內存限制,列表容量肯定是有限的,而且創建一個包含100萬個元素的列表,不僅佔用很大的存儲空間,如果我們僅僅需要訪問前面幾個元素,那後面絕大多數元素佔用的空間都白白浪費了。
所以,如果列表元素可以按照某種算法推算出來,那我們是否可以在循環的過程中不斷推算出後續的元素呢?這樣就不必創建完整的list,從而節省大量的空間,在Python中,這種一邊循環一邊計算的機制,稱爲生成器:generator
生成器是一個特殊的程序,可以被用作控制循環的迭代行爲,python中生成器是迭代器的一種,使用yield返回值函數,每次調用yield會暫停,而可以使用next()函數和send()函數恢復生成器。
生成器類似於返回值爲數組的一個函數,這個函數可以接受參數,可以被調用,但是,不同於一般的函數會一次性返回包括了所有數值的數組,生成器一次只能產生一個值,這樣消耗的內存數量將大大減小,而且允許調用函數可以很快的處理前幾個返回值,因此生成器看起來像是一個函數,但是表現得卻像是迭代器
python中的生成器
要創建一個generator,有很多種方法,第一種方法很簡單,只有把一個列表生成式的[]中括號改爲()小括號,就創建一個generator
舉例如下:
1
2
3
4
5
6
7
8
9
10
#列表生成式
lis = [xx for x in range(10)]
print(lis)
#生成器
generator_ex = (xx for x in range(10))
print(generator_ex)
結果:
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
<generator object at 0x000002A4CBF9EBA0>
那麼創建lis和generator_ex,的區別是什麼呢?從表面看就是[ ]和(),但是結果卻不一樣,一個打印出來是列表(因爲是列表生成式),而第二個打印出來卻是<generator object at 0x000002A4CBF9EBA0>,那麼如何打印出來generator_ex的每一個元素呢?
如果要一個個打印出來,可以通過next()函數獲得generator的下一個返回值:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
#生成器
generator_ex = (x*x for x in range(10))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
結果:
0
1
4
9
16
25
36
49
64
81
Traceback (most recent call last):
File “列表生成式.py”, line 42, in
print(next(generator_ex))
StopIteration
大家可以看到,generator保存的是算法,每次調用next(generaotr_ex)就計算出他的下一個元素的值,直到計算出最後一個元素,沒有更多的元素時,拋出StopIteration的錯誤,而且上面這樣不斷調用是一個不好的習慣,正確的方法是使用for循環,因爲generator也是可迭代對象:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
#生成器
generator_ex = (x*x for x in range(10))
for i in generator_ex:
print(i)
結果:
0
1
4
9
16
25
36
49
64
81
所以我們創建一個generator後,基本上永遠不會調用next(),而是通過for循環來迭代,並且不需要關心StopIteration的錯誤,generator非常強大,如果推算的算法比較複雜,用類似列表生成式的for循環無法實現的時候,還可以用函數來實現。
比如著名的斐波那契數列,除第一個和第二個數外,任何一個數都可以由前兩個相加得到:
1,1,2,3,5,8,12,21,34…
斐波那契數列用列表生成式寫不出來,但是,用函數把它打印出來卻狠容易:
1
2
3
4
5
6
7
8
9
10
11
#fibonacci數列
def fib(max):
n,a,b =0,0,1
while n < max:
a,b =b,a+b
n = n+1
print(a)
return ‘done’
a = fib(10)
print(fib(10))
a,b = b ,a+b 其實相當於 t =a+b ,a =b ,b =t ,所以不必寫顯示寫出臨時變量t,就可以輸出斐波那契數列的前N個數字。上面輸出的結果如下:
- View Code
仔細觀察,可以看出,fib函數實際上是定義了斐波拉契數列的推算規則,可以從第一個元素開始,推算出後續任意的元素,這種邏輯其實非常類似generator。
也就是說上面的函數也可以用generator來實現,上面我們發現,print(b)每次函數運行都要打印,佔內存,所以爲了不佔內存,我們也可以使用生成器,這裏叫yield。如下:
1
2
3
4
5
6
7
8
9
10
def fib(max):
