列表生成式:
需求:列表[1,2,3,4,5,6,7,8,9]每个值加1,实现的方法:
a = [0,1,2,3,4,5,6,7,8,9] b = [] for i in a:b.append(i+1) a = b print(a)
第二种方法:
a = [1,2,3,4,5,6,7,8,9] a = map(lambda x:x+1,a) for i in a :print(i)
第三种方式:(列表生成式)
a = [i+1 for i in range(10)] print(a)
生成器:
通过列表生成式,我们可以直接创建一个列表。但是,受到内存限制,列表容量肯定是有限的。而且,创建一个包含100万个元素的列表,不仅占用很大的存储空间,如果我们仅仅需要访问前面几个元素,那后面绝大多数元素占用的空间都白白浪费了。
所以,如果列表元素可以按照某种算法推算出来,那我们是否可以在循环的过程中不断推算出后续的元素呢?这样就不必创建完整的list,从而节省大量的空间。在Python中,这种一边循环一边计算的机制,称为生成器:generator。
要创建一个generator,有很多种方法。第一种方法很简单,只要把一个列表生成式的[]
改成(),就创建了一个generator:
L = [x * x for x in range(10)] print(L) g = (x * x for x in range(10)) print(g)
创建的L是列表,而g是一个生成器。
打印元素:
print(g.__next__()) print(g.__next__()) print(g.__next__()) print(g.__next__()) print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())
输出:
0
Traceback (most recent call last):
1
File "D:/workspace/day4/generator_mod.py", line 12, in <module>
4
print(g.__next__())
9
StopIteration
16
25
36
49
64
81
当索取的值超过列表长度时,报错:StopIteration
使用for循环来调用生成器:
g = (x*x for x in range(10)) for i in g: print(i)
0
1
4
9
16
25
36
49
64
81
一般创建generator后,基本不会调用next(),而是通过for循环来迭代它,并且不需要关心StopIteration错误。
使用函数来实现较为复杂的斐波那契数列:
def fib(max): n,a,b=0,0,1 while n < max: print(b) a,b = b,a+b #注意赋值语句, n = n+1 return 'done' #注意赋值语句a,b=b,a+b相当于: #t=(b,a+b) #t是一个元组 #a=t[0] #b=t[1]
#执行:
fib(10)
1
1
2
3
5
8
13
21
34
55
把上面的函数变成generator,只需要把print(b)改成yield b就可以了,如下:
def fib(max): n,a,b = 0,0,1 while n < max: yield b a,b = b,a+b n += 1 return 'done' f = fib(6) print(f) #输出: <generator object fib at 0x00000239D28A6888>
这是定义generator的另一种方法,如果一个函数定义中包含yield关键字,那么这个函数就不再是一个普通函数,而是一个generator
比较难理解的是generator执行流程和函数不太一样,函数是顺序执行,遇到return语句或者最后一行函数语句就返回。而变成generator的函数,在每次调用next()
的时候执行,遇到yield语句返回,再次执行时从上次返回的yield语句处继续执行。
data = fib(10) print(data) print(data.__next__()) print(data.__next__()) print("打个标记") print(data.__next__()) print(data.__next__()) print(data.__next__()) print(data.__next__()) print(data.__next__()) #输出 <generator object fib at 0x000001EB0E016990> 1 1 打个标记 2 3 5 8 13
使用for循环来迭代:
for n in fib(6): print(n) #输出 1 1 2 3 5 8
但是用for
循环调用generator时,发现拿不到generator的return
语句的返回值。如果想要拿到返回值,必须捕获StopIteration
错误,返回值包含在StopIteration
的value
中:
g = fib(10) while True: try: x = next(g) print('g',x) except StopIteration as e: print('Generator return value:',e.value) break #输出: g 1 g 1 g 2 g 3 g 5 g 8 g 13 g 21 g 34 g 55 Generator return value: done
还可以通过yield实现在单线程的情况下实现并发运算的效果
import time def consumer(name): print("%s 准备吃包子啦!" %name) while True: baozi = yield print("包子[%s]来了,被[%s]吃了!" %(baozi,name)) def producer(name): c = consumer('A') c2 = consumer('B') c.__next__() c2.__next__() print("%s开始准备做包子啦!"%name) for i in range(10): time.sleep(1) print("做了2个包子!") c.send(i) c2.send(i) producer("Tim")
迭代器:
一般来说,可以使用for循环来操作的对象成为可迭代对象,如列表,元组,集合,字典,字符串,generator等。
可以使用isinstance()判断一个对象是否是Iterable对象:
from collections import Iterable >>>isinstance([],Iterable) True
>>>isinstance(x for x in range(10),Iterable)
True
而生成器不但可以作用于for
循环,还可以被next()
函数不断调用并返回下一个值,直到最后抛出StopIteration
错误表示无法继续返回下一个值了。
*可以被next()
函数调用并不断返回下一个值的对象称为迭代器:Iterator
。
可以使用isinstance()
判断一个对象是否是Iterator
对象:
from collections import Iterator >>>isinstance((x for x in range(10)),Iterator) True isinstance([],Iterator) False
生成器都是Iterator对象,但list,dict,str虽然是Iterable,但不是Iterator.
把list,dict,str等Iterable变成Iterator可以使用iter()函数:
>>>isinstance(iter[],Iterator) True >>>isinstance(iter('abc'),Iterator) True
列表,元组,字典等对象的长度是可知的,而Iterator对象的长度是未知的,可以通过for,next()函数实现按需计算下一个数据,所以Iterator的计算是惰性的。
小结:
凡是可作用于for
循环的对象都是Iterable
类型;
凡是可作用于next()
函数的对象都是Iterator
类型,它们表示一个惰性计算的序列;
集合数据类型如list
、dict
、str
等是Iterable
但不是Iterator
,不过可以通过iter()
函数获得一个Iterator
对象。