迭代器和生成器

1、列表生成式

列表生成式即List Comprehensions，是Python內置的非常簡單卻強大的可以用來創建list的生成式。
舉個例子，要生成list [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]可以用list(range(1, 11))：

成都創新互聯公司是一家集網站建設,萬全企業網站建設,萬全品牌網站建設,網站定制,萬全網站建設報價,網絡營銷,網絡優化,萬全網站推廣為一體的創新建站企業，幫助傳統企業提升企業形象加強企業競爭力?？沙浞譂M足這一群體相比中小企業更為豐富、高端、多元的互聯網需求。同時我們時刻保持專業、時尚、前沿，時刻以成就客戶成長自我，堅持不斷學習、思考、沉淀、凈化自己，讓我們為更多的企業打造出實用型網站。

>>> list(range(1, 11))
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

但如果要生成[1x1, 2x2, 3x3, ..., 10x10]怎么做？方法一是循環：

>>> L = []`
>>> for x in range(1, 11):
...    L.append(x * x)
...
>>> L
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

但是循環太繁瑣，而列表生成式則可以用一行語句代替循環生成上面的list：

>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

寫列表生成式時，把要生成的元素x * x放到前面，后面跟for循環，就可以把list創建出來，十分有用，多寫幾次，很快就可以熟悉這種語法。

for循環后面還可以加上if判斷，這樣我們就可以篩選出僅偶數的平方：

>>> [x * x for x in range(1, 11) if x % 2 == 0]
[4, 16, 36, 64, 100]

小結:
運用列表生成式，可以快速生成list，可以通過一個list推導出另一個list，而代碼卻十分簡潔。

2、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，不僅占用很大的存儲空間，如果我們僅僅需要訪問前面幾個元素，那后面絕大多數元素占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后續的元素呢？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，稱為生成器：generator。

要創建一個generator，有很多種方法。第一種方法很簡單，只要把一個列表生成式的[]改成()，就創建了一個generator：

>> L = [x * x for x in range(10)]
>> L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>> g = (x * x for x in range(10))
>> g
<generator object <genexpr> at 0x1022ef630>

創建L和g的區別僅在于最外層的[]和()，L是一個list，而g是一個generator。

我們可以直接打印出list的每一個元素，但我們怎么打印出generator的每一個元素呢？

如果要一個一個打印出來，可以通過next()函數獲得generator的下一個返回值：

>> next(g)
0
>> next(g)
1
>> next(g)
4
>> next(g)
9
>> next(g)
16
>> next(g)
25
>> next(g)
36
>> next(g)
49
>> next(g)
64
>> next(g)
81
>> next(g)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration

從前面我們知道一個概念：generator保存的是算法，每次調用next(g)，就計算出g的下一個元素的值，直到計算到最后一個元素，沒有更多的元素時，拋出StopIteration的錯誤。

當然，上面這種不斷調用next(g)實在是太變態了，正確的方法是使用for循環，因為generator也是可迭代對象：

>> g = (x * x for x in range(10))
>> for n in g:
...     print(n)
... 
0
1
4
9
16
25
36
49
64
81

所以，我們創建了一個generator后，基本上永遠不會調用next()，而是通過for循環來迭代它，并且不需要關心StopIteration的錯誤。

generator非常強大。如果推算的算法比較復雜，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，著名的斐波拉契數列（Fibonacci），除第一個和第二個數外，任意一個數都可由前兩個數相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, ...

斐波拉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：

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        print(b)
        a, b = b, a + b
        n = n + 1
    return 'done'

注意，賦值語句：
    a, b = b, a + b
相當于：
    t = (b, a + b) # t是一個tuple
    a = t[0]
    b = t[1]

但不必顯式寫出臨時變量t就可以賦值。

上面的函數可以輸出斐波那契數列的前N個數：
>>> fib(10)
1
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，推算出后續任意的元素，這種邏輯其實非常類似generator。

也就是說，上面的函數和generator僅一步之遙。要把fib函數變成generator，只需要把print(b)改為yield b就可以了：

這就是定義generator的另一種方法。如果一個函數定義中包含yield關鍵字，那么這個函數就不再是一個普通函數，而是一個generator：

def fib(max):
    n,a,b = 0,0,1
    while n < max:
        #print(b)
        yield  b
        a,b = b,a+b
        n += 1
    return "done"

print(fib(6))
f = fib(6)
print(f.__next__())
print(f.__next__())
print(f.__next__())

