《Python》 生成器和列表推导式

一、初识生成器：

　　　　生成器就是自己用Python代码写的迭代器，生成器的本质就是迭代器。

　　　　1、Python中提供的生成器：

　　　　　　1、生成器函数：

　　　　　　　　使用yield语句而不是return语句返回结果。yield语句一次返回一个结果，在每个结果中间，挂起函数的状态，以便下次从它离开的地方继续执行。

　　　　　　2、生成器表达式：

　　　　　　　　类似于列表推导，但是，生成器返回按需产生结果的一个对象，而不是一次构建一个结果列表。

　　　　2、生成器Generator：

　　　　　　本质：迭代器（所以自带了__iter__方法和__next__方法，不需要我们去实现）

　　　　　　热点：惰性运算，开发者自定义

二、生成器函数：

　　　　一个包含yield关键字的函数就是一个生成器函数。yield可以为我们从函数中返回值，但是yield又不同于return。

　　　　yield和return的区别：

　　　　　　return：结束函数，给函数的执行者返回值。

　　　　　　yield：不会结束函数，一个next对应一个yield，给 生成器对象.__next__() 返回值

　　　　生成器函数vs迭代器：

　　　　　　1.自定制取值：

只能一个一个取值：
l1 = [1,2,3,4,5]
l1.__iter__()

可以自定义取值：
def func1(x):
    x += 1
    yield x
    x += 3
    yield x
    x += 5
    yield x
g1 = func1(5)
print(g1.__next__())
print(g1.__next__())
print(g1.__next__())

　　　　　　2、内存级别的区别：

　　　　　　　　迭代器是需要可迭代对象进行转换，可迭代对象非常占内存。

　　　　　　　　生成器直接创建，不需要转化，从本质就节省内存。

def func1():
    for i in range(1000000):
        yield i
g1 = func1()
for i in range(50):
    print(g1.__next__())

import time
def genrator_fun1():
    a = 1
    print('现在定义了a变量')
    yield a
    b = 2
    print('现在又定义了b变量')
    yield b

g1 = genrator_fun1()
print('g1 : ',g1)       #打印g1可以发现g1就是一个生成器
print('-'*20)   #我是华丽的分割线
print(next(g1))
time.sleep(1)   #sleep一秒看清执行过程
print(next(g1))

初识生成器函数

生成器有什么好处呢？就是不会一下子在内存中生成太多数据

假如我想让工厂给学生做校服，生产2000000件衣服，我和工厂一说，工厂应该是先答应下来，然后再去生产，我可以一件一件的要，也可以根据学生一批一批的找工厂拿。
而不能是一说要生产2000000件衣服，工厂就先去做生产2000000件衣服，等回来做好了，学生都毕业了。。。

def produce():
    """生产衣服"""
    for i in range(2000000):
        yield "生产了第%s件衣服"%i

product_g = produce()
print(product_g.__next__()) #要一件衣服
print(product_g.__next__()) #再要一件衣服
print(product_g.__next__()) #再要一件衣服
num = 0
for i in product_g:         #要一批衣服，比如5件
    print(i)
    num +=1
    if num == 5:
        break

三、send

　　　send和next一样，也是对生成器取值（执行一个yield）的方法。

　　　send可以给上一个yield传值。

　　　第一次取值永远都是next。

　　　最后一个yield永远也得不到send传的值。

def generator():
    print(123)
    content = yield 1
    print('=======',content)
    print(456)
    yield2

g = generator()
ret = g.__next__()
print('***',ret)
ret = g.send('hello')   #send的效果和next一样
print('***',ret)

四、列表推导式和生成器表达式　　　

　　　　1.把列表解析的[]换成()得到的就是生成器表达式

　　　　2.列表解析与生成器表达式都是一种便利的编程方式，只不过生成器表达式更节省内存

　　　　3.Python不但使用迭代器协议，让for循环变得更加通用。大部分内置函数，也是使用迭代器协议访问对象的。

　　　　一、列表推导式：一行代码几乎搞定你需要的任何的列表

　　　　　　　　优点：一行解决，方便。

　　　　　　　　缺点：容易着迷，不易排错，不能超过三次循环。

　　　　　　　　　　　列表推导式不能解决所有列表的问题，所以不要太刻意用。

　　　　　　1、循环模式：[ 变量（加工后的变量） for  变量  in  可迭代对象 ]

　　　　　　　　prite（[ i for i in range(1,101)]） # 循环打印1~100

　　　　　　　　prite（[ ‘Python第%s期’ % i for i in range(1,16)]） 

　　　　　　2、筛选模式：[ 变量（加工后的变量）for  变量  in  可迭代对象  if  条件 ]

　　　　　　　　prite（[ i  for  i  in  range(1,31)  if  i  %  3  ==  0 ]）  #打印30以内能被3整除的数

　　　　　　　　prite（[ i ** 2  for  i  in  range(1,31)  if  i  %  3  ==  0 ]）  #打印30以内能被3整除的数的平方

names = [['Tom', 'Billy', 'Jefferson', 'Andrew', 'Wesley', 'Steven', 'Joe'],
         ['Alice', 'Jill', 'Ana', 'Wendy', 'Jennifer', 'Sherry', 'Eva']]

print([name for lst in names for name in lst if name.count('e') >= 2])  # 注意遍历顺序，这是实现的关键

　　　　　

　　　　二、字典推导式：　　　　　　

mcase = {'a': 10, 'b': 34}
mcase_frequency = {mcase[k]: k for k in mcase}
print(mcase_frequency)

mcase = {'a': 10, 'b': 34, 'A': 7, 'Z': 3}
mcase_frequency = {k.lower(): mcase.get(k.lower(), 0) + mcase.get(k.upper(), 0) for k in mcase.keys()}
print(mcase_frequency)

　　　　三、集合推导式：

squared = {x**2 for x in [1, -1, 2]}
print(squared)
# Output: set([1, 4])