一、列表生成式：
看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],我要求你把列表里的每个值加1，可能会有以下几种写法：
方法一：
>>> a
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>> b = []
>>> for i in a:b.append(i+1)
...
>>> b
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
>>> a = b
>>> a
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
方法二：
a = [1,3,4,6,7,7,8,9,11]
for index,i in enumerate(a):
a[index] +=1
print(a)
方法三：
>>> a
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
>>> a = map(lambda x:x+1, a)
>>> a
<map object at 0x101d2c630>
>>> for i in a:print(i)
...
2
3
4
5
6
7
8
9
10
11
其实还有一种写法，如下
>>> a = [i+1 for i in range(10)]
>>> a
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
这就叫做列表生成
二、生成器（通过列表生成式，可以直接创建一个列表，但是受内存限制，列表容量有限，而且创建一个很大元素的列表，不仅占用很大的内存空间，如果我们仅仅访问前面几个元素，后面绝大多数元素占用的空间都白白浪费）
1种方法：把一个列表生成式【】改成（），就创建了一个generater；
>>> 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 0x1022ef630>
创建L和g，区别在于最外层的【】和（）；L是一个list，g是一个generater；那么我们可以直接打印list，如何打印generater中每个参数。如果一个一个打印，可以使用next（）获取generater的下一个值。因为generater保存的是一个算法，每次调用next（），就会计算出g的下一个值。直到计算出最后一个值，没有更多值时，抛出stopiteration的错误。上面这种调用next（g）方法太变态，我们采用for循环；因为generater也是可迭代对象。
g=（x*x for x in range（10） ）
for n in g：
print n
所以我们创建generater基本上不适用next调用，而是使用for循环打印，而且不会出现stopiteration错误；
generater非常强大，但是如果推算的算法比较复杂，，用类似列表生成式的for循环无法实现时，可以用函数来实现。
2种方法：以上产生另一种generater生成器，函数中含有yield关键字，那么这个函数就不是一个普通的函数，而是一个generater。
def fib(max):
n,a,b = 0,0,1
while n < max:
#print(b)
yield b
a,b = b,a+b
n += 1return 'done'
>>> f = fib(6)
>>> f
<generator object fib at 0x104feaaa0>
上面比较难理解的是generater和函数的执行流程不一样，函数式顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generater函数，在每次调用next（）的时候执行，遇到yield函数返回。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("干点别的事")
print(data.__next__())
print(data.__next__())
print(data.__next__())
print(data.__next__())
print(data.__next__())
#输出
<generator object fib at 0x101be02b0>
1
1
干点别的事
2
3
5
8
13
在上面fib的例子，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，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：
>>> for n in fib(6):
... print(n)
...
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(6)
>>> while True:
... try:
... x = next(g)
... print('g:', x)
... except StopIteration as e:
... print('Generator return value:', e.value)
... break
...
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
Generator return value: done
另外，注意：
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(max):
n, a, b = 0, 0, 1
while n < max:
print(b)
a, b = b, a + b
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tuple
a = t[0]
b = t[1]
三、迭代器：
我们已经知道，可以直接用于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generater，包括生成器和带yield的generater 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：
>>> from collections import Iterable
>>> isinstance([], Iterable)
True
而生成器不但可以用作于for循环，还可以被next（）函数不断调用并返回下一个值，指导最后抛出stopiteration错误表示无法继续返回下一个值了。
可以被next（）调用并不断返回下一个值的对象称为迭代器：Iterator；
>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
生成器都是Iterator对象，但是list，dict、str虽然是iterable却不是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
你可能会问，为什么list、dict、str等数据类型不是Iterator？
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错误。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是永远不可能存储全体自然数的。
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。
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]:
pass
实际上完全等价于：
# 首先获得Iterator对象:
it = iter([1, 2, 3, 4, 5])
# 循环:
while True:
try:
# 获得下一个值:
x = next(it)
except StopIteration:
# 遇到StopIteration就退出循环
break