Python_011(生成器)

一.生成器

def func():
    print("111")
    return 222
ret = func()
print(ret)
#结果
111
222

1)这里面函数体里是返回值return;如果将return换成yield就是生成器

def func():
    print("111")
    yield 222
ret = func()
print(ret)
#输出结果
<generator object func at 0x000001FDDCE5EEB8>

如果函数中包含了yield,那这个函数就是生成器了

所以:a;return直接返回结果,结束函数的调用

　　　b:返回结果,可以让函数分段执行

关于生成器的的小坑;

def func():
    i = 1
    while i < 1000000:
        yield "%s" % i
        i += 1
print(func().__next__())#不是同一个生成器,开辟了一个新空间
print(func().__next__())#相当于一个新的生成器从第一步执行,相当于格式化了func()中的所有东西
print(func().__next__())
#1,1,1
为什么会不变呢,因为执行每一次print,都相当于重新拿了一个生成器,
然后从头开始找第一个yield;

生成器是不能进行赋值运算的;所以正确格式:上下两个程序少了一个func = func()

def func():
    i = 1
    while i < 1000000:
        yield "%s" % i
        i += 1
 6 func = func()
print(func.__next__())#不是同一个生成器
print(func.__next__())#相当于一个新的生成器从第一步执行
print(func.__next__())
#输出结果:
1,2,3

2)生成器的作用

#代码一
def cloth1():
    lst = []
    for i in range(10000):
        lst.append(i)
    return lst
c1 = cloth1()
#代码二
def cloth():
    for i in range(100000):
        yield '衣服' + str(i+1)
c = cloth()
for i in range(10):
    print(c.__next__())

这两段代码差别之处,就是代码一一下子就提取了10000个数,太耗内存;

代码二:是可以控制的,我要几个,你给我几个;惰性机制;

二.send和.next()的区别

1.还是上面的程序,你用._next_()的话,会直接一次性全拿出来值,会很占用内存,生成器的话,是可控的,一个一个

指下去,不会回去,下一次继续获取指针指向的值;

这里面send是怎么运行的,第一行._next_()是运行到红色范围的yield,然后print(g.send(1))是函数func

从a开始执行到下一个yield "22",然后把send的里面的1赋值给a;

代码展示:

def func():
    print("大碴粥")
    a = yield "11"
    print(a)
    print("狗不理")
    b = yield "22"
    print(b)
    print("大麻花")
    c = yield "33"

g = func()
print(g.__next__())
print(g.send(1))
print(g.__next__())
#输出结果
大碴粥
11
1　　　　　　　　　　　　#这是send里面的1赋值给了a
狗不理
22
None　　　　　　　　　　 #因为b是._next_()执行的,没用进行赋值,所以为None
大麻花
33

注意:第一个不能用send(),最后一个也不要传值;

三.列表推导式,生成器表达式以及其他推导式

1.列表推导式

平常代码:

lst = []
for i in range(1,16):
    lst.append(i)
print(lst)
#输出结果
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]

替换成列表推导式

lst = [i for i in range(1,16)]
print(lst)
#输出结果
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]

这里的lst直接相当于append进行的添加;

lst = ["python%d" % i for i in range(1,16)]
print(lst)
#输出结果
['python1', 'python2', 'python3', 'python4', 'python5', 'python6', 'python7', 'python8', 'python9', 'python10', 'python11', 'python12', 'python13', 'python14', 'python15']

判断列表中的有两个e的元素
names = [['Tom', 'Billy', 'Jefferson' , 'Andrew' , 'Wesley' , 'Steven' ,
'Joe'],['Alice', 'Jill' , 'Ana', 'Wendy', 'Jennifer', 'Sherry' , 'Eva']]
lst = [name for index in names for name in index if name.count("e") == 2]
print(lst)
#输出结果
['Jefferson', 'Wesley', 'Steven', 'Jennifer']

2.生成器推导式

a:生成器表达式和列表推导式基本一致,只是把[]替换成了()

gen = (i for i in range(10))

print(gen) #输出结果得到的是一串地址,你要用._next_()才能一步一步执行生成器;

生成器表达式和列表推导式两者的区别就是前者是惰性机制,要一个给一个,后者是一次性生成,比较耗内存;

b:生成器的惰性机制

上代码:

 *************深坑请留意*************

def func():
    print(111)
    yield 222
g = func()                     #生成器g
g1 = (i for i in g)            #生成器g1,for循环只是让g变成了一个迭代器,而没有向它取值
g2 = (i for i in g1)        　　#生成器g2,跟g1相似,没有东西让他取值,就不运行
print(list(g))                 #list内部有一个append,我跟你生成器要值了,你会运行你的函数
print(list(g1))                #而._next_()只是生成器要值后执行的语句,
print(list(g2))
#输出结果
  111
[222]
[]
[]    

这里面第一个print里面的list(g)相当于list.append()向g要值了,g才会去调用函数,就是你第四行的代码该运行

运行,但是就是不调用我的函数,你就只调用我的变量g,而不执行g;

而当运行第二个print里面的list(g1)时,执行g1=(i for i in g)时,g._next_()已经运行到最后一个yield了,

所以g1再迭代g,已经取不到值了.所以为空列表;

c:字典的生成器格式

ls1 = [1,2,3,4,5] ls2 = [5,6,7,8,9]

dic = {ls1[i]:ls2[i] for i in range(len(ls1))}

d:总结 推导式有:列表推导式,字典推导式,集合推导式,没有元组推导式

面试题:

def add(a,b):
    return a+b
def test():
    for i in range(4):
        yield i
g = test()
for n in [2,10]:
    g = (add(n,i) for i in g)
'''
执行效果
n = 2
g = (add(n,i) for i in test())
n = 10
g = (add(n,i) for i in ((add(n,i) for i in test()))
这里一直没有取值操作,所以不会执行test()函数,而取n值的时候,是最后一步
才取的n值,你要带入了,我给你值,否则你就一直用我的变量带入吧;
'''
print(list(g))
#输出结果
[20, 21, 22, 23]