徹底理解Python生成器和迭代器

1.列表生成式

首先舉個例子

現在有個需求，看列表 [0，1，2，3，4，5，6，7，8，9]，要求你把列表裏面的每個值加1，你怎麼實現呢？

方法一（簡單）：

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

b = []

# for index,i in enumerate(info):

# print(i+1)

# b.append(i+1)

# print(b)

for index,i in enumerate(info):

info[index] +=1

print(info)

方法二（一般）：

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

a = map(lambda x:x+1,info)

print(a)

for i in a:

print(i)

方法三（高級）：

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

a = [i+1 for i in range(10)]

print(a)

2.生成器

什麼是生成器？

　　通過列表生成式，我們可以直接創建一個列表，但是，受到內存限制，列表容量肯定是有限的，而且創建一個包含100萬個元素的列表，不僅佔用很大的存儲空間，如果我們僅僅需要訪問前面幾個元素，那後面絕大多數元素佔用的空間都白白浪費了。

　　所以，如果列表元素可以按照某種算法推算出來，那我們是否可以在循環的過程中不斷推算出後續的元素呢？這樣就不必創建完整的list，從而節省大量的空間，在Python中，這種一邊循環一邊計算的機制，稱爲生成器：generator

　　生成器是一個特殊的程序，可以被用作控制循環的迭代行爲，python中生成器是迭代器的一種，使用yield返回值函數，每次調用yield會暫停，而可以使用next()函數和send()函數恢復生成器。

　　生成器類似於返回值爲數組的一個函數，這個函數可以接受參數，可以被調用，但是，不同於一般的函數會一次性返回包括了所有數值的數組，生成器一次只能產生一個值，這樣消耗的內存數量將大大減小，而且允許調用函數可以很快的處理前幾個返回值，因此生成器看起來像是一個函數，但是表現得卻像是迭代器

python中的生成器

　　要創建一個generator，有很多種方法，第一種方法很簡單，只有把一個列表生成式的[]中括號改爲（）小括號，就創建一個generator

　　舉例如下：

#列表生成式

lis = [x*x for x in range(10)]

print(lis)

#生成器

generator_ex = (x*x for x in range(10))

print(generator_ex)

結果：

[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

<generator object <genexpr> at 0x000002A4CBF9EBA0>

　　那麼創建list和generator_ex，的區別是什麼呢？從表面看就是[ ]和（）,但是結果卻不一樣，一個打印出來是列表（因爲是列表生成式），而第二個打印出來卻是<generator object <genexpr> at 0x000002A4CBF9EBA0>，那麼如何打印出來generator_ex的每一個元素呢？

　　如果要一個個打印出來，可以通過next（）函數獲得generator的下一個返回值：

#生成器

generator_ex = (x*x for x in range(10))

print(next(generator_ex))

結果：

0

1

4

9

16

25

36

49

64

81

Traceback (most recent call last):

File "列表生成式.py", line 42, in <module>

print(next(generator_ex))

StopIteration

　　大家可以看到，generator保存的是算法，每次調用next(generaotr_ex)就計算出他的下一個元素的值，直到計算出最後一個元素，沒有更多的元素時，拋出StopIteration的錯誤，而且上面這樣不斷調用是一個不好的習慣，正確的方法是使用for循環，因爲generator也是可迭代對象：

#生成器

generator_ex = (x*x for x in range(10))

for i in generator_ex:

print(i)

結果：

0

1

4

9

16

25

36

49

64

81

　　所以我們創建一個generator後，基本上永遠不會調用next()，而是通過for循環來迭代，並且不需要關心StopIteration的錯誤，generator非常強大，如果推算的算法比較複雜，用類似列表生成式的for循環無法實現的時候，還可以用函數來實現。

比如著名的斐波那契數列，除第一個和第二個數外，任何一個數都可以由前兩個相加得到：

1，1，2，3，5，8，12，21，34.....

斐波那契數列用列表生成式寫不出來，但是，用函數把它打印出來卻很容易：

#fibonacci數列

def fib(max):

n,a,b =0,0,1

while n < max:

a,b =b,a+b

n = n+1

print(a)

return 'done'

a = fib(10)

print(fib(10))

　　a,b = b ,a+b 其實相當於 t =a+b ,a =b ,b =t ，所以不必寫顯示寫出臨時變量t，就可以輸出斐波那契數列的前N個數字。上面輸出的結果如下：

1

2

3

5

8

13

21

34

55

1

2

3

5

8

13

21

34

55

done

　　仔細觀察，可以看出，fib函數實際上是定義了斐波拉契數列的推算規則，可以從第一個元素開始，推算出後續任意的元素，這種邏輯其實非常類似generator。

　　也就是說上面的函數也可以用generator來實現，上面我們發現，print(b)每次函數運行都要打印，佔內存，所以爲了不佔內存，我們也可以使用生成器，這裏叫yield。如下：

def fib(max):

n,a,b =0,0,1

while n < max:

yield b

a,b =b,a+b

n = n+1

return 'done'

a = fib(10)

print(fib(10))

