原創文章,歡迎轉載。轉載請註明:轉載自 祥的博客
原文鏈接:https://blog.csdn.net/humanking7/article/details/97794005
[Python]生成器generator,可迭代Iterable和迭代器Iterator
Python文檔整理目錄: https://blog.csdn.net/humanking7/article/details/80757533
0. 環境
Python 3.6
1. 生成器 generator
1.1. 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。
1.2. 創建生成器
要創建一個generator
,有很多種方法。
方法1:用生成器表達式,[]
改爲()
第1種方法很簡單,只要把一個列表生成式的[]
改成()
,就創建了一個generator
:
In [1]: L = [x*x for x in range(5)]
In [2]: L
Out[2]: [0, 1, 4, 9, 16]
In [3]: g = (x*x for x in range(5))
In [4]: g
Out[4]: <generator object <genexpr> at 0x000000000466EA98>
In [5]: type(g)
Out[5]: generator
創建L
和g
的區別僅在於最外層的[]
和()
,L
是一個list,而g
是一個generator。
我們可以直接打印出list的每一個元素,但我們怎麼打印出generator的每一個元素呢?
如果要一個一個打印出來,可以通過next()
函數獲得generator的下一個返回值:
In [6]: next(g)
Out[6]: 0
In [7]: next(g)
Out[7]: 1
In [8]: next(g)
Out[8]: 4
In [9]: next(g)
Out[9]: 9
In [10]: next(g)
Out[10]: 16
In [11]: next(g)
---------------------------------------------------------------------------
StopIteration Traceback (most recent call last)
<ipython-input-11-e734f8aca5ac> in <module>()
----> 1 next(g)
StopIteration:
我們講過,generator保存的是算法,每次調用next(g)
,就計算出g
的下一個元素的值,直到計算到最後一個元素,沒有更多的元素時,拋出StopIteration
的錯誤。
當然,上面這種不斷調用next(g)
不方便,正確的方法是使用for
循環,因爲generator也是可迭代對象:
In [13]: g = (x*x for x in range(5))
In [14]: for n in g:
...: print(n)
...:
0
1
4
9
16
所以,我們創建了一個generator後,基本上永遠不會調用next()
,而是通過for
循環來迭代它,並且不需要關心StopIteration
的錯誤。
方法2:用生成器函數,使用關鍵字 yield
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,著名的斐波拉契數列(Fibonacci
),除第一個和第二個數外,任意一個數都可由前兩個數相加得到:
1, 1, 2, 3, 5, 8, 13, 21, 34, …
斐波拉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很容易:
def fib_print(max):
n, a, b = 0, 0, 1
while n < max:
print(b, end=' ')
a, b = b, a + b
n = n + 1
print('\n')
return 'done'
In [18]: fib_print(8)
1 1 2 3 5 8 13 21
Out[18]: 'done'
仔細觀察,可以看出,fib_print()
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,上面的函數和generator
僅一步之遙。要把fib_print()
函數變成generator
,只需要把print(b, end=' ')
改爲yield b
就可以了:
def fib_g(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1
return 'done'
這就是定義generator
的另一種方法。如果一個函數定義中包含yield
關鍵字,那麼這個函數就不再是一個普通函數,而是一個generator
:
In [20]: fg = fib_g(8)
In [21]: fg
Out[21]: <generator object fib_g at 0x000000000466E830>
這裏,最難理解的就是generator
和函數的執行流程不一樣。函數是順序執行,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,再次執行時從上次返回的yield
語句處繼續執行。
舉個簡單的例子,定義一個generator
,依次返回數字1,3,5
:
def odd():
print('==== step 1 ====')
yield 1
print('==== step 2 ====')
yield(3)
print('==== step 3 ====')
yield(5)
調用該generator
時,首先要生成一個generator
對象,然後用next()
函數不斷獲得下一個返回值:
In [23]: og = odd()
In [24]: next(og)
==== step 1 ====
Out[24]: 1
In [25]: next(og)
==== step 2 ====
Out[25]: 3
In [26]: next(og)
==== step 3 ====
Out[26]: 5
In [27]: next(og)
---------------------------------------------------------------------------
StopIteration Traceback (most recent call last)
<ipython-input-27-7e59cec5e8f1> in <module>()
----> 1 next(og)
StopIteration:
可以看到,odd
不是普通函數,而是generator
,在執行過程中,遇到yield
就中斷,下次又繼續執行。執行3次yield
後,已經沒有yield
可以執行了,所以,第4次調用next(o)
就報錯。
回到fib_g()
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:
In [28]: for n in fib_g(8):
...: ... print(n, end=' ')
...:
1 1 2 3 5 8 13 21
但是用for
循環調用generator時,發現拿不到generator的return
語句的返回值。如果想要拿到返回值,必須捕獲StopIteration
