Python基础（四）——迭代器/对象，生成器

　　首先廖雪峰网站写的内容就我目前初步学习来说，已经相当详实，知识点平铺直叙让人易接受，所以以下内容均作为一种摘记记录以及补充。

1. 列表生成器

　　主要目的是创建 list 。多看例子就能清楚：

#列表生成基本使用
print(list(range(1,10,2)))  #[1, 3, 5, 7, 9].生成1~9（左闭右开）,相隔为2
print([t * t for t in range(1,10,3) if t % 2 == 0]) #[16].生成1~9相隔4,且是偶数的平方和
print([m + n for m in '123' for n in '456']) #['14', '15', '16', '24', '25', '26', '34', '35', '36'].全排列

#通过函数生成（其实与上几句类似）
def fun(x):
    return x * 2
T = [fun(x) for x in [1,2,3,4]]
print(T)    # [2, 4, 6, 8] 。这很类似用 T = map(fun, L)


#生成dict列表
d = {'x': 'A', 'y': 'B', 'z': 'C'}
# for k, v in d.items():
#     print(k, '=', v)
print([m + '=' + n for m,n in d.items()])  #['x=A', 'y=B', 'z=C']


#筛选单词，并全变小写
L = ['Hello', 'World', 18, 'Apple', None]
print([t.lower() for t in L if isinstance(t, str)])  #['hello', 'world', 'apple']

2. Iterable vs Iterator

　　iterable 是可迭代对象，iterator 是迭代器。两者都是 collection.abc 中得抽象类。iterator 继承自 iterable 。

• 　　iterable 有常见得 list，dict，str，tuple 等或者自定义的类（该类必须实现抽象方法 _iter()_）。当一个可迭代对象作为参数调用自身的 iter() 方法时，会返回一个迭代器。迭代器拥有 _next()_ 抽象方法，可迭代对象没有，通过该方法就可以逐个得到 “序列” 中的各个值，不断调用 _next()_ 方法，最后会引起 StopIteration 异常报错，代表迭代结束了。同时迭代器还拥有 _iter()_ 方法，所以迭代器也是个可迭代对象。即所有的迭代器都是可迭代对象，但是可迭代对象并不都是迭代器，基本判断方法是是否调用 next() 方法，list，dect，str，tuple 都并不行，即不是迭代器。

　　   我们可以通过 isinstance 来判断：

from collections.abc import Iterable,Iterator
t = [1,2,3]   #列表
print(isinstance(t, Iterable)) #true
print(isinstance(t, Iterator)) #false

         我们常用的 for...in [ ] 。就是利用了迭代器

from collections.abc import Iterable,Iterator
L = [1,2,3]
print(isinstance(L, Iterator)) #Flase
for t in L:
    print(t, end=' ') #1  2  3

          这是我们常写的代码，输出123。既然 L 不是迭代器为啥也能迭代输出呢。这就是在使用 for...in 的时候，Python 解释器主动将可迭代对象调用了 iter() 返回迭代器，即每次都是通过迭代器的 next() 方法进行输出。那么哪个异常 StopIteration 呢？异常应该被 for...in 内部处理了，并不显式的抛出。

　　   我们换一种更明显的写法：

from collections.abc import Iterable,Iterator
L = [1,2,3]
print(isinstance(L, Iterator))  #false
T = L.__iter__()
print(isinstance(T, Iterator))  #true。现在T就是迭代器了，拥有了next()方法。
print(T.__next__())  # 1
print(T.__next__())  # 2
print(T.__next__())  # 3
print(T.__next__())  # StopIteration

         结果和我们想的是一样的。或者再这样写

from collections.abc import Iterable,Iterator
L = [1,2,3]
print(isinstance(L, Iterator))  #false
T = iter(L)
while True:
    try:
        print(next(T), end=' ')
    except StopIteration:
        print('结束')
        break

　　（点击图片查看原文）

3. 生成器和 yield

• 生成器是返回一个 generator iterator 的函数。但是这个函数中包含 yield 表达式，除此之外别无它异，用来产生一系列供 for 循环使用的值或者通过 next() 逐一获取。所以生成器一般也称为生成器函数。
• 生成迭代器 generator iterator 是由生成器 generator 创建的对象。每遇到 yield 会暂停（相当于return），并记住当前位置，之后在继续在记住的位置继续向下运行。而不同于普通函数每次都由上往下运行。
• 第一种创建生成器的方法：将列表生成式的 [ ] 换成 ( )

