Python之迭代器和生成器
迭代器
可迭代的数据类型：
list dic str set tuple f=open（）--文件句柄 range enumerate
不可迭代的数据类型：
int bool
什么叫迭代？
结合我们使用for循环取值的现象，再从字面上理解一下，其实迭代就是，可以将某个数据集内的数据“一个挨着一个的取出来”，就叫做迭代。
什么是可迭代协议？
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，只要含有__iter__方法的都是可迭代的。
可以被for循环的都是可迭代的，要想可迭代，内部必须有一个__iter__方法。
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。
print(dir[ ]) #告诉我列表拥有的方法
总结：
迭代器遵循迭代器协议：必须拥有__iter__方法和__next__方法。
可以被for循环的都是可迭代的
可迭代的内部都有__iter__方法
只要是迭代器 一定可迭代
可迭代的.__iter__()方法就可以得到一个迭代器
迭代器中的__next__()方法可以一个一个的获取值
for循环其实就是在使用迭代器
只有是可迭代对象的时候 才能用 for
当我们遇到一个新的变量，不确定能不能for循环的时候，就判断它是否可迭代
迭代器的好处：
从容器类型中一个一个的取值，会把所有的值都取到。
节省内存空间 #迭代器并不会在内存中再占用一大块内存，
而是随着循环 每次生成一个
每次next每次给我一个
生成器
初识生成器：
我们知道的迭代器有两种：一种是调用方法直接返回的，一种是可迭代对象通过执行iter方法得到的，迭代器有的好处是可以节省内存。
如果在某些情况下，我们也需要节省内存,就只能自己写。我们自己写的这个能实现迭代器功能的东西就叫生成器。
Python中提供的生成器：
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。
生成器函数：
一个包含yield关键字的函数就是一个生成器函数。yield可以为我们从函数中返回值，但是yield又不同于return，return的执行意味着程序的结束，调用生成器函数不会得到返回的具体的值，
而是得到一个可迭代的对象。每一次获取这个可迭代对象的值，就能推动函数的执行，获取新的返回值。直到函数执行结束。
生成器好处：
不会一下子在内存中生成太多数据
应用：生成器监听文件输入的例子
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
简单的生成器监听文件例子
def taile(filename) : f = open(filename,encoding='utf-8') while True : line = f.readline() if line.strip() : yield line.strip() g = taile('file') for i in g : print(i)
生成器监听文件实现后可以达到实时查看，一边在文件里输入内容，另一边可以在显示窗口显示出来。
send
send 获取下一个值的效果和next基本一致
只是在获取下一个值的时候，给上一yield的位置传递一个数据
使用send的注意事项：
第一次使用生成器的时候，是用next获取下一个值；
最后一个yield不能接受外部的值
应用：计算移动平均值
def average() : sum = 0 count = 0 avg = 0 while True : num = yield avg sum += num count += 1 avg = sum/count avg_g = average() avg_g.__next__() avg1 = avg_g.send(10) avg1 = avg_g.send(20) print(avg1)
计算移动平均值进阶----预激协程的装饰器
def init(func): #装饰器 def inner(*args,**kwargs): g = func(*args,**kwargs) #g = average() g.__next__() return g return inner @init def average(): sum = 0 count = 0 avg = 0 while True: num = yield avg sum += num # 10 count += 1 # 1 avg = sum/count avg_g = average() #===> inner ret = avg_g.send(10) print(ret) ret = avg_g.send(20) print(ret)
yield from
def generator(): a = 'abcde' b = '12345' yield a yield from b g = generator() for i in g: print(i)
列表推导式和生成器表达式：
列表推导式：
ret = [i**2 for i in range(30) if i%3 == 0] print(ret)
生成器表达式：
g = (i*i for i in range(10)) for i in g : print(i)
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：
sum(x ** 2 for x in range(4))
而不用多此一举的先构造一个列表：
sum([x ** 2 for x in range(4)])
各种推导式详解：
列表推导式
例子
找到嵌套列表中名字含有两个‘e’的所有名字 names = [['Tom', 'Billy', 'Jefferson', 'Andrew', 'Wesley', 'Steven', 'Joe'], ['Alice', 'Jill', 'Ana', 'Wendy', 'Jennifer', 'Sherry', 'Eva']] print([name for lst in names for name in lst if name.count('e') >= 2]) # 注意遍历顺序，这是实现的关键
字典推导式
例子
一、将一个字典的key和value对调
mcase = {'a': 10, 'b': 34}
mcase_frequency = {mcase[k]: k for k in mcase}
print(mcase_frequency)
二、合并大小写对应的value值，将k统一成小写
mcase = {'a': 10, 'b': 34, 'A': 7, 'Z': 3}
mcase_frequency = {k.lower(): mcase.get(k.lower(), 0) + mcase.get(k.upper(), 0) for k in mcase.keys()}
print(mcase_frequency)
集合推导式
例：计算列表中每个值的平方，自带去重功能
squared = {x**2 for x in [1, -1, 2]}
print(squared)
# Output: set([1, 4])