　　但是返回的不再是一個值，而是一個生成器，和上面的例子一樣，大家可以看一下結果：

1	`<generator` `object` `fib at` `0x000001C03AC34FC0>`

　　那麼這樣就不佔內存了，這裏說一下generator和函數的執行流程，函數是順序執行的，遇到return語句或者最後一行函數語句就返回。而變成generator的函數，在每次調用next()的時候執行，遇到yield語句返回，再次被next（）調用時候從上次的返回yield語句處急需執行，也就是用多少，取多少，不佔內存。

def fib(max):

n,a,b =0,0,1

while n < max:

yield b

a,b =b,a+b

n = n+1

return 'done'

a = fib(10)

print(fib(10))

print(a.__next__())

print("可以順便幹其他事情")

print(a.__next__())

結果：

<generator object fib at 0x0000023A21A34FC0>

1

2

可以順便幹其他事情

3

5

　　在上面fib的例子，我們在循環過程中不斷調用yield，就會不斷中斷。當然要給循環設置一個條件來退出循環，不然就會產生一個無限數列出來。同樣的，把函數改成generator後，我們基本上從來不會用next()來獲取下一個返回值，而是直接使用for循環來迭代：

def fib(max):

n,a,b =0,0,1

while n < max:

yield b

a,b =b,a+b

n = n+1

return 'done'

for i in fib(6):

print(i)

結果：

1

2

3

5

8

　　但是用for循環調用generator時，發現拿不到generator的return語句的返回值。如果拿不到返回值，那麼就會報錯，所以爲了不讓報錯，就要進行異常處理，拿到返回值，如果想要拿到返回值，必須捕獲StopIteration錯誤，返回值包含在StopIteration的value中：

def fib(max):

n,a,b =0,0,1

while n < max:

yield b

a,b =b,a+b

n = n+1

return 'done'

g = fib(6)

while True:

try:

x = next(g)

print('generator: ',x)

except StopIteration as e:

print("生成器返回值：",e.value)

break

結果：

generator: 1

generator: 2

generator: 3

generator: 5

generator: 8

生成器返回值： done

還可以通過yield實現在單線程的情況下實現併發運算的效果

import time

def consumer(name):

print("%s 準備學習啦!" %name)

while True:

lesson = yield

print("開始[%s]了,[%s]老師來講課了!" %(lesson,name))

def producer(name):

c = consumer('A')

c2 = consumer('B')

c.__next__()

c2.__next__()

print("同學們開始上課了!")

for i in range(10):

time.sleep(1)

print("到了兩個同學!")

c.send(i)

c2.send(i)

結果：

A 準備學習啦!

B 準備學習啦!

同學們開始上課了!

到了兩個同學!

開始[0]了,[A]老師來講課了!

開始[0]了,[B]老師來講課了!

到了兩個同學!

開始[1]了,[A]老師來講課了!

開始[1]了,[B]老師來講課了!

到了兩個同學!

開始[2]了,[A]老師來講課了!

開始[2]了,[B]老師來講課了!

到了兩個同學!

開始[3]了,[A]老師來講課了!

開始[3]了,[B]老師來講課了!

到了兩個同學!

開始[4]了,[A]老師來講課了!

開始[4]了,[B]老師來講課了!

到了兩個同學!

開始[5]了,[A]老師來講課了!

開始[5]了,[B]老師來講課了!

到了兩個同學!

開始[6]了,[A]老師來講課了!

開始[6]了,[B]老師來講課了!

到了兩個同學!

由上面的例子我麼可以發現，python提供了兩種基本的方式

生成器函數：也是用def定義的，利用關鍵字yield一次性返回一個結果，阻塞，重新開始
生成器表達式：返回一個對象，這個對象只有在需要的時候才產生結果

——生成器函數

爲什麼叫生成器函數？因爲它隨着時間的推移生成了一個數值隊列。一般的函數在執行完畢之後會返回一個值然後退出，但是生成器函數會自動掛起，然後重新拾起繼續執行，他會利用yield關鍵字關起函數，給調用者返回一個值，同時保留了當前的足夠多的狀態，可以使函數繼續執行，生成器和迭代協議是密切相關的，迭代器都有一個__next__()__成員方法，這個方法要麼返回迭代的下一項，要買引起異常結束迭代。

# 函數有了yield之後，函數名+（）就變成了生成器

# return在生成器中代表生成器的中止，直接報錯

# next的作用是喚醒並繼續執行

# send的作用是喚醒並繼續執行，發送一個信息到生成器內部

'''生成器'''

def create_counter(n):

print("create_counter")

while True:

yield n

print("increment n")

n +=1

gen = create_counter(2)

print(gen)

print(next(gen))

