Python高级特性：Python迭代、生成器、列表生成式
迭代
给定一个list或tuple，我们可以通过for循环来遍历这个list或tuple，这种遍历称为迭代（Iteration）。
在java和C语言中，迭代是通过循环list的下标来完成的，Python中迭代的抽象程度更高，不仅可以迭代list和tuple，而且可以迭代任何可迭代对象，包括我们自己创建的数据类型，只要符合迭代条件，无论有无下标，都可以使用for循环。
Python中的迭代是通过for …in …来完成的。
字典的迭代
比如字典就是可以迭代的：
1 >>> d = {'a': 1, 'b': 2, 'c': 3} 2 >>> for key in d: 3 ... print(key) 4 ... 5 a 6 c 7 b
字典这种数据类型不是想list中元素那样有序排列的，所以每次输出的结果可能会不一样的，而且默认是对key的遍历。
如果想遍历value：
1 >>> for v in d.values(): 2 print(v) 3 2 4 1 5 3
遍历key和value：
1 >>> for k,v in d.items(): 2 print(k,v) 3 b 2 4 a 1 5 c 3
字符串遍历：
1 >>> for ch in 'bolenjack': 2 print(ch) 3 b 4 o 5 l 6 e 7 n 8 j 9 a 10 c 11 k
利用enumbered 函数遍历：
如果Python中也想实现下标遍历，可以利用内置的enumbered函数：
1 >>> for ch in enumerate('bolenyingying'): 2 print(ch) 3 4 5 (0, 'b') 6 (1, 'o') 7 (2, 'l') 8 (3, 'e') 9 (4, 'n') 10 (5, 'y') 11 (6, 'i') 12 (7, 'n') 13 (8, 'g') 14 (9, 'y') 15 (10, 'i') 16 (11, 'n') 17 (12, 'g') 18 >>> for ch in enumerate([1,2,5,8]): 19 print(ch) 20 21 22 (0, 1) 23 (1, 2) 24 (2, 5) 25 (3, 8)
1 >>> for i, value in enumerate(['A', 'B', 'C']): 2 ... print(i, value) 3 ... 4 0 A 5 1 B 6 2 C
由上可以看出，我们使用Python遍历时只要是可迭代对象就行，不关心具体的数据类型。
那么怎么来判断是否是可迭代对象呢？可以通过collections模块中的iterable类型判断：
1 >>> isinstance([123,4],Iterable) 2 True 3 >>> isinstance('abc',Iterable) 4 True
注意：isinstance()是内建函数。例如isinstance('abc',str)
最后注意下，可以引用多个变量迭代，在Python中也是较常用的：
1 >>> for x,y,z in ([1,2,3],[4,5,6],[77,88,90]): 2 print(x,y,z) 3 1 2 3 4 4 5 6 5 77 88 90
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，如list、tuple、dict、set、str等；
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：
1 >>> from collections import Iterable 2 >>> isinstance([], Iterable) 3 True 4 >>> isinstance({}, Iterable) 5 True 6 >>> isinstance('abc', Iterable) 7 True 8 >>> isinstance((x for x in range(10)), Iterable) 9 True 10 >>> isinstance(100, Iterable) 11 False
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：
1 >>> from collections import Iterator 2 >>> isinstance((x for x in range(10)), Iterator) 3 True 4 >>> isinstance([], Iterator) 5 False 6 >>> isinstance({}, Iterator) 7 False 8 >>> isinstance('abc', Iterator) 9 False
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：
1 >>> isinstance(iter([]), Iterator) 2 True 3 >>> isinstance(iter('abc'), Iterator) 4 True
你可能会问，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。
Python的for循环本质上就是通过不断调用next()函数实现的，例如：
1 for x in [1, 2, 3, 4, 5]: 2 pass
1 # 首先获得Iterator对象: 2 it = iter([1, 2, 3, 4, 5]) 3 # 循环: 4 while True: 5 try: 6 # 获得下一个值: 7 x = next(it) 8 except StopIteration: 9 # 遇到StopIteration就退出循环 10 break
生成器
通过列表生成式，我们可以创建一个列表。但是受内存空间的限制，其容量是有限的。如果列表元素过多的话，会占用大量空间，而且创建列表后，如果只访问前几个元素，后面的空间也浪费了。
生成器的存在就是为了解决这样的问题。它的机制是一边循环一边计算，只有在访问到这个元素时才计算出这个元素。在Python中把这种一边循环，一边计算的机制称为generator。
要创建一个生成器有很多种方法，第一种很简单，只要把列表生成式的[]换为()，列表也就变成了一个生成器。
1 >>> [x * x for x in range(11)] 2 [0, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100] 3 >>> (x * x for x in range(11)) 4 <generator object <genexpr> at 0x000001AC63EAC830>
列表可以直接打印出来，那么生成器的元素如何打印呢？
可以通过next()方法，一个个去打印元素，直到抛出StopIteration的错误。
