Python3学习笔记15-迭代器与生成器

生成器

如果创建一个有很多元素的列表，但是只需要访问前几个元素，后面的元素占着的空间就白白浪费了

在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。

在Python中，这种一边循环一边计算的机制，称为生成器：generator。

要创建一个generator，有很多种方法

第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator：

L = [x * x for x in range(10)]
g = (x * x for x in range(10))
print(L)#
print(g)

可以直接打印出list的每一个元素，但怎么打印出generator的每一个元素

print(next(g))
print(next(g))

如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值：

generator保存的是算法，比如我要知道计算第四次的值，next要调用四次，这太麻烦了

for n in g:
    print(n)

如果要计算很多次，不断调用next实在是太变态了，正确的方法是使用for循环，generator也是可迭代对象，

如果某些算法用列表生成式的for循环无法实现，还可以用函数，比如著名的斐波拉契数列（Fibonacci）

def fib(max):
    n,a ,b = 0,0,1#n是用来控制迭代的次数
    while n < max:
        yield b
        a,b = b,a+b
        n = n+1
    return 'done'

如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator：

函数是顺序执行，遇到return语句或者最后一行函数语句就返回

在调用生成器运行的过程中，每次遇到 yield 时函数会暂停并保存当前所有的运行信息，

返回 yield 的值, 并在下一次执行 next() 方法时从当前位置继续运行

def add():
    print('step 1')
    yield 1
    print('step 2')
    yield (3)
    print('step 3')
    yield (5)

在调用该generator时，首先要生成一个generator对象，然后用next()函数不断获得下一个返回值：

o = add()
print(next(o))
print(next(o))
print(next(o))

通过next调用时，遇到yield就停下了，再次调用在中断的地方继续往下执行

for n in add():
    print(n)

同样的，把函数改成generator后，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

要实验for需要把上面三次调用的代码删除，因为三次调用已经把函数全部执行完了，不会再去执行了。

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

generator的工作原理，它是在for循环的过程中不断计算出下一个元素，并在适当的条件结束for循环。对于函数改成的generator来说，遇到return语句或者执行到函数体最后一行语句，就是结束generator的指令，for循环随之结束

注意区分普通函数和generator函数，普通函数调用直接返回结果

generator函数的“调用”实际返回一个generator对象

迭代器

凡是可作用于for循环的对象都是Iterable类型；比如list，tuple，dict，set，str，generator等

判断是否为Iterable类型

from collections import Iterable

print(isinstance([], Iterable))

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；

#直到最后抛出StopIteration错误表示无法继续返回下一个值了。

可以使用isinstance()判断一个对象是否是Iterator对象，生成器都是Iterator对象

from collections import Iterator
print(isinstance((x for x in range(10)), Iterator))

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。

isinstance(iter([]), Iterator)
isinstance(iter('abc'), Iterator)
list=[1,2,3,4]
it = iter(list)
print(next(it))
print(next(it))
#迭代器也可以用常规for语句进行遍历
for x in it:
    print('当前计算：',x)#上面调用了两次，所以这边会接着上一次继续下去，只会打印两句，如果上面只
    #调用一次，这里会调用三次

小结

        凡是可作用于for循环的对象都是Iterable类型   可迭代对象

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

比较使用list和generator保存斐波拉契数列运算结果的的区别

通过返回 List 能满足复用性的要求，但是当max函数运行占用的内存会随着max的增大而增大

def fab(max):
    n, a, b = 0, 0, 1
    L = []
    while n < max:
        L.append(b)
        a, b = b, a + b
        n = n + 1
    return L
for n in fab(5):
    print(n)

一个带有 yield 的函数就是一个 generator，它和普通函数不同，生成一个 generator 看起来像函数调用，但不会执行任何函数代码，直到对其调用 next()（在 for 循环中会自动调用 next()）才开始执行。虽然执行流程仍按函数的流程执行，但每执行到一个 yield 语句就会中断，并返回一个迭代值，下次执行时从 yield 的下一个语句继续执行。看起来就好像一个函数在正常执行的过程中被 yield 中断了数次，每次中断都会通过 yield 返回当前的迭代值。

yield 的好处是显而易见的，把一个函数改写为一个 generator 就获得了迭代能力，比起用类的实例保存状态来计算下一个 next() 的值，不仅代码简洁，而且执行流程异常清晰。

def fab(max):
    n, a, b = 0, 0, 1
    while n < max:
        yield b  # 使用 yield
        # print b
        a, b = b, a + b
        n = n + 1
for n in fab(5):
    print(n)