n,a,b =0,0,1
while n < max:
yield b
a,b =b,a+b
n = n+1
return ‘done’
a = fib(10)
print(fib(10))
但是返回的不再是一個值,而是一個生成器,和上面的例子一樣,大家可以看一下結果:
1
<generator object fib at 0x000001C03AC34FC0>
那麼這樣就不佔內存了,這裏說一下generator和函數的執行流程,函數是順序執行的,遇到return語句或者最後一行函數語句就返回。而變成generator的函數,在每次調用next()的時候執行,遇到yield語句返回,再次被next()調用時候從上次的返回yield語句處急需執行,也就是用多少,取多少,不佔內存。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
def fib(max):
n,a,b =0,0,1
while n < max:
yield b
a,b =b,a+b
n = n+1
return ‘done’
a = fib(10)
print(fib(10))
print(a.next())
print(a.next())
print(a.next())
print(“可以順便幹其他事情”)
print(a.next())
print(a.next())
結果:
<generator object fib at 0x0000023A21A34FC0>
1
1
2
可以順便幹其他事情
3
5
在上面fib的例子,我們在循環過程中不斷調用yield,就會不斷中斷。當然要給循環設置一個條件來退出循環,不然就會產生一個無限數列出來。同樣的,把函數改成generator後,我們基本上從來不會用next()來獲取下一個返回值,而是直接使用for循環來迭代:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
def fib(max):
n,a,b =0,0,1
while n < max:
yield b
a,b =b,a+b
n = n+1
return ‘done’
for i in fib(6):
print(i)
結果:
1
1
2
3
5
8
但是用for循環調用generator時,發現拿不到generator的return語句的返回值。如果拿不到返回值,那麼就會報錯,所以爲了不讓報錯,就要進行異常處理,拿到返回值,如果想要拿到返回值,必須捕獲StopIteration錯誤,返回值包含在StopIteration的value中:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
def fib(max):
n,a,b =0,0,1
while n < max:
yield b
a,b =b,a+b
n = n+1
return ‘done’
g = fib(6)
while True:
try:
x = next(g)
print('generator: ',x)
except StopIteration as e:
print(“生成器返回值:”,e.value)
break
結果:
generator: 1
generator: 1
generator: 2
generator: 3
generator: 5
generator: 8
生成器返回值: done
還可以通過yield實現在單線程的情況下實現併發運算的效果
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
import time
def consumer(name):
print("%s 準備學習啦!" %name)
while True:
lesson = yield
print("開始[%s]了,[%s]老師來講課了!" %(lesson,name))
def producer(name):
c = consumer(‘A’)
c2 = consumer(‘B’)
c.next()
c2.next()
print(“同學們開始上課 了!”)
for i in range(10):
time.sleep(1)
print(“到了兩個同學!”)
c.send(i)
c2.send(i)
結果:
A 準備學習啦!
B 準備學習啦!
同學們開始上課 了!
到了兩個同學!
開始[0]了,[A]老師來講課了!
開始[0]了,[B]老師來講課了!
到了兩個同學!
開始[1]了,[A]老師來講課了!
開始[1]了,[B]老師來講課了!
到了兩個同學!
開始[2]了,[A]老師來講課了!
開始[2]了,[B]老師來講課了!
到了兩個同學!
開始[3]了,[A]老師來講課了!
開始[3]了,[B]老師來講課了!
到了兩個同學!
開始[4]了,[A]老師來講課了!
開始[4]了,[B]老師來講課了!
到了兩個同學!
開始[5]了,[A]老師來講課了!
開始[5]了,[B]老師來講課了!
到了兩個同學!
開始[6]了,[A]老師來講課了!
開始[6]了,[B]老師來講課了!
到了兩個同學!
