5.迭代器和生成器
5.迭代器和生成器
zhang_derek
发布于 2018-05-30 14:14:34
发布于 2018-05-30 14:14:34
1.1.概念
迭代器协议
- 迭代器协议：对象需要提供next方法，它要么返回迭代中的下一项，要么引起一个StopIteration异常，以终止迭代
- 可迭代对象：实现了迭代器协议的对象
迭代器
- 迭代器是访问集合内元素的一种方式，一般用来遍历数据
- 迭代器和以下标的访问方式不一样，迭代器是不能返回的（比如下标方式 list[2],之后可以访问list[0],list[1]，而迭代器不能返回，只能__next__），迭代器提供了一种惰性方式获取数据（就是只有在访问数据的时候才去计算或者说才去获取数据）
生成器
- python使用生成器对延迟操作提供了支持，所谓延迟操作，是指在需要的时候才产生结果，而不是立即产生结果。这也是生成器的主要好处
生成器函数
- 与常规函数不同的是：使用yield语句而不是return语句返回结果。yield语句一次返回一个结果，在每个结果中间，挂起函数，下次执行的时候，从上一次挂起地方开始。
生成器表达式
- 返回的是一个生成器对象，这个对象只有在需要的时候才产生结果
1.2. 迭代器必须实现iter()方法
Python中 list，truple，str，dict这些都可以被迭代，但他们并不是迭代器。为什么？
因为和迭代器相比有一个很大的不同，list/truple/map/dict这些数据的大小是确定的，也就是说有多少事可知的。但迭代器不是，迭代器不知道要执行多少次，所以可以理解为不知道有多少个元素，每调用一次next()，就会往下走一步，是惰性的。
- Iterable：判断是不是可以迭代
- Iterator：判断是不是迭代器
from collections.abc import Iterable,Iterator
a = [1,2,]
print(isinstance(a,Iterable)) #True list是可迭代的
print(isinstance(a,Iterator)) #False list不是迭代器 通过iter()方法，获取iterator对象
from collections.abc import Iterable,Iterator
a = [1,2,]
iter_rator = iter(a)
print(isinstance(a,Iterable)) #True 可迭代的
print(isinstance(iter_rator,Iterator)) # True 迭代器
print(isinstance((x for x in range(10)),Iterator)) #True
# 总结
# 凡是可以for循环的，都是Iterable
# 凡是可以next()的，都是Iterator
# list，truple，dict，str，都是Itrable不是Iterator，但可以通过iter()函数获得一个Iterator对象class Iterable(metaclass=ABCMeta):
__slots__ = ()
@abstractmethod
def __iter__(self):
while False:
yield None
@classmethod
def __subclasshook__(cls, C):
if cls is Iterable:
return _check_methods(C, "__iter__")
return NotImplemented1.3.自定义迭代器
通过自定义一个迭代器，进一步说明什么是迭代器，什么是可迭代对象
from collections.abc import Iterator
class Company(object):
def __init__(self, employee_list):
self.employee = employee_list
def __iter__(self):
return MyIterator(self.employee)
#自定义迭代器
class MyIterator(Iterator): #如果不继承Iterator，则必须实现__iter__方法
def __init__(self, employee_list):
self.iter_list = employee_list
self.index = 0 #初始化索引位置
def __next__(self):
#真正返回迭代值的逻辑
try:
word = self.iter_list[self.index]
except IndexError:
raise StopIteration
self.index += 1
return word
if __name__ == "__main__":
company = Company(["derek1", "derek2", "derek3"])
my_itor = iter(company)
print(next(my_itor)) #derek1
print(next(my_itor)) #derek2
print(next(my_itor)) #derek3
for item in company:
print (item) #derek1 derek2 derek31.4.生成器函数的使用
（1）生成器函数和普通函数的区别
#函数里只要有yield关键字，就是生成器函数
def gen_func():
yield 1
def func():
return 1
if __name__ == '__main__':
gen = gen_func()
print(type(gen)) #<class 'generator'> 返回的是一个生成器对象
res = func()
print(type(res)) #<class 'int'> 返回1
pass（2）取出生成器里面的值
#函数里只要有yield关键字，就是生成器函数
def gen_func():
yield 1
yield 2
yield 3
if __name__ == '__main__':
gen = gen_func()
print(type(gen)) #<class 'generator'> 返回的是一个生成器对象
for value in gen:
print(value) # 1,2,3（3）斐波那契的例子
def fib(index):
re_list = []
n,a,b = 0,0,1
while n < index:
re_list.append(b)
a,b = b, a+b
n += 1
return re_list
print(fib(10)) #[1, 1, 2, 3, 5, 8, 13, 21, 34, 55]假如当数据量非常大的时候，这样全部打印会消耗非常大的内存，下面使用yield，虽然同样是获取数据，但是它实际上是不消耗内存的
def gen_fib(index):
n,a,b = 0,0,1
while n < index:
yield b
a,b = b, a+b
n += 1
for data in gen_fib(10):
print(data) # 1, 1, 2, 3, 5, 8, 13, 21, 34, 55本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2018-05-18 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录