转自： http://python.jobbole.com/83610/
本文作者： 伯乐在线 - wklken 。未经作者许可，禁止转载！
欢迎加入伯乐在线 专栏作者。
翻译
来源于stackoverflow问答，原文链接 Here
SN上面看到的，顺手翻译下，第一次翻译，好多地方翻的不是很好 :)
问题:
|
1
|
Python中yield关键字的作用是什么？它做了什么？
|
例如，我想理解以下代码
|
1
2
3
|
def node._get_child_candidates(self, distance, min_dist, max_dist):
if self._leftchild and distance - max_dist = self._median:
yield self._rightchild
|
下面是调用者
|
1
2
3
4
5
6
7
8
|
result, candidates = list(), [self]
while candidates:
node = candidates.pop()
distance = node._get_dist(obj)
if distance = min_dist:
result.extend(node._values)
candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))
return result
|
在_get_child_candidates这个函数被调用时发生了什么？返回了一个列表？还是只返回了一个元素？然后又再次被调用？什么时候调用结束？
这段代码的来源 Jochen Schulz (jrschulz), who made a great Python library for metric spaces. 完整源码链接: here
要了解yield的作用，你必须先明白什么是生成器，在此之前，你需要了解什么是可迭代对象（可迭代序列）
迭代
你可以创建一个列表，然后逐一遍历，这就是迭代
|
1
2
3
4
5
6
|
>>> mylist = [1, 2, 3]
>>> for i in mylist:
... print(i)
1
2
3
|
mylist是可迭代的对象，当你使用列表解析时，你创建一个列表,即一个可迭代对象
|
1
2
3
4
5
6
|
>>> mylist = [x*x for x in range(3)]
>>> for i in mylist:
... print(i)
0
1
4
|
任何你可用 “for… in…” 处理的都是可迭代对象：列表，字符串，文件….
这些迭代对象非常便捷，因为你可以尽可能多地获取你想要的东西
但，当你有大量数据并把所有值放到内存时，这种处理方式可能不总是你想要的
(but you store all the values in memory and it’s not always what you want when you have a lot of values.)
生成器
生成器是迭代器，但你只能遍历它一次(iterate over them once)
因为生成器并没有将所有值放入内存中，而是实时地生成这些值
|
1
2
3
4
5
6
|
>>> mygenerator = (x*x for x in range(3))
>>> for i in mygenerator:
... print(i)
0
1
4
|
这和使用列表解析地唯一区别在于使用()替代了原来的[]
注意，你不能执行for i in mygenerator第二次，因为每个生成器只能被使用一次: 计算0，并不保留结果和状态，接着计算1，然后计算4，逐一生成
yield
yield是一个关键词，类似return, 不同之处在于，yield返回的是一个生成器
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
>>> def createGenerator():
... mylist = range(3)
... for i in mylist:
... yield i*i
...
>>> mygenerator = createGenerator() # create a generator
>>> print(mygenerator) # mygenerator is an object!
>>> for i in mygenerator:
... print(i)
0
1
4
|
这个例子并没有什么实际作用,仅说明当你知道你的函数将产生大量仅被读取一次的数据时,使用生成器将是十分有效的做法
要掌握yield,你必须明白 – 当你调用这个函数，函数中你书写的代码并没有执行。这个函数仅仅返回一个生成器对象
这有些狡猾 :-)
然后，在每次for循环使用生成器时,都会执行你的代码
然后，是比较困难的部分：
第一次函数将会从头运行，直到遇到yield，然后将返回循环的首个值. 然后，每次调用，都会执行函数中的循环一次，返回下一个值，直到没有值可以返回
当循环结束，或者不满足”if/else”条件，导致函数运行但不命中yield关键字，此时生成器被认为是空的
问题代码的解释
生成器:
|
1
2
3
4
5
6
7
8
9
10
|
# 这你你创建了node的能返回生成器的函数
def node._get_child_candidates(self, distance, min_dist, max_dist):
# 这里的代码你每次使用生成器对象都会调用
# 如果node节点存在左子节点,且距离没问题，返回该节点
if self._leftchild and distance - max_dist = self._median:
yield self._rightchild
# 如果函数运行到这里，生成器空，该节点不存在左右节点
|
调用者:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
# 创建一个空列表，一个包含当前候选对象引用的列表
result, candidates = list(), [self]
# 当前候选非空，循环(开始时仅有一个元素)
while candidates:
# 从候选列表取出最后一个元素作为当前节点
node = candidates.pop()
# 获取obj和当前节点距离
distance = node._get_dist(obj)
# 如果距离满足条件，将节点值加入结果列表
if distance = min_dist:
result.extend(node._values)
# 获取节点的子节点，加入到候选列表，回到循环开始, 这里使用了生成器
candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))
# 注意这里extend会反复调用获取到所有生成器返回值
return result
|
这段代码包含几个灵活的部分:
1.这个循环遍读取历候选列表,但过程中，候选列表不断扩展:-)
这是一种遍历嵌套数据的简明方法，虽然有些危险，你或许会陷入死循环中
在这个例子中， candidates.extend(node._get_child_candidates(distance, min_dist, max_dist)) 读取了生成器产生的所有值, 同时while循环产生新的生成器对象加入到列表，因为每个对象作用在不同节点上，所以每个生成器都将生成不同的值
2.列表方法extend() 接收一个生成器，生成器的所有值被添加到列表中
通常，我们传一个列表作为参数:
|
1
2
3
4
5
|
>>> a = [1, 2]
>>> b = [3, 4]
>>> a.extend(b)
>>> print(a)
[1, 2, 3, 4]
|
但是，在代码中，这个函数接受到一个生成器
这样的做法好处是:
1.你不需要重复读这些值
2.你可能有海量的子节点，但是不希望将所有节点放入内存
并且，可以这么传递生成器作为参数的原因是，Python不关心参数是一个方法还是一个列表
Python接收可迭代对象，对于字符串，列表，元组还有生成器，都适用!