由上面的例子我麼可以發現,python提供了兩種基本的方式
生成器函數:也是用def定義的,利用關鍵字yield一次性返回一個結果,阻塞,重新開始
生成器表達式:返回一個對象,這個對象只有在需要的時候才產生結果
——生成器函數
爲什麼叫生成器函數?因爲它隨着時間的推移生成了一個數值隊列。一般的函數在執行完畢之後會返回一個值然後退出,但是生成器函數會自動掛起,然後重新拾起急需執行,他會利用yield關鍵字關起函數,給調用者返回一個值,同時保留了當前的足夠多的狀態,可以使函數繼續執行,生成器和迭代協議是密切相關的,可迭代的對象都有一個__next__()__成員方法,這個方法要麼返回迭代的下一項,要買引起異常結束迭代。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
函數有了yield之後,函數名+()就變成了生成器
return在生成器中代表生成器的中止,直接報錯
next的作用是喚醒並繼續執行
send的作用是喚醒並繼續執行,發送一個信息到生成器內部
‘’‘生成器’’’
def create_counter(n):
print(“create_counter”)
while True:
yield n
print(“increment n”)
n +=1
gen = create_counter(2)
print(gen)
print(next(gen))
print(next(gen))
結果:
<generator object create_counter at 0x0000023A1694A938>
create_counter
2
increment n
3
Process finished with exit code 0
——生成器表達式
生成器表達式來源於迭代和列表解析的組合,生成器和列表解析類似,但是它使用尖括號而不是方括號
1
2
3
4
5
6
7
8
9
10
列表解析生成列表
[ x ** 3 for x in range(5)]
[0, 1, 8, 27, 64]生成器表達式
(x ** 3 for x in range(5))
<generator object at 0x000000000315F678>兩者之間轉換
list(x ** 3 for x in range(5))
[0, 1, 8, 27, 64]
一個迭代既可以被寫成生成器函數,也可以被協程生成器表達式,均支持自動和手動迭代。而且這些生成器只支持一個active迭代,也就是說生成器的迭代器就是生成器本身。
迭代器(迭代就是循環)
我們已經知道,可以直接作用於for循環的數據類型有以下幾種:
一類是集合數據類型,如list,tuple,dict,set,str等
一類是generator,包括生成器和帶yield的generator function
這些可以直接作用於for 循環的對象統稱爲可迭代對象:Iterable
可以使用isinstance()判斷一個對象是否爲可Iterable對象
1
2
3
4
5
6
7
8
9
10
11
from collections import Iterable
isinstance([], Iterable)
Trueisinstance({}, Iterable)
Trueisinstance(‘abc’, Iterable)
Trueisinstance((x for x in range(10)), Iterable)
Trueisinstance(100, Iterable)
False
而生成器不但可以作用於for循環,還可以被next()函數不斷調用並返回下一個值,直到最後拋出StopIteration錯誤表示無法繼續返回下一個值了。
所以這裏將一下迭代器
可以被next()函數調用並不斷返回下一個值的對象稱爲迭代器:Iterator。
可以使用isinstance()判斷一個對象是否是Iterator對象:
1
2
3
4
5
6
7
8
9
from collections import Iterator
isinstance((x for x in range(10)), Iterator)
Trueisinstance([], Iterator)
Falseisinstance({}, Iterator)
Falseisinstance(‘abc’, Iterator)
False
生成器都是Iterator對象,但list、dict、str雖然是Iterable(可迭代對象),卻不是Iterator(迭代器)。
把list、dict、str等Iterable變成Iterator可以使用iter()函數:
1
2
3
4
isinstance(iter([]), Iterator)
Trueisinstance(iter(‘abc’), Iterator)
True
你可能會問,爲什麼list、dict、str等數據類型不是Iterator?
