Python 高级特性：切片、迭代、列表生成式、生成器
切片（发现了一些新操作）
参考链接:https://www.liaoxuefeng.com/wiki/1016959663602400/1017269965565856
间隔取元素（可以取负数，负数就是从最后一个开始倒着取）
>>> L=[i for i in range(20)] 所有数，每两个取一个 >>> L1=L[::2] >>> L1 [0, 2, 4, 6, 8, 10, 12, 14, 16, 18] 前10个数，每两个取一个
可以用来取 所有的元素，用来复制
>>> L[:] [0, 1, 2, 3, ..., 99]
迭代
参考链接：https://www.liaoxuefeng.com/wiki/1016959663602400/1017316949097888
如何判断一个对象是可迭代对象呢？方法是通过collections模块的Iterable类型判断：
>>> from collections import Iterable
>>> isinstance('abc', Iterable) # str是否可迭代
True
>>> isinstance([1,2,3], Iterable) # list是否可迭代
True
>>> isinstance(123, Iterable) # 整数是否可迭代
False
如果需要对list实现下标循环，可以通过Python提供的enumerate( )函数来将list变成索引-元素对，这样就可以同时对索引和元素进行迭代
>>> for i, value in enumerate(['A', 'B', 'C']): ... print(i, value) ... 0 A 1 B 2 C
列表生成式
参考链接：https://www.liaoxuefeng.com/wiki/1016959663602400/1017317609699776
可以使用两层循环，比如用来生成一个全排列
>>> m=[x+y for x in 'ABC' for y in 'XYZ']#两个循环之间使用空格来隔开，试着想象以下x，y为什么能再for循环外使用呢，并且还会改变 >>> m ['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ'] >>>
生成器
参考链接：https://www.liaoxuefeng.com/wiki/1016959663602400/1017318207388128
生成器是一边计算，一边生成的程序机制，比如我们需要访问一个 包含很大数量的元素 的集合（数学意义上的，并不是某种数据结构），但是每次都只访问其中的某几个数据，如果使用列表来储存，不仅会占用很大的存储空间，而且每次只访问其中的几个，也会造成很大的浪费
所以如果这些元素可以按照某些算法推算出来，那么可以再循环中不断推算出后面的元素，这种机制就是生成器（generator）
要创建一个generator，有很多方法，最简单的方法就是把列表生成式的[]，换成（）
>>> g=(i for i in range(10)) >>> g <generator object <genexpr> at 0x000001A1CD703518> >>>
获取生成器的元素
如果要一个一个的获取生成器中的元素，我们可以通过next（）方法
>>> next(g) 0 >>> next(g) 1 pass >>>next(g) 9 >>> next(g) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration
生成器保存的是算法，每次调用next（），就计算出下一个元素的值，直到计算到最后一个元素，没有更多的元素时，就抛出StopIteration错误
当然，上面这种不断调用next(g)实在是太变态了，正确的方法是使用for循环，因为generator也是可迭代对象：
>>> next(g) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration >>> for i in g:#注意这里的生成器g因为前面已经迭代完了，所以这里不会输出任何值，需要重新创建 ... print(i) ... #重新创建 >>> for i in g: ... print(i) ... 0 1 2 3 4 5 6 7 8 9 >>>
所以，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,end=' ')
a, b = b, a + b
n = n + 1
return 'OK!'
试着想一下，这里的a,b=b,a+b b最后得到的值是赋值后的a+b，还是赋值前的a加b呢，这里的赋值语句其实相当于
t = (b, a + b) # t是一个tuple#所以是赋值前的a a = t[0] b = t[1]
上面的函数可以输出斐波那契数列的前N个数：
>>> fib(6) 1 1 2 3 5 8 'done'
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:
yield b#再每次需要打印（即使用)的地方
a, b = b, a + b
n = 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(6) >>> f <generator object fib at 0x104feaaa0>
generator和函数的执行流程是不一样的
函数是顺序执行的，当遇到return语句就返回，而变成generator的函数，再每次调用next（）的时候执行一次，遇到yield语句就返回，下一次next（）的时候，就从上次返回的yield语句处继续执行
举个简单的例子，定义一个generator，依次返回数字1，3，5：#注意再函数中有三个yield语句，即next（）一次不一定执行所有的函数语句一遍
def odd():
print('step 1')
yield 1
print('step 2')
yield(3)
print('step 3')
yield(5)
调用该generator时，首先要生成一个generator对象，然后用next()函数不断获得下一个返回值：
>>> o = odd() >>> next(o) step 1 1 >>> next(o) step 2 3 >>> next(o) step 3 5 >>> next(o) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration
可以看到，odd不是普通函数，而是generator，在执行过程中，遇到yield就中断，下次又继续执行。执行3次yield后，已经没有yield可以执行了，所以，第4次调用next(o)就报错。
回到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(6): ... print(n) ... 1 1 2 3 5 8
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(6)
>>> while True:
... try:
... x = next(g)
... print('g:', x)
... except StopIteration as e:
... print('Generator return value:', e.value)
... break
...
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
Generator return value: done
迭代器
生成器可以使用next（）来得到下一个数据，但next（）并不是判断是否是生成器的标志，能通过next（）来得到下一个值，是迭代器（iterator）的标志，而生成器是一边循环，一边计算的机制。
可迭代对象（iterable）
可作用于for循环的对象称为可迭代对象，包括：
一类是集合数据类型：如List、tuble、dict、set、str等；
一类是generator，包括生成器和带yield的generator function
可以使用isinstance()来判断一个对象是否是Iterable对象
迭代器（iterator）
可以被next（）调用并不断返回下一个值的对象称为迭代器：Iterator
也可以使用isinstance( )来判断一个对象是否是iterator对象
>>> from collections import Iterator >>> isinstance(a,Iterator) 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：
>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
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。
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。
Python的for循环本质上就是通过不断调用next()函数实现的，例如：
for x in [1, 2, 3, 4, 5]:
pass
实际上完全等价于：
# 首先获得Iterator对象:
it = iter([1, 2, 3, 4, 5])
# 循环:
while True:
try:
# 获得下一个值:
x = next(it)
except StopIteration:
# 遇到StopIteration就退出循环
break
