Python入门：生成器&迭代器

一、列表生成式

现在有个需求，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，怎么实现？你可能会想到2种方式

二逼青年版

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

b = []

for i in a:b.append(i+1)

print(b)

普通青年版

for index, i in enumerate(a):

a[index] +=1

print(a)

文艺青年版

a = map(lambda x:x+1, a)

for i in a:print(i)

装逼青年版

a = [i+1 for i in range(10)]

print(a)

这样的写法就叫做：列表生成式

二、生成器

通过列表生成式，可以直接创建一个列表，但是，受到内存限制，列表容量是有限的，而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数占用的空间都白白浪费了。

所以，如果列表元素可以按照某种算法推算出来，那我们是否可以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，这种一边循环一边技术的机制，称为生成器：generator。

要创建一个generator，有很多种方法。

第一种方法：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)]

print(L)

g = (x * x for x in range(10))

print(g)

创建L和g的区别仅在最外层的[] 和（），L是一个list，而g是一个generator

我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？

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：

>>> 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

generator保存的是算法，每次调用next(g)就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。

使用for循环输出：

g = (x * x for x in range(10))

for n in g:

print(n)

输出：

0

1

4

9

16

25

36

49

64

81

我们创建了一个generator后，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。

generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。

比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, …

斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

def fib(max):

n, a, b = 0, 0, 1

while n < max:

print(b)

a, b = b, a+b

n = n + 1

return 'done'

fib(10)

输出：

1

1

2

3

5

8

13

21

34

55

仔细观察，可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。

也就是说，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

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'

这就是定义generator的另一种方法。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：

f=fib(10)

print(f)

输出：

<generator object fib at 0x0000000002536F68>

这里，最难理解的就是generator和函数的执行流程不一样。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。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次被next()调用时从上次返回的yield语句处继续执行。

data = fib(10)

print(data)

print(data.__next__())

print(data.__next__())

print('干点别的事情')

print(data.__next__())

print(data.__next__())

print(data.__next__())

print(data.__next__())

输出：

<generator object fib at 0x0000000002556FC0>

1

1

干点别的事情

2

3

5

8

上面fib的例子，我们在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：

for n in fib(10):

print(n)

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(10)

while True:

try:

x = next(g)

print('g:', x)

except StopIteration as e:

print('Generator return value:', e.value)

break

输出：

g: 1

g: 1

g: 2

g: 3

g: 5

g: 8

g: 13

g: 21

g: 34

g: 55

Generator return value: done

还可通过yield实现在单线程的情况下实现并发运算的效果

import time

__author__ = 'mike'

def consumer(name):

print('%s 准备吃包子啦!' % name)

while True:

baozi = yield

print('包子[%s]来了,被[%s]吃了！' %(baozi,name))

def producer(name):

c = consumer('A')

c2 = consumer('B')

c.__next__()

c2.__next__()

print('开始准备做包子啦!')

for i in range(10):

time.sleep(1)

print("做了2个包子!")

c.send(i)

c2.send(i)

producer("mike")

三、迭代器

我们已经知道，可以直接作用于for循环的数据类型有以下几种：

一类是集合数据类型：list、tuple、dict、set、str；

一类是：generator，包括生成器和带yield的generator function。

这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。

可以使用isinstance()判断一个对象是否是Iterable对象：

from collections import Iterable

print(isinstance([], Iterable))

print(isinstance({}, Iterable))

print(isinstance('abc', Iterable) )

print(isinstance((x for x in range(10)), Iterable))

而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了。

*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：

print(isinstance([], Iterator))

print(isinstance({}, Iterator))

print(isinstance('abc', Iterator) )

print(isinstance((x for x in range(10)), Iterator))

输出：

False

False

False

True

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：

print(isinstance(iter([]), Iterator))

print(isinstance(iter({}), Iterator))

输出;

True

True

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。

以上就是“Python入门：生成器&迭代器”的全部内容，希望对你有所帮助。
​
​关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、Python练习题

检查学习结果。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

最后祝大家天天进步！！

上面这份完整版的Python全套学习资料已经上传至CSDN官方，朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。