結果：

<generator object create_counter at 0x0000023A1694A938>

create_counter

2

increment n

3

Process finished with exit code 0

——生成器表達式

生成器表達式來源於迭代和列表解析的組合，生成器和列表解析類似，但是它使用尖括號而不是方括號

>>> # 列表解析生成列表

>>> [ x ** 3 for x in range(5)]

[0, 1, 8, 27, 64]

>>>

>>> # 生成器表達式

>>> (x ** 3 for x in range(5))

<generator object <genexpr> at 0x000000000315F678>

>>> # 兩者之間轉換

>>> list(x ** 3 for x in range(5))

[0, 1, 8, 27, 64]

　　一個迭代既可以被寫成生成器函數，也可以被協程生成器表達式，均支持自動和手動迭代。而且這些生成器只支持一個active迭代，也就是說生成器的迭代器就是生成器本身。

3.迭代器

　　迭代器包含有next方法的實現，在正確的範圍內返回期待的數據以及超出範圍後能夠拋出StopIteration的錯誤停止迭代。

　　我們已經知道，可以直接作用於for循環的數據類型有以下幾種：

一類是集合數據類型，如list,tuple,dict,set,str等

一類是generator，包括生成器和帶yield的generator function

這些可以直接作用於for 循環的對象統稱爲可迭代對象：Iterable

可以使用isinstance()判斷一個對象是否爲可Iterable對象

>>> 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於for循環，還可以被next()函數不斷調用並返回下一個值，直到最後拋出StopIteration錯誤表示無法繼續返回下一個值了。

所以這裏講一下迭代器

一個實現了iter方法的對象是可迭代的，一個實現next方法並且是可迭代的對象是迭代器。

可以被next()函數調用並不斷返回下一個值的對象稱爲迭代器：Iterator。

所以一個實現了iter方法和next方法的對象就是迭代器。

可以使用isinstance()判斷一個對象是否是Iterator對象：

>>> 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對象，但list、dict、str雖然是Iterable（可迭代對象），卻不是Iterator（迭代器）。

把list、dict、str等Iterable變成Iterator可以使用iter()函數：

>>> isinstance(iter([]), Iterator)

True

>>> isinstance(iter('abc'), Iterator)

True

你可能會問，爲什麼list、dict、str等數據類型不是Iterator？

這是因爲Python的Iterator對象表示的是一個數據流，Iterator對象可以被next()函數調用並不斷返回下一個數據，直到沒有數據時拋出StopIteration錯誤。可以把這個數據流看做是一個有序序列，但我們卻不能提前知道序列的長度，只能不斷通過next()函數實現按需計算下一個數據，所以Iterator的計算是惰性的，只有在需要返回下一個數據時它纔會計算。

Iterator甚至可以表示一個無限大的數據流，例如全體自然數。而使用list是永遠不可能存儲全體自然數的。

　　判斷下列數據類型是可迭代對象or迭代器

s='hello'

l=[1,2,3,4]

t=(1,2,3)

d={'a':1}

set={1,2,3}

f=open('a.txt')

s='hello' #字符串是可迭代對象，但不是迭代器

l=[1,2,3,4] #列表是可迭代對象，但不是迭代器

t=(1,2,3) #元組是可迭代對象，但不是迭代器

d={'a':1} #字典是可迭代對象，但不是迭代器

set={1,2,3} #集合是可迭代對象，但不是迭代器

# *************************************

f=open('test.txt') #文件是可迭代對象，是迭代器

#如何判斷是可迭代對象，只有__iter__方法，執行該方法得到的迭代器對象。

# 及可迭代對象通過__iter__轉成迭代器對象

from collections import Iterator #迭代器

from collections import Iterable #可迭代對象

print(isinstance(s,Iterator)) #判斷是不是迭代器

print(isinstance(s,Iterable)) #判斷是不是可迭代對象

#把可迭代對象轉換爲迭代器

print(isinstance(iter(s),Iterator))

　注意：文件的判斷

f = open('housing.csv')

from collections import Iterator

from collections import Iterable

print(isinstance(f,Iterator))

print(isinstance(f,Iterable))

True

　　結論：文件是可迭代對象，也是迭代器

小結：

凡是可作用於for循環的對象都是Iterable類型；
凡是可作用於next()函數的對象都是Iterator類型，它們表示一個惰性計算的序列；
集合數據類型如list、dict、str等是Iterable但不是Iterator，不過可以通過iter()函數獲得一個Iterator對象。

