首页 > 代码库 > python函数（5）：迭代器和生成器

python函数（5）：迭代器和生成器

2024-11-15 06:49:39   204人阅读

迭代器和生成器是函数中的一大重点，务必掌握，何为迭代？何为迭代器？

预习：

处理文件，用户指定要查找的文件和内容，将文件中包含要查找内容的每一行都输出到屏幕（使用生成器）

 

一、迭代器

for i in 50:
    print(i)
#运行结果：
# Traceback (most recent call last):
#   File "G:/python/python代码/八月/day2 迭代器生成器/3迭代器.py", line 8, in <module>
#     for i in 50:
# TypeError: ‘int‘ object is not iterable

报错：

TypeError: ‘int‘ object is not iterable

类型报错：‘int‘对象是不可迭代的    何为迭代？

iterable：可迭代的；迭代的；

可迭代的：从上面代码可以简单分析出能被for循环取值的就是可迭代，那么我们就可以初步总结出可迭代的类型：str、list、tuple、set、dict

可迭代的 ——对应的标志 拥有__iter__方法

print(‘__iter__‘ in dir([1,2,3]))  #判断一个变量是不是一个可迭代的

可迭代协议

可以被迭代要满足的要求就叫做可迭代协议。可迭代协议的定义非常简单，就是内部实现了__iter__方法。

 

二、迭代器

__iter__方法作用：

技术分享 
l = [1,2,3,4,5]
print(l.__iter__())
l_iterator = iter(l)  #建议用iter(l)
print(set(dir(l_iterator))-set(dir(l)))
#结果：
#<list_iterator object at 0x000001FDD1B79048>
#{‘__length_hint__‘, ‘__next__‘, ‘__setstate__‘}
迭代器

iterator：迭代器；迭代程序

迭代器协议：必须拥有__iter__方法和__next__方法

通过iter(x)得到的结果就是一个迭代器，

x是一个可迭代的对象

在for循环中，就是在内部调用了__next__方法才能取到一个一个的值。

__next__的精髓：

技术分享 
l = [1,2,3,4,5]
l_iterator = iter(l)
print(l_iterator.__next__())
print(l_iterator.__next__())
print(l_iterator.__next__())
print(l_iterator.__next__())
print(l_iterator.__next__())
next(l_iterator) #==l_iterator.__next__()
while True:
    try:
        print(next(l_iterator))
    except StopIteration:
        break
__next__方法的使用精髓

如果我们一直取next取到迭代器里已经没有元素了，就会报错（抛出一个异常StopIteration），告诉我们，列表中已经没有有效的元素了。这个时候，我们就要使用异常处理机制来把这个异常处理掉。try_except异常处理机制只做了解，不是本章重点，会面会详细讲解。

判断是否可迭代和迭代器的简洁方法：

技术分享 
from collections import Iterable
from collections import Iterator
s = ‘abc‘
print(isinstance(s,Iterable))
print(isinstance(s,Iterator))
print(isinstance(iter(s),Iterator))
判断可迭代和迭代器

不管是一个迭代器还是一个可迭代对象，都可以使用for循环遍历

迭代器出现的原因 帮你节省内存

 

三、生成器

迭代器大部分都是在python的内部去使用的，我们直接拿来用就行了

我们自己写的能实现迭代器功能的东西就叫生成器。

1.生成器函数：常规函数定义，但是，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，挂起函数的状态，以便下次重它离开的地方继续执行

2.生成器表达式：类似于列表推导，但是，生成器返回按需产生结果的一个对象，而不是一次构建一个结果列表

生成器Generator：

本质：迭代器(所以自带了__iter__方法和__next__方法，不需要我们去实现)