錯誤,返回值包含在StopIteration
的value
中:
In [30]: g = fib_g(6)
In [31]: while True:
...: try:
...: x = next(g)
...: print('g:', x)
...: except StopIteration as e:
...: print('Generator return value:', e.value)
...: break
...:
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
Generator return value: done
1.3. 例子
寫一個楊輝三角
1
/ \
1 1
/ \ / \
1 2 1
/ \ / \ / \
1 3 3 1
/ \ / \ / \ / \
1 4 6 4 1
/ \ / \ / \ / \ / \
1 5 10 10 5 1
把每一行看做一個list,試寫一個generator,不斷輸出下一行的list:
def triangles():
l = [1]
while True:
yield(l)
l = [1] + [l[x] + l[x+1] for x in range(len(l)-1)] + [1]
測試:
In [33]: tg = triangles()
In [34]: tg
Out[34]: <generator object triangles at 0x000000000466EE60>
In [35]: next(tg)
Out[35]: [1]
In [36]: next(tg)
Out[36]: [1, 1]
In [37]: next(tg)
Out[37]: [1, 2, 1]
In [38]: next(tg)
Out[38]: [1, 3, 3, 1]
In [39]: next(tg)
Out[39]: [1, 4, 6, 4, 1]
In [40]: next(tg)
Out[40]: [1, 5, 10, 10, 5, 1]
2. 迭代器 Iterator
2.1. 可迭代 Iterable
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
。
注意:
Iterable
是可迭代,不一定是迭代器。
可以使用isinstance()
判斷一個對象是否是Iterable
對象:
In [1]: from collections import Iterable
In [2]: isinstance([], Iterable)
Out[2]: True
In [3]: isinstance({}, Iterable)
Out[3]: True
In [4]: isinstance('123abc', Iterable)
Out[4]: True
In [5]: isinstance( (x for x in range(4)), Iterable)
Out[5]: True
In [6]: isinstance( 123, Iterable)
Out[6]: False
2.2. 迭代器 Iterator
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。
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:
In [9]: from collections import Iterator
In [10]: g = (x for x in range(4)) # generator
In [11]: isinstance(g, Iterator)
Out[11]: True
In [12]: isinstance([], Iterator)
Out[12]: False
In [13]: isinstance({}, Iterator)
Out[13]: False
In [14]: isinstance('123abc', Iterator)
Out[14]: False
In [15]: isinstance(123, Iterator)
Out[15]: False
簡言之:
生成器都是Iterator
對象,但list
、dict
、str
雖然是Iterable
,卻不是Iterator
。
把list
、dict
、str
等Iterable
變成Iterator
可以使用iter()
函數:
In [19]: isinstance(iter([]), Iterator)
Out[19]: True
In [21]: isinstance(iter({}), Iterator)
Out[21]: True
In [22]: isinstance(iter('123abc'), Iterator)
Out[22]: True
問題
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。
用途決定一切,個人覺得一般情況下非惰性數據類型還是靈活一些。
2.3. 可迭代
與迭代器
可迭代:
在Python
中如果一個對象有__iter__( )
方法或__getitem__( )
方法,則稱這個對象是可迭代的(Iterable
);其中__iter__( )
方法的作用是讓對象可以用for ... in
循環遍歷,__getitem__( )
方法是讓對象可以通過“實例名[index]
”的方式訪問實例中的元素。換句話說,兩個條件只要滿足一條,就可以說對象是可迭代的。顯然列表List
、元組Tuple
、字典Dictionary
、字符串String
等數據類型都是可迭代的。當然因爲Python
的**“鴨子類型”**,我們自定義的類中只要實現了__iter__( )
方法或__getitem__( )
方法,也是可迭代的。
迭代器:
在Python
中如果一個對象有__iter__( )
方法和__next__( )
方法,則稱這個對象是迭代器(Iterator
);其中__iter__( )
方法是讓對象可以用for ... in
循環遍歷,__next__( )
方法是讓對象可以通過next(實例名)
訪問下一個元素。
注意:這兩個方法必須同時具備,才能稱之爲迭代器。列表List
、元組Tuple
、字典Dictionary
、字符串String
等數據類型雖然是可迭代的,但都不是迭代器,因爲他們都沒有next( )方法
。
2.4. 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; - 生成器
generator
一定是迭代器Iterator
; - 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。
Python的for
循環本質上就是通過不斷調用next()
函數實現的,例如:
for x in [1, 2, 3, 4, 5]:
pass
實際上完全等價於:
# 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
參考文獻
廖雪峯的Python
教程:
- https://www.liaoxuefeng.com/wiki/1016959663602400/1017318207388128
- https://www.liaoxuefeng.com/wiki/1016959663602400/1017323698112640
其它教程:
OK!
以上,Enjoy~
i