Python3的for循環本質上就是通過不斷調用next()函數實現的，例如：

1 2	`for` `x` `in` `[1,` `2,` `3,` `4,` `5]:` `pass`

　實際上完全等價於

# 首先獲得Iterator對象:

it = iter([1, 2, 3, 4, 5])

# 循環:

while True:

try:

# 獲得下一個值:

x = next(it)

except StopIteration:

# 遇到StopIteration就退出循環

break

4.對yield的總結

　　（1）通常的for..in...循環中，in後面是一個數組，這個數組就是一個可迭代對象，類似的還有鏈表，字符串，文件。他可以是a = [1,2,3]，也可以是a = [x*x for x in range(3)]。

它的缺點也很明顯，就是所有數據都在內存裏面，如果有海量的數據，將會非常耗內存。

　　（2）生成器是可以迭代的，但是隻可以讀取它一次。因爲用的時候才生成，比如a = (x*x for x in range(3))。!!!!注意這裏是小括號而不是方括號。

　　（3）生成器（generator）能夠迭代的關鍵是他有next()方法，工作原理就是通過重複調用next()方法，直到捕獲一個異常。

　　（4）帶有yield的函數不再是一個普通的函數，而是一個生成器generator，可用於迭代

　　（5）yield是一個類似return 的關鍵字，迭代一次遇到yield的時候就返回yield後面（即右面）的值。而且下一次迭代的時候，從上一次迭代遇到的yield後面的代碼開始執行

　　（6）yield就是return返回的一個值，並且記住這個返回的位置。下一次迭代就從這個位置開始（yield的下一行代碼開始執行）。

　　（7）帶有yield的函數不僅僅是隻用於for循環，而且可用於某個函數的參數，只要這個函數的參數也允許迭代參數。

　　（8）send()和next()的區別就在於send可傳遞參數給yield表達式，這時候傳遞的參數就會作爲yield表達式的值，而yield的參數是返回給調用者的值，也就是說send可以強行修改上一個yield表達式值。

　　（9）send()和next()都有返回值，他們的返回值是當前迭代遇到的yield的時候，yield後面表達式的值，其實就是當前迭代yield後面的參數。

　　（10）第一次調用時候必須先next（）或send（）,否則會報錯，send後之所以爲None是因爲這時候沒有上一個yield，所以也可以認爲next（）等同於send(None)

ef myList(num):  # 定義生成器
    now = 0  # 當前迭代值，初始爲0
    while now < num:
        val = (yield now)  # 返回當前迭代值，並接受可能的send發送值；yield在下面會解釋
        print "val:", val
        now = now + 1 if val is None else val  # val爲None，迭代值自增1，否則重新設定當前迭代值爲val

my_list = myList(5)  # 得到一個生成器對象

print my_list.next()  # 返回當前迭代值
print my_list.next()
print my_list.next()
print my_list.next()

my_list.send(3)  # 重新設定yield表達式的值，並賦值給val
print my_list.next()

print dir(my_list)  #
print "next" in  dir(my_list)

執行結果：

0
val: None
1
val: None
2
val: None
3
val: 3
val: None
4

5.補充：itertools庫學習

　　庫的官網地址：https://docs.python.org/2/library/itertools.html#itertools.permutations

　　（此部分筆記參考博客：https://www.jb51.net/article/123094.htm）

　　迭代器（生成器）在Python中是一種很常用也很好用的數據結構，比起列表(list)來說，迭代器最大的優勢就是延遲計算，按需使用，從而提高開發體驗和運行效率，以至於在Python 3中map,filter等操作返回的不再是列表而是迭代器。

　　話雖這麼說但大家平時用到的迭代器大概只有range了，而通過iter函數把列表對象轉化爲迭代器對象又有點多此一舉，這時候我們今天的主角itertools就該上場了。

　　itertools中的額函數大多數是返回各種迭代器對象，其中很多函數的作用我們平時要寫很多代碼才能達到，而在運行效率上反而更低，畢竟人家是系統庫。

1，itertools.accumulate

　　簡單來說就是累加。

from itertools import accumulate<br>

x = accumulate(range(10))

print(list(x))

[0, 1, 3, 6, 10, 15, 21, 28, 36, 45]

2，itertools.permutations

　　產生指定數目元素的所有排列（順序有關）

from itertools import permutations

x = permutations((1,2,3))

print(list(x))

[(1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2), (3, 2, 1)]

徹底理解Python生成器和迭代器

1.列表生成式

2.生成器

3.迭代器

4.對yield的總結

5.補充：itertools庫學習

TestNG單元測試框架詳解

Python工具包werkzeug

MySQL安裝教程及安裝過程中出現no compatible servers were found的解決辦法

Django報錯：mysql ImproperlyConfigured: mysqlclient 1.3.13 or newer is required, you have 0.9.3的解決辦法

Python3搭建Django框架淺析

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結