1 >>> g 2 <generator object <genexpr> at 0x000001AC63EAC7D8> 3 >>> next(g) 4 0 5 >>> next(g) 6 1 7 >>> next(g) 8 4 9 >>> next(g) 10 9 11 >>> next(g) 12 16 13 >>> next(g) 14 25 15 >>> next(g) 16 36 17 >>> next(g) 18 49 19 >>> next(g) 20 64 21 >>> next(g) 22 81 23 >>> next(g) 24 100 25 >>> next(g) 26 Traceback (most recent call last): 27 File "<pyshell#136>", line 1, in <module> 28 next(g) 29 StopIteration
generator保存的其实是一个算法，每次调用next(g)就调用一个g的值。但这种方法太不方便，正确的作法是通过for循环遍历。
1 >>> g = (x * x for x in range(11)) 2 >>> for m in g: 3 print(m) 4 0 5 1 6 4 7 9 8 16 9 25 10 36 11 49 12 64 13 81 14 100
所以我们创建generator后，基本不会使用next()方法，而是通过for循环遍历，也不用关心stop iteration的异常。
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：
1 def fib(max): 2 n, a, b = 0, 0, 1 3 while n < max: 4 print(b) 5 a, b = b, a + b 6 n = n + 1 7 return '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：
1 def fib(max): 2 n, a, b = 0, 0, 1 3 while n < max: 4 yield b 5 a, b = b, a + b 6 n = n + 1 7 return 'done'
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。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，再次执行时从上次返回的yield语句处继续执行。
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：
1 >>> g = fib(6) 2 >>> while True: 3 ... try: 4 ... x = next(g) 5 ... print('g:', x) 6 ... except StopIteration as e: 7 ... print('Generator return value:', e.value) 8 ... break 9 ... 10 g: 1 11 g: 1 12 g: 2 13 g: 3 14 g: 5 15 g: 8 16 Generator return value: done
附：杨辉三角练习。
1 def triangles(): 2 L=[1] 3 while True: 4 yield L 5 L = [1] + [ L[x-1] + L[x] for x in range(1,len(L)) ] + [1] 6 n = 0 7 for t in triangles(): 8 print(t) 9 n = n + 1 10 if n == 10: 11 break
列表生成式
列表生成式其实是一种语法糖。
如果要生成list[1,2,3,4,5,6,7,8,9,10]，可以用L = list(range(1,11))，但是要生成L*L怎么办？
可以用for循环：
1 >>> for x in list(range(1,11)): 2 L.append(x*x) 3 >>> L 4 [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
但这样太麻烦了，其实可以用列表生成式一行搞定：
1 >>> L1 = [x*x for x in list(range(1,11))] 2 >>> L1 3 [1, 4, 9, 16, 25, 36, 49, 64, 81, 100] 4 >>> [x * x for x in list(range(1,11)) if x % 2 ==1] 5 [1, 9, 25, 49, 81]
而且后面还以跟if语句实现所有奇数的平方。
利用列表生成式可以写出非常简洁的代码：
1 >>> [d for d in os.listdir('c:/')] 2 ['$360Section', '$Recycle.Bin', '$WINRE_BACKUP_PARTITION.MARKER', '360SANDBOX', 'AMTAG.BIN', 'Boot', 'bootmgr', 'BOOTNXT', 'BOOTSECT.BAK', 'Config.Msi', 'cygwin64', 'Documents and Settings', 'DRMsoft', 'hiberfil.sys', 'Intel', 'OneDriveTemp', 'pagefile.sys', 'PerfLogs', 'Program Files', 'Program Files (x86)', 'ProgramData', 'Recovery', 'swapfile.sys', 'System Volume Information', 'Users', 'Windows']
下面看一些列表生成式的高级用法。
列表生成式的双层循环：
1 >>> [x + y for x in 'ABC' for y in 'XYZ'] 2 ['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']
列表生成式的多变量引用
1 >>> d = {'x': 'A', 'y': 'B', 'z': 'C' } 2 >>> [k + '=' + v for k, v in d.items()] 3 ['y=B', 'x=A', 'z=C']
最后看一个小应用：
把下列所有大写字母转换成小写字母。
1 >>> L = ['Hello', 'World', 18, 'Apple', None] 2 >>> [s.lower() for s in L if isinstance(s,str)] 3 ['hello', 'world', 'apple']
注意事项：（引自CSDN网友）
1. 当需要只是执行一个循环的时候尽量使用循环而不是列表解析, 这样更符合Python提倡的直观性:
1 >>> for x in d: 2 print (x)
2. 当有内建的操作或者类型能够以更直接的方式实现的, 不要使用列表解析.
例如复制一个列表时, 使用; L1=list(L) 即可, 不必使用: L1=[x for x in L]
3. 如果需要对每个元素都调用并且返回结果时, 应使用 L1=map(f,L), 而不是 L1=[f(x) for x in L].
