Python生成器/生成器函数/推导式/
Python生成器/生成器函数/推导式/
1. 生成器 生成器的本质就是迭代器
在python中有三种⽅方式来获取⽣生成器:
1. 通过生成器函数 2. 通过各种推导式来实现⽣成器 3. 通过数据的转换也可以获取生成器
生成器的特点和迭代器一样.取值方式和迭代器一样(__next__(), send(): 给上一个yield传值). 生成器一般由生成器函数或者生成器表达式来创建 其实就是手写的迭代器
2. 生成器函数 和普通函数没有区别. 里面有yield的函数就是生成器函数. 生成器函数在执行的时候. 默认不会执行函数体. 返回生成器 通过生成器的__next__()分段执行这个函数. send() 给上一个yield传值, 不能再开头(没有上一个yield), 最后一个yield也不可以用send()
⾸先, 我们先看一个很简单的函数:
def func():
print("111")
return 222
ret = func()
print(ret)
结果: 111 222将函数中的return换成yield就是生成器
def func():
print("111")
yield 222
ret = func()
print(ret)
结果:
<generator object func at 0x10567ff68>运⾏的结果和上⾯不一样. 为什么呢. 由于函数中存在了yield. 那么这个函数就是⼀个生成器 函数. 这个时候. 我们再执行这个函数的时候. 就不再是函数的执行了. ⽽是获取这个生成器. 如何使用呢? 想迭代器. 生成器的本质是迭代器. 所以. 我们可以直接执⾏__next__()来执行
以下生成器:
def func():
print("111")
yield 222
gener = func() # 这个时候函数不会执行. ⽽是获取到生成器
ret = gener.__next__() # 这个时候函数才会执行. yield的作用和return一样. 也是返回数据
print(ret)
结果:
111
222那么我们可以看到, yield和return的效果是一样的. 有什么区别呢? yield是分段来执⾏行一个函数. return呢? 直接停止执⾏函数.
def func():
print("111")
yield 222
print("333")
yield 444
gener = func()
ret = gener.__next__()
print(ret)
ret2 = gener.__next__()
print(ret2)
ret3 = gener.__next__() # 最后⼀个yield执⾏完毕. 再次__next__()程序报错, 也就是说. 和return⽆关了.
print(ret3)
结果:
111
Traceback (most recent call last): 222
333
File "/Users/sylar/PycharmProjects/oldboy/iterator.py", line 55, in
<module>
444
ret3 = gener.__next__() # 最后一个yield执行完毕. 再次__next__()程序报错, 也就是说. 和return⽆关了.
StopIteration当程序运⾏完最后一个yield. 那么后⾯继续进行__next__()程序会报错.
我们来看send⽅方法, send和__next__()⼀一样都可以让⽣生成器执⾏行行到下⼀一个yield.
def eat():
print("我喜欢玩王者荣耀的:")
a = yield "鲁班"
print("a=",a)
b = yield "程咬金"
print("b=",b)
c = yield "安琪拉"
print("c=",c)
yield "GAME OVER"
gen = eat() # 获取⽣成器
ret1 = gen.__next__()
print(ret1)
ret2 = gen.send("大乔")
print(ret2)
ret3 = gen.send("后裔)
print(ret3)
ret4 = gen.send("马克")
print(ret4)send和__next__()区别:
1. send和next()都是让⽣成器向下走一次 2. send可以给上一个yield的位置传递值,不能给最后一个yield发送值.在第一次执⾏⽣成器代码的时候不能使用send()
⽣成器可以使⽤for循环来循环获取内部的元素:
def func():
print(111)
yield 222
print(333)
yield 444
print(555)
yield 666
gen = func()
for i in gen:
print(i)
结果: 111 222 333 444 555 6663. 推导式 1. 列表推导式 [结果 for循环 条件筛选]\
首先我们先看一下这样的代码, 给出一个列列表, 通过循环, 向列表中添加1-14 :
lst = []
for i in range(1, 15):
lst.append(i)
print(lst)替换成列列表推导式:
lst = [i for i in range(1, 15)]
print(lst)列表推导式是通过⼀行来构建你要的列表, 列表推导式看起来代码简单. 但是出现错误之后很难排查.
筛选模式: [ 结果 for 变量量 in 可迭代对象 if 条件 ]
# 获取1-100内所有的偶数
lst = [i for i in range(1, 100) if i % 2 == 0]
print(lst)⽣成器表达式和列表推导式的语法基本上是一样的. 只是把[]替换成()
gen = (i for i in range(10))
print(gen)
结果:
<generator object <genexpr> at 0x106768f10>⽣成器表达式也可以进行筛选:
# 获取1-100内能被3整除的数
gen = (i for i in range(1,100) if i % 3 == 0)
for num in gen:
print(num)2. 字典推导式 {k:v for循环 条件筛选}
# [11,22,33,44] => {0:11,1:22,2:33,3:44}
lst = [11,22,33,44]
dic = {i:lst[i] for i in range(len(lst)) if i < 2}
print(dic)
# 语法:{k:v for循环 条件筛选}3. 集合推导式 {k for循环 条件}
# 集合推到式
lst = [1,1,4,6,7,7,4,2,2]
s = {el for el in lst}
print(s)
s = set(lst)
print(s)4. 生成器表达式
⽣成器表达式和列表推导式的区别:
1. 列表推导式比较耗内存.一次性加载.生成器表达式几乎不占⽤内存.使⽤的时候才分配和使⽤内存
2. 得到的值不⼀样.列表推导式得到的是一个列列表.⽣成器表达式获取的是一个生成器.
(结果 for循环 条件) 特点: 1. 惰性机制 2. 只能向前 3. 节省内存