Python基础(四)——迭代器/对象,生成器
首先廖雪峰网站写的内容就我目前初步学习来说,已经相当详实,知识点平铺直叙让人易接受,所以以下内容均作为一种摘记记录以及补充。
1. 列表生成器
主要目的是创建 list 。多看例子就能清楚:
1 #列表生成基本使用 2 print(list(range(1,10,2))) #[1, 3, 5, 7, 9].生成1~9(左闭右开),相隔为2 3 print([t * t for t in range(1,10,3) if t % 2 == 0]) #[16].生成1~9相隔4,且是偶数的平方和 4 print([m + n for m in '123' for n in '456']) #['14', '15', '16', '24', '25', '26', '34', '35', '36'].全排列 5 6 #通过函数生成(其实与上几句类似) 7 def fun(x): 8 return x * 2 9 T = [fun(x) for x in [1,2,3,4]] 10 print(T) # [2, 4, 6, 8] 。这很类似用 T = map(fun, L) 11 12 13 #生成dict列表 14 d = {'x': 'A', 'y': 'B', 'z': 'C'} 15 # for k, v in d.items(): 16 # print(k, '=', v) 17 print([m + '=' + n for m,n in d.items()]) #['x=A', 'y=B', 'z=C'] 18 19 20 #筛选单词,并全变小写 21 L = ['Hello', 'World', 18, 'Apple', None] 22 print([t.lower() for t in L if isinstance(t, str)]) #['hello', 'world', 'apple']
2. Iterable vs Iterator
iterable 是可迭代对象,iterator 是迭代器。两者都是 collection.abc 中得抽象类。iterator 继承自 iterable 。
- iterable 有常见得 list,dict,str,tuple 等或者自定义的类(该类必须实现抽象方法 _iter()_)。当一个可迭代对象作为参数调用自身的 iter() 方法时,会返回一个迭代器。迭代器拥有 _next()_ 抽象方法,可迭代对象没有,通过该方法就可以逐个得到 “序列” 中的各个值,不断调用 _next()_ 方法,最后会引起 StopIteration 异常报错,代表迭代结束了。同时迭代器还拥有 _iter()_ 方法,所以迭代器也是个可迭代对象。即所有的迭代器都是可迭代对象,但是可迭代对象并不都是迭代器,基本判断方法是是否调用 next() 方法,list,dect,str,tuple 都并不行,即不是迭代器。
我们可以通过 isinstance 来判断:
from collections.abc import Iterable,Iterator t = [1,2,3] #列表 print(isinstance(t, Iterable)) #true print(isinstance(t, Iterator)) #false
我们常用的 for...in [ ] 。就是利用了迭代器
from collections.abc import Iterable,Iterator L = [1,2,3] print(isinstance(L, Iterator)) #Flase for t in L: print(t, end=' ') #1 2 3
这是我们常写的代码,输出123。既然 L 不是迭代器为啥也能迭代输出呢。这就是在使用 for...in 的时候,Python 解释器主动将可迭代对象调用了 iter() 返回迭代器,即每次都是通过迭代器的 next() 方法进行输出。那么哪个异常 StopIteration 呢?异常应该被 for...in 内部处理了,并不显式的抛出。
我们换一种更明显的写法:
1 from collections.abc import Iterable,Iterator 2 L = [1,2,3] 3 print(isinstance(L, Iterator)) #false 4 T = L.__iter__() 5 print(isinstance(T, Iterator)) #true。现在T就是迭代器了,拥有了next()方法。 6 print(T.__next__()) # 1 7 print(T.__next__()) # 2 8 print(T.__next__()) # 3 9 print(T.__next__()) # StopIteration
结果和我们想的是一样的。或者再这样写
1 from collections.abc import Iterable,Iterator 2 L = [1,2,3] 3 print(isinstance(L, Iterator)) #false 4 T = iter(L) 5 while True: 6 try: 7 print(next(T), end=' ') 8 except StopIteration: 9 print('结束') 10 break
(点击图片查看原文)
3. 生成器和 yield
- 生成器是返回一个 generator iterator 的函数。但是这个函数中包含 yield 表达式,除此之外别无它异,用来产生一系列供 for 循环使用的值或者通过 next() 逐一获取。所以生成器一般也称为生成器函数。
- 生成迭代器 generator iterator 是由生成器 generator 创建的对象。每遇到 yield 会暂停(相当于return),并记住当前位置,之后在继续在记住的位置继续向下运行。而不同于普通函数每次都由上往下运行。
- 第一种创建生成器的方法:将列表生成式的 [ ] 换成 ( )