特点：惰性运算,开发者自定义

技术分享 
#生成器函数
def func():
    print(‘aaaa‘)
    a = 1
    yield a    #返回第一个值
    print(‘bbbb‘)
    yield 12   #返回第二个值

ret = func()  #拿到一个生成器
# print(ret) #<generator object func at 0x0000028AE2DA2EB8>
print(next(ret)) #取第一个值
print(next(ret)) #取第二个值
print(next(ret)) #取第三个值 会报错 因为没有第三个值


def make_cloth():
    for i in range(2000000):
        yield "第%s件衣服"%i

szq = make_cloth()
print(next(szq))
print(next(szq))

print(next(szq))
for i in range(50):
    print(next(szq))
生成器函数

生成器的好处：不会一下子在内存中生成太多数据

其它应用：

技术分享 
import time


def tail(filename):
    f = open(filename)
    f.seek(0, 2) #从文件末尾算起
    while True:
        line = f.readline()  # 读取文件中新的文本行
        if not line:
            time.sleep(0.1)
            continue
        yield line

tail_g = tail(‘tmp‘)
for line in tail_g:
    print(line)
生成器监听文件输入的例子
技术分享 
def averager():
    total = 0.0
    count = 0
    average = None
    while True:
        term = yield average
        total += term
        count += 1
        average = total/count


g_avg = averager()
next(g_avg)
print(g_avg.send(10))
print(g_avg.send(30))
print(g_avg.send(5))
计算移动平均值简单
技术分享 
def init(func):  #在调用被装饰生成器函数的时候首先用next激活生成器
    def inner(*args,**kwargs):
        g = func(*args,**kwargs)
        next(g)
        return g
    return inner

@init
def averager():
    total = 0.0
    count = 0
    average = None
    while True:
        term = yield average
        total += term
        count += 1
        average = total/count


g_avg = averager()
# next(g_avg)   在装饰器中执行了next方法
print(g_avg.send(10))
print(g_avg.send(30))
print(g_avg.send(5))
计算移动平均值升级_生成器激活装饰器
技术分享 
def func():
    # for i in ‘AB‘:
    #     yield i
    yield from ‘AB‘  #等同于上面两行
    yield from [1,2,3]
g = func()
print(next(g))
print(next(g))
print(next(g))
print(next(g))
yield from

 

四、列表推导式和生成器表达式

技术分享 
for i in range(100):
    print(i*i)

l =[i*i for i in range(100)]   #列表推导式
print(l)

l = [{‘name‘:‘v‘,‘age‘:28},{‘name‘:‘v‘}]   
name_list = [dic[‘name‘] for dic in l]    #列表推导式
print(name_list)

l = [{‘name‘:‘v1‘,‘age‘:28},{‘name‘:‘v2‘}]
name_list_generator = (dic[‘name‘] for dic in l)    #生成器表达式
print(name_list_generator)
print(next(name_list_generator))
print(next(name_list_generator))

egg_list=[‘鸡蛋%s‘ %i for i in range(10)]    #列表推导式
print(egg_list)

laomuji = (‘鸡蛋%s‘ %i for i in range(1,11))    #生成器表达式
print(laomuji)
print(next(laomuji))
print(next(laomuji))
列表推导式和生成器表达式

使用生成器的优点：

1、延迟计算，一次返回一个结果。也就是说，它不会一次生成所有的结果，这对于大数据量处理，将会非常有用。

2、提高代码可读性

#列表解析
sum([i for i in range(100000000)])#内存占用大,机器容易卡死
 
#生成器表达式
sum(i for i in range(100000000))#几乎不占内存

总结：

1、把列表解析的[]换成()得到的就是生成器表达式

2、列表解析与生成器表达式都是一种便利的编程方式，只不过生成器表达式更节省内存

3、Python不但使用迭代器协议，让for循环变得更加通用。大部分内置函数，也是使用迭代器协议访问对象的。例如， sum函数是Python的内置函数，该函数使用迭代器协议访问对象，而生成器实现了迭代器协议，所以，我们可以直接这样计算一系列值的和

print(sum([1,2,3]))
print(sum(range(1,4)))
print(sum(x ** 2 for x in range(4)))
print(sum([x ** 2 for x in range(4)]))

 

预习答案和思维导图明天更新...

 

python函数（5）：迭代器和生成器


联系
我们