列表生成式，迭代器和生成器

一、列表生成式

现在有个需求，看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]，现在要求把列表里的每个值加1，你怎么实现？你可能会想到的几种方法：

方法1：

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 需求：要求把列表中的每个元素的值加1
# 方法一
b = []
for i in a:
    b.append(i + 1)

a = b
print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

方法2：

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 需求：要求把列表中的每个元素的值加1
for index, i in enumerate(a):
    a[index] += 1

print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

方法3：

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 需求：要求把列表中的每个元素的值加1
a = list(map(lambda x:x + 1, a))

print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

方法4：

# 需求：要求把列表中的每个元素的值加1
a = [i + 1 for i in a]

print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

最后一种写法就叫做列表生成式

二、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，如果列表元素可以执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了，从而节省大师的空间。在Python中，这种一边循环一边计算的机制，称为生成器（generator）。

要创建一个生成器，有多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个生成器：

>>> l = [x * x for x in range(10)]
>>> l
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x01D97BA0>
>>>

创建l和g的区别仅在于最外层的[]和()，l是一个list，而g是一个generator。

我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？

如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值：

>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
>>> next(g)
9
>>> next(g)
16
>>> next(g)
25
>>> next(g)
36
>>> next(g)
49
>>> next(g)
64
>>> next(g)
81
>>> next(g)
Traceback (most recent call last):
  File "<pyshell#14>", line 1, in <module>
    next(g)
StopIteration
>>>

generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的异常。

当然，上面这种不断调用next(g)的方式实在是太不方便了，正确的方法是使用for循环，因为generator也是可迭代对象：

>>> g = (x * x for x in range(10))
>>> for n in g:
    print(n)

    
0
1
4
9
16
25
36
49
64
81
>>>

所以，我们创建了一个generator后，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的异常。

generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。

比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可以由前两个数相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, ...

斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

def fib(num):
    n, a, b = 0, 0, 1
    while n < num:
        print(b)
        a, b = b, a + b
        n = n + 1

注意，赋值语句：

a, b = b, a + b

相当于：

t = (b, a + b)

a = t[0]

b = t[1]

但不必显式写出临时变量t就可以赋值

上面的函数可以输出斐波那契数列的前N个数：

>>> fib(10)
1
1
2
3
5
8
13
21
34
55
>>>

仔细观察，可以挂出，fib()函数实际上是定义了斐波那契数列的推算规则，可以从每一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。

也就是说，上面的函数和generator仅一步之遥。要把fib()函数变成generator，只需要把pring(b)改成yield b就可以了：

def fib(num):
    n, a, b = 0, 0, 1
    while n < num:
        # print(b)
        yield b
        a, b = b, a + b
        n = n + 1

这就是定义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：

>>> f = fib(10)
>>> f
<generator object fib at 0x01D97BA0>
>>>

这里，最难理解的就是generator和函数的执行流程不一样。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。

>>> print(f)
<generator object fib at 0x01D97BA0>
>>> print(f.__next__())
1
>>> print(f.__next__())
1
>>> print("做点别的事")
做点别的事
>>> print(f.__next__())
2
>>> print(f.__next__())
3
>>> print(f.__next__())
5
>>> print(f.__next__())
8
>>> print(f.__next__())
13
>>> print(f.__next__())
21
>>> print(f.__next__())
34
>>> print(f.__next__())
55
>>>

在上面fib()的例子中，我们在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。

同样的，把函数改成generator后，我们基本上不会用next()来获取下一个返回值，而是直接使用for循环来迭代：

>>> f = fib(10)
>>> for n in f:
    print(n)

    
1
1
2
3
5
8
13
21
34
55
>>>

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异常，返回值包含在StopIteration的value中：

>>> f = fib(10)
>>> while True:
    try:
        x = next(f)
        print('f:', x)
    except StopIteration as e:
        print('generator return value:', e.value)
        break

    
f: 1
f: 1
f: 2
f: 3
f: 5
f: 8
f: 13
f: 21
f: 34
f: 55
generator return value: None
>>>

三、迭代器

我们知道，可以直接作用于for循环的数据类型有以下几种：

一类是集合数据类型：如list、tuple、dict、set、str等；

一类是generator，包括生成器和带yield的generator function。

这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。

可以使用isinstance()判断一个对象是否是Iterable对象：

generator return value: None
>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False
>>>

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
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False
>>>

生成器都是Iterator对象，但是list、dict、str虽然是Iterable，去不是Iterator。

把list、dict、str等Iterable变成Iterator可以使用iter()内置函数：

>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter({}), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True
>>>

有人可能会问，为什么list、dict、str等数据类型不是Iterator呢？

这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration异常。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。

Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是记录不可能存储全体自然数的。

小结

凡是可以作用于for循环的对象都是Iterable类型；

凡是可以作用于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()内置函数变成一个Iterator对象。

Python的for循环本质上就是通过不断调用next()函数实现的，例如：

for x in [1, 2, 3, 4, 5]:
    print(x)

# 实际上完全等价于

# 首先转换成Iterator对象
it = iter([1, 2, 3, 4, 5])
# 循环
while True:
    try:
        # 获取下一个值
        x = next(it)
        print(x)
    except StopIteration:
        # 遇到StopIteration异常，表示循环已经结束
        break