生成器和各种推导式
昨日回顾
1. 函数名 -> 第一类对象 函数名就是变量名. 函数可以赋值 函数可以作为集合类的元素 函数可以作为参数传递 函数可以作为返回值返回 2. 闭包 语法: 内层函数对外层函数的局部变量的使用 def wrapper(): name = "" def inner(): return name return inner 如何查看一个函数是否是闭包 函数名.__closure__ 有值就是闭包. None就不是闭包 优点: 1. 保护变量不被侵害 (javascript) 2. 可以让一个变量常驻内存 3. 迭代器 在数据中包含了__iter__是一个可迭代对象. for循环内部 it = lst.__iter__() while 1: try: it.__next__() except StopIteration: break 特点: 1. 节省内存 2. 惰性机制 3. 只能向前, 不能反复 意义: 统一数据类型的遍历工作 官方查看xxx是迭代器, 可迭代对象 from collections import Iterable, Iterator isinstance(对象, Iterable) isinstance(对象, Iterator) 迭代器一定可迭代 -> for循环 可迭代的不一定是迭代器
今日内容
1. 生成器 本质就是迭代器. 一个一个的创建对象 创建生成器的方式: 1. 生成器函数 2. 通过生成器表达式来获取生成器 3. 类型转换(看不到) 2. 生成器函数 (重点) 生成器函数中包含 yield , 返回数据和return差不多. return会立即结束这个函数的执行 yield 可以分段的执行一个函数 生成器函数在执行的时候返回生成器. 而不是直接执行此函数 能向下执行的两个条件: __next__(), 执行到下一个yield send(), 执行到下一个yield, 给上一个yield位置传值 所有的生成器都是迭代器都可以直接使用for循环 都可以使用list()函数来获取到生成器内所有的数据 生成器(##每次调用生成器函数就创建了一个生成器)中记录的是代码而不是函数的运行 def func(): print("我的天哪 ") yield "宝宝" △(理解记忆) gen = func() # 创建生成器. 此时运行会把生成器函数中的代码记录在内存,当执行到__next__(), 运行此空间中的代码, 运行到yield结束. 优点: 节省内存, 生成器本身就是代码. 几乎不占用内存 特点: 惰性机制, 只能向前. 不能反复 3. 各种推导式 (诡异) 列表推导式 [结果 for循环 if] 字典推导式 {结果(k:v) for循环 if} 集合推导式 {结果(k) for循环 if} 4. 生成器表达式 (重点) (结果 for循环 if) 老师讲的所谓的与生成器函数相比 生成器表达式是一次性的.是指生成器函数通过gen = func()创建生成器 之后可以反复的调用生成器,
而生成器表达式一次执行完之后,下次执行还要重新写一次.
一.生成器
什么是生成器.生成器实质就是迭代器.
在python中有三种方式来获取生成器:
1.通过生成器函数
2.通过各种推导式来实现生成器
3.通过数据的转换也可以获取生成器
首先,我们先看一个很简单的函数:
def func(): print("111") return 222 ret = func() print(ret) 结果: 111 222
将函数中的return换成yield就是生成器
def func() : print("111") yield 222 ret = func() print(ret) 结果: <generator object func at 0x10567ff68>
运行的结果和_上面不一样. 为什么呢.由于函数中存在了yield.那么这个函数就是一个生成器函数.这个时候.我们再执行这个函数的时候.就不再是函数的执行了.而是获取这个生成器.如何使用呢?想想迭代器.生成器的本质是迭代器.所以.我们可以直接执行__next__()来执行以下生成器.
def func(): printC111") yield 222 gener = func() # 这个时候函数不会执行，而是获取到生成器 ret = gener.__next___ () # 这个时候函数才会执行，yield的作用和return- 样，也是返回数据 print(ret) 结果: 111 222
那么我们可以看到, yield和return的效果是-样的.有什么区别呢? yield是分段来执行一个函数. return呢?直接停止执行函数.
def func(): print("111") yield 222 print("333") yield 444 gener = func() ret = gener.__next__() print(ret) ret2 = gener.__next__() print(ret2) ret3 = gener.__next__() # 最后一个yield执行完毕，再次__next__()程序报错， 也就是说，和return无关了 print(ret3) 结果: 111 Traceback (most recent call last): 222 333 File "/Users/sylar/PycharmProjects/oldboy/iterator.py", line 55, in <module> 444 ret3 = gener.__ .next__ .(0) # 最后一个yield执行完毕，再次__next__()程序报错， 也就是说，和return无关了 StopIteration
当程序运行完最后一个yield.那么后面继续进行__next__()程序会报错.