L = ( t * t for t in range(1,10))
print(L)  #<generator object <genexpr> at 0x0000028D2F68B840>
print(next(L)) # 1
print(next(L)) # 4
for i in L: # 迭代输出
    print(i)

• 当一个生成函数被调用时，返回一个迭代器，成为生成器。这个生成器来控制生成函数的执行，遇到 yield 就挂起，下次继续从 挂起处执行。前面说过迭代器有 next() 方法，所以这里的yield 就是干了 next() 方法的事。一样不断next 直到无数据 StopIteration。
• 第二种是通过定义函数：

def test():
    print('1')
    yield
    print('2')
    yield
    print('3')
    yield

t = test()  # t 是生成器，生成器来控制函数
print(t) # <generator object test at 0x0000021EF6C5B840>
next(t) # 1
next(t) # 2
next(t) # 3
next(t) # StopIteration

　　可以通过 11~14 行看出，yield 起的作用就是挂起。第一次调用next() 方法，函数执行到第三句就停了，第二次调用 next() 执行到第五句。yield 就像是 OS 中的中断语句，保护现场--恢复现场。

　　再来看一个斐波那契例子：

#斐波那契数列
#常规写法一：
# def fib(max):
#     n, a, b = 0, 0, 1
#     while n < max:
#         print(b)
#         a, b = b, a + b
#         n = n + 1
#     return 'done'
#
# fib(6)

#生成器写法二：
from collections.abc import Iterator,Iterable
def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        yield b     # yield 类似于return 将 b 返回
        a, b = b, a + b
        n = n + 1
    return 'done'

f = fib(6)
print(f)  #<generator object fib at 0x00000124DDD8B840>
print(isinstance(f, Iterator)) #True。生成函数返回迭代器

for n in f:
    print(n, end=' ')  #1 1 2 3 5 8

　　通过观察24，25行可以知道，调用了 fib() 之后，函数并没有执行到尾（否则返回 str = 'done'），正如上文所说，返回的是一个 生成器，也就是调用生成函数（含 yield语句的）返回生成器，然后我们通过生成器来控制函数的执行。只有执行27行的 for...in 的时候，才会去执行15~21这段函数代码。

　　具体执行过程：第一次从16至18行停止，因为yield的存在，执行到18行就停了，然后返回一个值 b 给 for 循环，然后执行28行输出 b，然后next()迭代器继续从上次停止的地方的下一行19行继续执行(迭代器next()只要不是StopIteration 或者生成函数结束了，for 循环就得以继续)，然后在while循环内，再次执行到18行停止，返回 b 给 for。继续重复，直至跳出while循环，fib() 这段生成器函数结束了，for...in 也就结束了。

# 生成器写法三
from collections.abc import Iterator,Iterable
def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        yield b     # yield 类似于return 将 b 返回
        a, b = b, a + b
        n = n + 1

f = fib(3)
print(f)  #<generator object >
print(isinstance(f, Iterator)) #True。生成函数返回迭代器
print(next(f))  # 1
print(next(f))  # 1
print(next(f))  # 2
print(next(f))  # StopIteration

4.生成器send()方法

　　stackoverflow 上还有关于生成 yield 配合使用 send()的方法。查阅官网，send(value) 函数意思：恢复执行，并向生成器发送一个值，value 参数将被当作 yield 表达式结果。

def test():
    while True:
        x = yield
        yield x * 2

g = test()
print(next(g)) # none
print(g.send(12)) #24

 　　我们已经知道 yield 可以当作return来理解。

　　首先第六行创建了 g (生成器)，第七行输出 none，因为执行第七行，也就是去执行test()函数了，函数顺利执行到第三行，3 = yield 明显是我们学的赋值语句，难道是将yield赋值给3？不是的。先解释输出的none，因为没有参数写在yield的右边，即没有参数返回，所以第七行输出 None。同时因为yield存在而停止继续。

　　而第八行：遇到g.send() 会继续执行上次执行到第三行的地方，这里传入的参数12就是赋值给x的。所以再往下第四行，yiled看成return 返回12*2，同时test()函数被挂起，返回24给第八行。至此函数结束。

　　又比如：

def test(x):
    while True:
        x *= 2
        x = yield x

g = test(3)
print(next(g)) # 6
print(g.send(12))  # 24

　　第四行意思：先看右边yield x 就是返回 x 。再看左边 x = yield 就是赋值给 x 。所以不难理解了。不解释了。 

5. 补充（点击图片查看原文）