執行結果：
D:\Python18\venv\Scripts\python.exe D:/Python18/day04/斐波那契數列.py

1
1
2

斷點分析：
（1）定義fib函數，傳入參數為max；
（2）將fib(6)傳入6作為參數生成一個生成器并賦值給f，可以通過print(fib(6))查看生成器的內存地址；
（3）print(f.__next__()取出生成器的第一個值，此時會直接調用fib函數處理；
（4）初始值n=0、a=0、b=1，判斷n<6執行yield b保存了函數的中斷狀態，并返回了b的值。此時print(f.__next__()執行的結果為1；
（5）再執行print(f.__next__()取第二個值，此時會跳回yield b，返回函數中斷時保存的狀態，然后執行a,b = b,a+b，此時a=b，即a=1;b=a+b,即b=1。
（6）執行n += 1，n的值加1，然后回到while循環判斷；
（7）判斷1 < 6，繼續執行yield b。繼續保存函數中斷狀態，并返回b的值。此時返回print(f.__next__()的執行結果為1；
（8）同理，再執行第三個print(f.__next__()取出第三個值，執行結果為2。從而最后的直接結果打印為：
1
1
2

這里，最難理解的就是generator和函數的執行流程不一樣。函數是順序執行，遇到return語句或者最后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，再次執行時從上次返回的yield語句處繼續執行。

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后，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:
        #print(b)
        yield  b
        a,b = b,a+b
        n += 1
    return "done"

for n in fib(6):
    print(n)

執行結果：
1
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:
        #print(b)
        yield  b
        a,b = b,a+b
        n += 1
    return "done"
f = fib(6)
while True:
   try:
       x = next(f)
       print(x)
   except StopIteration as e:
       print('Generator return value:', e.value)
       break

執行結果：
f: 1
f: 1
f: 2
f: 3
f: 5
f: 8
Generator return value: done

還可通過yield實現在單線程的情況下實現并發運算的效果：以下的執行相當于在串行的過程中實現了并發的效果，也成為協程。

#!/usr/bin/python
# _*_ coding:utf-8 _*_
# Aothr: Kim

import time
def consumer(name):
    print("%s 準備吃包子啦!" %name)
    while True:
       baozi = yield
       print("包子[%s]來了,被[%s]吃了!" %(baozi,name))

def producer(name):
    c = consumer('A')    #生成一個c的生成器
    c2 = consumer('B')   #生成一個c2的生成器
    c.__next__()        #執行producer()時，會直接調用到consumer，然后打印A 準備吃包子啦!到了yield直接中斷
    c2.__next__()       #同上，打印B 準備吃包子啦!
    print("老子開始準備做包子啦!")
    for i in range(3):    #循環0~2的序列
        time.sleep(1)
        print("做了2個包子!")
        c.send(i)   
        #此時使用send將i的值發送給yield，繼續執行 print("包子[%s]來了,被[%s]吃了!" %(baozi,name))，執行結果為：包子[0]來了,被[A]吃了!while True死循環又到了yield，中斷函數。執行下一步。
        c2.send(i)   #同上，執行結果為：包子[0]來了,被[B]吃了!至此i=0執行完畢，繼續下一個i=1的循環。

producer("alex")

執行結果：
A 準備吃包子啦!
B 準備吃包子啦!
老子開始準備做包子啦!
做了2個包子!
包子[0]來了,被[A]吃了!
包子[0]來了,被[B]吃了!
做了2個包子!
包子[1]來了,被[A]吃了!
包子[1]來了,被[B]吃了!
做了2個包子!
包子[2]來了,被[A]吃了!
包子[2]來了,被[B]吃了!

3、迭代器

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。

這些可以直接作用于for循環的對象統稱為可迭代對象：Iterable。

可以使用isinstance()判斷一個對象是否是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于for循環，還可以被next()函數不斷調用并返回下一個值，直到最后拋出StopIteration錯誤表示無法繼續返回下一個值了。

可以被next()函數調用并不斷返回下一個值的對象稱為迭代器：Iterator。

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，卻不是Iterator。

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，為什么list、dict、str等數據類型不是Iterator？

這是因為Python的Iterator對象表示的是一個數據流，Iterator對象可以被next()函數調用并不斷返回下一個數據，直到沒有數據時拋出StopIteration錯誤?？梢园堰@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才會計算。

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。

小結
凡是可作用于for循環的對象都是Iterable類型；

凡是可作用于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。

Python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 range(5):
    print(x)

實際上完全等價于：

# 首先獲得Iterator對象:
it = iter([0,1, 2, 3, 4])
# 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