好了生成器说完了.生成器有什么作用呢?我们来看这样一个需求. 老男孩向JACK JONES订购10000套学生服. JACK JONES就比较实在.直接造出来10000套衣服.
def cloth(): lst =[] for i in range(0, 10000): lst. append("衣服" +str(i)) return lst cl = cloth()
但是呢,问题来了.老男孩现在没有这么多学生啊.一次性给我这么多.我往哪里放啊.很尴尬啊.最好的效果是什么样呢?我要1套.你给我1套.一共1000套.是不是最完美的
def cloth(): for i in range(0, 10000): yield “衣服"+str(i) cl = cloth() print(cl.__next__()) print(cl.__next__()) print(cl.__next__()) print(cl.__next__())
区别:第一种是直接一次性全部拿出来,会很占用内存.第二种使用生成器,-次就-个,用多少生成多少.生成器是一个一个的指向下一个.不会回去,__next__()到哪, 指针就指到哪儿.下一次继续获取指针指向的值
接下来我们来看send方法, send和__next__()一样都可以让生成器执行到下一个yield.
def eat(): print("我吃什么啊") a = yield "馒头" print("a=",a) b = yield “大饼” print("b=",b) c = yield “韭菜盒子” print("c=",c) yield "GAME OVER" gen = eat()#获取生成器 ret1 = gen.__next__() print(ret1) ret2 = gen. send("胡辣汤") print(ret2) ret3 = gen. send("狗粮") print(ret3) ret4 = gen. send("猫粮") print(ret4)
send和__next__()区别:
1. send和next()都是让生成器向下走-次
2. send可 以给上一个yield的位置传递值,不能给最后-个yield发送值. 在第一次执行生成器代码的时候不能使用send()
生成器可以使用for循环来循环获取内部的元素:
def func(): print(111) yield 222 print(333) yield 444 print(555) yield 666 gen = func() for i in gen: print(i) 结果: 111 222 333 444 555 666
二.列表推导式,生成器表达式以及其他推导式
列表推导式
首先我们先看一下这样的代码,给出一个列表,通过循环,向列表中添加1-14 :
lst=[] for i in range(1,15): lst . append(i) print(lst)
替换成列表推导式:
lst = [i for i in range(1, 15)] print(lst)
列表推导式是通过-行来构建你要的列表,列表推导式看起来代码简单.但是出现错误之后很难排查.
列表推导式的常用写法:
[结果 for 变量 in 可迭代对象]
例.从python1期到python14期写入列表Ist:
lst = ['python%s' % i for i in range(1,15)] print(lst)
我们还可以对列表中的数据进行筛选
筛选模式:
[结果 for 变量 in 可迭代对象 if条件]
#获取1-100内所有的偶数 lst = [i for i in range(1, 100) if i % 2 == 0] print(lst)
生成器表达式
生成器表达式和列表推导式的语法基本上是一样的.只是把[]替换成()
gen = (i for i in range(10)) print(gen) 结果: <generator object <genexpr> at 0x106768f10>
打印的结果就是一个生成器.我们可以使用for循环来循环这个生成器:
gen = ("麻花藤我第%s次爱你”% i for i in range(10)) for i in gen: print(i)
生成器表达式也可以进行筛选:
#获取1-100内能被3整除的数 gen = (i for i in range(1,100) if i % 3 == 0) for num in gen: print(num) # 100以内能被3整除的数的平方 gen=(i*i for i in range(100) if i % 3 == 0) for num in gen: print(num) #寻找名字中带有两个e的人的名字 names = [['Tom', 'Billy', 'Jefferson', 'Andrew', 'Wesley', 'Steven' ,'Joe'], ['Alice', 'Jill', 'Ana', 'Wendy', 'Jennifer', 'Sherry',‘Eva']] #不用推导式和表达式 result =[] for first in names: for name in first: if name.count("e") >= 2: result.append( name) print(result) #推导式 gen = (name for first in names for name in first if name.count("e") >= 2) for name in gen: print(name)
生成器表达式和列表推导式的区别:
1.列表推导式比较耗内存. -次性加载.生成器表达式几乎不占用内存.使用的时候才分配和使用内存
2.得到的值不- -样.列表推导式得到的是一个列表.生成器表达式获取的是一个生成器.
举个栗子.
同样-篮子鸡蛋. 列表推导式:直接拿到-篮子鸡蛋.生成器表达式:拿到-个老母鸡.需要鸡蛋就给你下鸡蛋.
生成器的惰性机制:生成器只有在访问的时候才取值.说白了,你找他要他才给你值,不找他要,他是不会执行的.