L = ( t * t for t in range(1,10)) print(L) #<generator object <genexpr> at 0x0000028D2F68B840> print(next(L)) # 1 print(next(L)) # 4 for i in L: # 迭代输出 print(i)
- 当一个生成函数被调用时,返回一个迭代器,成为生成器。这个生成器来控制生成函数的执行,遇到 yield 就挂起,下次继续从 挂起处执行。前面说过迭代器有 next() 方法,所以这里的yield 就是干了 next() 方法的事。一样不断next 直到无数据 StopIteration。
- 第二种是通过定义函数:
1 def test(): 2 print('1') 3 yield 4 print('2') 5 yield 6 print('3') 7 yield 8 9 t = test() # t 是生成器,生成器来控制函数 10 print(t) # <generator object test at 0x0000021EF6C5B840> 11 next(t) # 1 12 next(t) # 2 13 next(t) # 3 14 next(t) # StopIteration
可以通过 11~14 行看出,yield 起的作用就是挂起。第一次调用next() 方法,函数执行到第三句就停了,第二次调用 next() 执行到第五句。yield 就像是 OS 中的中断语句,保护现场--恢复现场。
再来看一个斐波那契例子:
1 #斐波那契数列 2 #常规写法一: 3 # def fib(max): 4 # n, a, b = 0, 0, 1 5 # while n < max: 6 # print(b) 7 # a, b = b, a + b 8 # n = n + 1 9 # return 'done' 10 # 11 # fib(6) 12 13 #生成器写法二: 14 from collections.abc import Iterator,Iterable 15 def fib(max): 16 n, a, b = 0, 0, 1 17 while n < max: 18 yield b # yield 类似于return 将 b 返回 19 a, b = b, a + b 20 n = n + 1 21 return 'done' 22 23 f = fib(6) 24 print(f) #<generator object fib at 0x00000124DDD8B840> 25 print(isinstance(f, Iterator)) #True。生成函数返回迭代器 26 27 for n in f: 28 print(n, end=' ') #1 1 2 3 5 8
通过观察24,25行可以知道,调用了 fib() 之后,函数并没有执行到尾(否则返回 str = 'done'),正如上文所说,返回的是一个 生成器,也就是调用生成函数(含 yield语句的)返回生成器,然后我们通过生成器来控制函数的执行。只有执行27行的 for...in 的时候,才会去执行15~21这段函数代码。
具体执行过程:第一次从16至18行停止,因为yield的存在,执行到18行就停了,然后返回一个值 b 给 for 循环,然后执行28行输出 b,然后next()迭代器继续从上次停止的地方的下一行19行继续执行(迭代器next()只要不是StopIteration 或者生成函数结束了,for 循环就得以继续),然后在while循环内,再次执行到18行停止,返回 b 给 for。继续重复,直至跳出while循环,fib() 这段生成器函数结束了,for...in 也就结束了。
1 # 生成器写法三 2 from collections.abc import Iterator,Iterable 3 def fib(max): 4 n, a, b = 0, 0, 1 5 while n < max: 6 yield b # yield 类似于return 将 b 返回 7 a, b = b, a + b 8 n = n + 1 9 10 f = fib(3) 11 print(f) #<generator object > 12 print(isinstance(f, Iterator)) #True。生成函数返回迭代器 13 print(next(f)) # 1 14 print(next(f)) # 1 15 print(next(f)) # 2 16 print(next(f)) # StopIteration
4.生成器send()方法
stackoverflow 上还有关于生成 yield 配合使用 send()的方法。查阅官网,send(value) 函数意思:恢复执行,并向生成器发送一个值,value 参数将被当作 yield 表达式结果。
1 def test(): 2 while True: 3 x = yield 4 yield x * 2 5 6 g = test() 7 print(next(g)) # none 8 print(g.send(12)) #24
我们已经知道 yield 可以当作return来理解。
首先第六行创建了 g (生成器),第七行输出 none,因为执行第七行,也就是去执行test()函数了,函数顺利执行到第三行,3 = yield 明显是我们学的赋值语句,难道是将yield赋值给3?不是的。先解释输出的none,因为没有参数写在yield的右边,即没有参数返回,所以第七行输出 None。同时因为yield存在而停止继续。
而第八行:遇到g.send() 会继续执行上次执行到第三行的地方,这里传入的参数12就是赋值给x的。所以再往下第四行,yiled看成return 返回12*2,同时test()函数被挂起,返回24给第八行。至此函数结束。
又比如:
1 def test(x): 2 while True: 3 x *= 2 4 x = yield x 5 6 g = test(3) 7 print(next(g)) # 6 8 print(g.send(12)) # 24
第四行意思:先看右边yield x 就是返回 x 。再看左边 x = yield 就是赋值给 x 。所以不难理解了。不解释了。
5. 补充(点击图片查看原文)