一、列表生成式
现在有个需求，看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],要求你把列表里的每个值加1
a = [i+1 for i in range(10)]
print(a)
输出：
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
这样的写法就叫做列表生成式。
二、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：
g = (i+1 for i in range(10)) # 创建了一个generator
相当于generator保存了一种算法，当你需要时才给你生成数据，你不需要，它就停在那里，这与列表相比，比较节省内存空间。
generator只能前进，不能往后退，当生成完了之后就不再生产。
可以通过next()函数获得生成器的下一个值，若生产完了就会报错。
可以用for循环或while循环来迭代generator：
g = (i+1 for i in range(3)) # 创建了一个generator
for n in g:
print(n)
输出：
1
2
3
使用for循环，当生成完之后不会报错。
在python3中，range()就是一个生成器，执行语句：print(range(3)) ，结果是：range(0,3)
在python2中，执行语句：print(range(3)) ，结果是：0,1,2 ，相当于range()是一个列表
在python2中，执行语句：print(xrange(3)) ，结果是：range(0,3)，与python3一样，是一个生成器
斐波拉契数列
斐波那契数列指的是这样一个数列 0， 1， 1， 2， 3， 5， 8， 13， 21， 34， 55， 89,..........
第0项是0，第1项是第一个1。这个数列从第2项开始，每一项都等于前两项之和。
有如下代码：
def fib(max):
n, a, b = 0, 0, 1 # n：循环次数，a：第一个数，b：第二个数
while n <= max:
print(b)
a, b = b, a+b
n += 1
return
fib(4)
输出：
1
1
2
3
5
程序将会输出所有计算结果。
使用生成器：
def fib(max):
n, a, b = 0, 0, 1 # n：循环次数，a：第一个数，b：第二个数
while n <= max:
yield b # 把函数的执行结果冻结在这一步，并且把b的值返回给外面的next(f)
a, b = b, a+b
n += 1
f = fib(4)
print(next(f)) # 调用才会生成
print(next(f))
输出：
1
1
这便是定义generator的另一种方法：如果函数定义中包含了yield关键字，那么这个函数就不再是一个普通的函数，而是一个生成器。
函数与生成器的区别：
它们的执行流程不同，函数是顺序执行，遇到return或者函数最后一行语句时结束；生成器是在每次调用next()的时候执行，遇到yield语句返回，再次next()调用时，从上次返回的yield语句处继续执行。
return的作用：返回并终止函数
yield的作用：返回并冻结当前的执行过程，（即停留在这一步）
next()的作用：唤醒冻结的执行过程，继续执行，直到遇到下一个yield
send()的作用：唤醒冻结的执行过程，继续执行，并发送一个消息到生成器内部
注意：在生成器中使用return，程序会报错。
def func(n):
count = 0
while count < n:
print(count)
count += 1
sign = yield count
if sign == "stop": # 当收到“stop”时停止生产
print("sign:", sign)
break
else:
print("continue:", sign)
res = func(5)
print(next(res))
res.send("start")
res.send("stop")
输出：
0
1
continue: start
1
sign: stop
三、迭代器
可以直接作用于for循环的对象统称为可迭代对象：Iterable
包括以下几种数据类型：
一类是集合数据类型，如list、tuple、dict、set、str等；
一类是generator，包括生成器和带yield的generator function。
可以使用isinstance()判断一个对象是否是Iterable对象：
from collections import Iterable
print(isinstance([], Iterable)) # 判断列表是否是可迭代对象
print(isinstance({}, Iterable)) # 判断字典是否是可迭代对象
print(isinstance("asdfg", Iterable)) # 判断字符串是否是可迭代对象
print(isinstance((x for x in range(10)), Iterable)) # 判断生成器是否是可迭代对象
print(isinstance(100, Iterable)) # 判断数字是否是可迭代对象
输出：
True
True
True
True
False
可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。
可以使用isinstance()判断一个对象是否是Iterator对象：
from collections import Iterator
print(isinstance([], Iterator)) # 判断列表是否是迭代器
print(isinstance({}, Iterator)) # 判断字典是否是迭代器
print(isinstance("asdfg", Iterator)) # 判断字符串是否是迭代器
print(isinstance((x for x in range(10)), Iterator)) # 判断生成器是否是迭代器代对象
print(isinstance(100, Iterator)) # 判断数字是否是迭代器
输出：
False
False
False
True
False
生成器都是Iterator对象，但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：
from collections import Iterator
print(isinstance(iter([]), Iterator)) # 将列表变为迭代器
输出：
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。
Python3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]:
print(x)
实际上完全等价于：
it = iter([1, 2, 3, 4, 5]) # 获得一个Iterator对象
while True: # 循环
try:
x = next(it) # 获得下一个值
print(x)
except StopIteration:
break # 遇到StopIteration就退出循环