文章目錄
生成器generator
我們有時候會利用列表解析式生成一個列表，如下所示的代碼功能是生成一個10以內的奇數列表
print([i for i in range(10) if i % 2 == 1])
這裏i for i in range(10)生成的就是一個生成器generator，我們可以將其打印出來，如下代碼示：
print(i for i in range(10))
# 結果
<generator object <genexpr> at 0x000002967560D6D0>
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
創建generator
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
alist = [x for x in range(10)]
print(alist)
#生成器
generator_ex = (x for x in range(10))
print(generator_ex)
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
<generator object <genexpr> at 0x0000018B2DBBD660>
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 at 0x0000018B2DBBD660>，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（）函數或者__next__()獲得generator的下一個返回值：
generator_ex = (x for x in range(3))
print(next(generator_ex))
print(next(generator_ex))
print(generator_ex.__next__())
# 結果
0
1
2
# 如果調用4次next
print(next(generator_ex))
print(next(generator_ex))
print(generator_ex.__next__())
print(generator_ex.__next__())
# 結果
StopIteration
我們可以看到，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：
generator_ex = (x for x in range(3))
for i in generator_ex:
print(i)
# 結果
0
1
2
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。
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。下面我們用一個fibnacci數列的例子談談生成器函數的作用，代碼如下所示：
#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))
# 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
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))
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。
通過yield在單線程的情況下實現併發運算
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) # send的作用是喚醒並繼續執行，發送一個信息到生成器內部
c2.send(i)
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，然後重新拾起急需執行，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。
yield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後面或者右面的值。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。
（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（），之後才能send（）,否則會報錯。在next()前調用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)
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()而不是[ ]
list_comprehension = [x**2 for x in range(10)]
list_generator = (x**2 for x in range(10))
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()判斷一個對象是否是可Iterable對象
from collections import Iterable
list_comprehension = [x**2 for x in range(10)]
list_generator = (x**2 for x in range(10))
print(isinstance(list_comprehension , Iterable))
print(isinstance(list_generator , Iterable))
True
True
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。
try:
for i in list_generator:
print(i)
except StopIteration:
pass
0
1
4
9
16
25
36
49
64
81
迭代器Iterator
迭代器是什麼
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。
list_comprehension = [x**2 for x in range(10)]
list_generator = (x**2 for x in range(10))
print(isinstance(list_comprehension, Iterable)) # True
print(isinstance(list_comprehension, Iterator)) # False
print(isinstance(list_generator, Iterable)) # True
print(isinstance(list_generator, Iterator)) # True
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）。
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。list、dict、str等數據類型在定義的時候已經分配了內存，而Iterator是在調用next()時臨時分配的。
! 需要注意的是文件既是可迭代對象，又是迭代器。
from collections import Iterator
from collections import Iterable
f = open('housing.csv')
print(isinstance(f,Iterator)) # True
print(isinstance(f,Iterable)) # True
Python3的for循環本質上就是通過不斷調用next()函數實現的，例如：
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
總結：
- 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。