這是因爲Python的Iterator對象表示的是一個數據流,Iterator對象可以被next()函數調用並不斷返回下一個數據,直到沒有數據時拋出StopIteration錯誤。可以把這個數據流看做是一個有序序列,但我們卻不能提前知道序列的長度,只能不斷通過next()函數實現按需計算下一個數據,所以Iterator的計算是惰性的,只有在需要返回下一個數據時它纔會計算。
Iterator甚至可以表示一個無限大的數據流,例如全體自然數。而使用list是永遠不可能存儲全體自然數的。
判斷下列數據類型是可迭代對象or迭代器
1
2
3
4
5
6
s=‘hello’
l=[1,2,3,4]
t=(1,2,3)
d={‘a’:1}
set={1,2,3}
f=open(‘a.txt’)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
s=‘hello’ #字符串是可迭代對象,但不是迭代器
l=[1,2,3,4] #列表是可迭代對象,但不是迭代器
t=(1,2,3) #元組是可迭代對象,但不是迭代器
d={‘a’:1} #字典是可迭代對象,但不是迭代器
set={1,2,3} #集合是可迭代對象,但不是迭代器
f=open(‘test.txt’) #文件是可迭代對象,但不是迭代器
#如何判斷是可迭代對象,只有__iter__方法,執行該方法得到的迭代器對象。
及可迭代對象通過__iter__轉成迭代器對象
from collections import Iterator #迭代器
from collections import Iterable #可迭代對象
print(isinstance(s,Iterator)) #判斷是不是迭代器
print(isinstance(s,Iterable)) #判斷是不是可迭代對象
#把可迭代對象轉換爲迭代器
print(isinstance(iter(s),Iterator))
小結:
凡是可作用於for循環的對象都是Iterable類型;
凡是可作用於next()函數的對象都是Iterator類型,它們表示一個惰性計算的序列;
集合數據類型如list、dict、str等是Iterable但不是Iterator,不過可以通過iter()函數獲得一個Iterator對象。
Python3的for循環本質上就是通過不斷調用next()函數實現的,例如:
1
2
for x in [1, 2, 3, 4, 5]:
pass
實際上完全等價於
1
2
3
4
5
6
7
8
9
10
首先獲得Iterator對象:
it = iter([1, 2, 3, 4, 5])
循環:
while True:
try:
# 獲得下一個值:
x = next(it)
except StopIteration:
# 遇到StopIteration就退出循環
break
對yield的總結
(1):通常的for…in…循環中,in後面是一個數組,這個數組就是一個可迭代對象,類似的還有鏈表,字符串,文件。他可以是a = [1,2,3],也可以是a = [x*x for x in range(3)]。
它的缺點也很明顯,就是所有數據都在內存裏面,如果有海量的數據,將會非常耗內存。
(2)生成器是可以迭代的,但是只可以讀取它一次。因爲用的時候才生成,比如a = (x*x for x in range(3))。!!!注意這裏是小括號而不是方括號。
(3)生成器(generator)能夠迭代的關鍵是他有next()方法,工作原理就是通過重複調用next()方法,直到捕獲一個異常。
(4)帶有yield的函數不再是一個普通的函數,而是一個生成器generator,可用於迭代
(5)yield是一個類似return 的關鍵字,迭代一次遇到yield的時候就返回yield後面或者右面的值。而且下一次迭代的時候,從上一次迭代遇到的yield後面的代碼開始執行
(6)yield就是return返回的一個值,並且記住這個返回的位置。下一次迭代就從這個位置開始。
(7)帶有yield的函數不僅僅是隻用於for循環,而且可用於某個函數的參數,只要這個函數的參數也允許迭代參數。
(8)send()和next()的區別就在於send可傳遞參數給yield表達式,這時候傳遞的參數就會作爲yield表達式的值,而yield的參數是返回給調用者的值,也就是說send可以強行修改上一個yield表達式值。
(9)send()和next()都有返回值,他們的返回值是當前迭代遇到的yield的時候,yield後面表達式的值,其實就是當前迭代yield後面的參數。
(10)第一次調用時候必須先next()或send(),否則會報錯,send後之所以爲None是因爲這時候沒有上一個yield,所以也可以認爲next()等同於send(None)