def func(): print(111) yield 222 g = func() #生成器g,没人要值,所以没有执行 g1 = (i for i in g) #生成器g1. 但是g1的数据来源于g.没人要值,所以没有执行 g2=(i for i in g1) #生成器g2.来源g1.没人要值,所以没有执行 print(list(g)) # 获取g中的数据，这时func()才会被执行，打印111 .获取到222. g完毕. print(list(g1)) # 获取g1中的数据. g1的数据来源是g.但是g已经取完了。g1也就没有数据了 print(list(g2)) # 和g1同理
深坑==>生成器.要值得时候才拿值
字典推导式:
根据名字应该也能猜到.推到出来的是字典
#把字典中的key和value互换 dic = {'a': 1, 'b': '2'} new_ dic = {dic[key]: key for key in dic} print(new_ dic) #在以下list中，从lst1中获取的数据和lst2中相对应的位置的数据组成一个新字典 lst1 = ['jay', 'jj'， 'sylar'] lst2 = ['周杰伦"，'林俊杰’， '邱彦涛'] dic = {lst1[i]: lst2[订] for i in range(len(lst1))} print(dic)
集合推导式:
集合推导式可以帮我们直接生成一个集合. 集合的特点:无序,不重复.所以集合推导式自带去重功能
lst = [1, -1, 8, -8，12] #绝对值去重 s = {abs(i) for i in lst} print(s)
总结:推导式有,列表推导式,字典推导式,集合推导式,没有元组推导式
生成器表达式: (结果 for 变量 in 可迭代对象 if条件筛选)
生成器表达式可以直接获取到生成器对象.生成器对象可以直接进行for循环.生成器具有惰性机制.
经典面试题
一个面试题.难度系数0000000颗星:
def add(a, b): return a + b def test(): for i in range(4): yield i g = test() for n in [2, 10]: g=(add(n,i) for i in g) print(list(g))
友情提示:惰性机制,不到最后不会拿值
这个题要先读一下. 然后自己分析出结果.最后用机器跑一下
# 生成器经典题 def add(a, b): # 相加 return a + b def test(): # 生成器函数 0 1 2 3 for i in range(4): yield i g = test() # 创建生成器 for n in [2, 10]: g = (add(n, i) for i in g) print(list(g)) # 结果:[20,21,22,23] # 解题思路:惰性机制(#有人要值才执行);生成器记录的是代码(#只有在执行的时候才会带入变量的值) # 1,拆分for循环 n = 2 g = (add(n, i) for i in g) n = 10 g = (add(n, i) for i in g) # 2,将g = test()代入,并层层带入 n = 2 g = (add(n, i) for i in test()) n = 10 g = (add(n, i) for i in (add(n, i) for i in test())) # 3,拿值的时候带入变量的值去执行 print(list(g)) # 拿值list==>for==>__next__() # 此时的 g = (add(n, i) for i in (add(n, i) for i in test())) # 代入变量的值 # n = 10 # test()的取值范围是[0,1,2,3] # 所以 # list(g) == [(add(10, i) for i in (add(10, i) for i in [0,1,2,3]))]==10*2+[0,1,2,3] # == [(add(10, i) for i in [10,11,12,13]] # == [20,21,22,23] # 小结规律: # test()的取值范围是初始范围 # 要拿值时候的n的值是要带入的值 # for循环决定循环的次数,循环几次就累加几次,也就是要加几个n的值 # 改变1 def add(a, b): # 相加 return a + b def test(): # 生成器函数 0 1 2 3 for i in range(4): yield i g = test() # 创建生成器 for n in [2, 10]: g = (add(n, i) for i in g) n = 5 print(list(g)) # 结果:[10,11,12,13] # 解题思路同上,最终拿到 # g = (add(n, i) for i in (add(n, i) for i in test())) # 而此时n=5,带入得到 5*2+[0,1,2,3]=[10,11,12,13] # 改变2 def add(a, b): # 相加 return a + b def test(): # 生成器函数 0 1 2 3 for i in range(4): yield i g = test() # 创建生成器 for n in [2, 10, 5]: g = (add(n, i) for i in g) print(list(g)) # 解题思路同上,最终拿到 n = 2 g = (add(n, i) for i in g) n = 10 g = (add(n, i) for i in g) n = 5 g = (add(n, i) for i in g) # 层层代入得到: n = 2 g = (add(n, i) for i in test()) n = 10 g = (add(n, i) for i in (add(n, i) for i in test())) n = 5 g = (add(n, i) for i in (add(n, i) for i in (add(n, i) for i in test()))) # 代入数据得到: list(g) = (add(5, i) for i in (add(5, i) for i in (add(5, i) for i in [0,1,2,3])))=5*3+[0,1,2,3]=[15,16,17,18]
区别生成器表达式和列表生成式:
def add(a, b): return a + b def test(): # print("123") for i in range(4):#[0,1,2,3] yield i g = test() for n in [2, 10, 5]: # 第一种:生成器表达式 # g = (add(n, i) for i in g) # [15, 16, 17, 18]在生成器表达式内部的生成器或者生成器表达式是不会执行的,直到外部的生成器有人找它要值 # 第二种:列表生成式,是会直接带入执行的 g = [add(n, i) for i in g] # [17, 18, 19, 20] #第一种: # 对for循环进行等价替换,全部代入n=5 # g1 = (add(5, i) for i in g) #g = test()= [0,1,2,3] # g2 = (add(5, i) for i in g1) # g3 = (add(5, i) for i in g2) #第二种: # 对for循环进行等价替换,分别代入n=2,10,5 # g1 = (add(2, i) for i in g) #g = test()= [0,1,2,3] # g2 = (add(10, i) for i in g1) # g3 = (add(5, i) for i in g2) print(list(g))
今日作业