这就是所谓的“鸭子类型”(duck typing), 这也是Python如此酷的原因之一, 但这是另一个问题了，对于这个问题……
你可以在这里完成阅读，或者读一点点生成器的进阶用法:
控制一个生成器的消耗
|
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
|
>>> class Bank(): # let's create a bank, building ATMs
... crisis = False
... def create_atm(self):
... while not self.crisis:
... yield "$100"
>>> hsbc = Bank() # when everything's ok the ATM gives you as much as you want
>>> corner_street_atm = hsbc.create_atm()
>>> print(corner_street_atm.next())
$100
>>> print(corner_street_atm.next())
$100
>>> print([corner_street_atm.next() for cash in range(5)])
['$100', '$100', '$100', '$100', '$100']
>>> hsbc.crisis = True # crisis is coming, no more money!
>>> print(corner_street_atm.next())
>>> wall_street_atm = hsbc.create_atm() # it's even true for new ATMs
>>> print(wall_street_atm.next())
>>> hsbc.crisis = False # trouble is, even post-crisis the ATM remains empty
>>> print(corner_street_atm.next())
>>> brand_new_atm = hsbc.create_atm() # build a new one to get back in business
>>> for cash in brand_new_atm:
... print cash
$100
$100
$100
$100
$100
$100
$100
$100
$100
...
|
这在很多场景都非常有用，例如控制资源的获取
Itertools
一个很好的工具
itertools模块包含很多处理可迭代对象的具体方法. 例如
复制一个生成器？连接两个生成器？一行将嵌套列表中值分组？不使用另一个列表进行Map/Zip?
(Ever wish to duplicate a generator? Chain two generators? Group values in a nested list with a one liner? Map / Zip without creating another list?)
只需要使用itertools模块
一个例子，4匹马赛跑的可能抵达顺序
|
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
|
>>> horses = [1, 2, 3, 4]
>>> races = itertools.permutations(horses)
>>> print(races)
>>> print(list(itertools.permutations(horses)))
[(1, 2, 3, 4),
(1, 2, 4, 3),
(1, 3, 2, 4),
(1, 3, 4, 2),
(1, 4, 2, 3),
(1, 4, 3, 2),
(2, 1, 3, 4),
(2, 1, 4, 3),
(2, 3, 1, 4),
(2, 3, 4, 1),
(2, 4, 1, 3),
(2, 4, 3, 1),
(3, 1, 2, 4),
(3, 1, 4, 2),
(3, 2, 1, 4),
(3, 2, 4, 1),
(3, 4, 1, 2),
(3, 4, 2, 1),
(4, 1, 2, 3),
(4, 1, 3, 2),
(4, 2, 1, 3),
(4, 2, 3, 1),
(4, 3, 1, 2),
(4, 3, 2, 1)]
|
了解迭代器的内部机制
迭代过程包含可迭代对象(实现__iter__()方法) 和迭代器(实现__next__()方法)
你可以获取一个迭代器的任何对象都是可迭代对象，迭代器可以让你迭代遍历一个可迭代对象(Iterators are objects that let you iterate on iterables.) [好拗口:]
更多关于这个问题的 how does the for loop work
如果你喜欢这个回答，你也许会喜欢我关于 decorators 和 metaclasses 的解释