列表生成式，迭代器和生成器
一、列表生成式
现在有个需求，看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]，现在要求把列表里的每个值加1，你怎么实现？你可能会想到的几种方法：
方法1：
a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] # 需求：要求把列表中的每个元素的值加1 # 方法一 b = [] for i in a: b.append(i + 1) a = b print(a) # [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
方法2：
a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] # 需求：要求把列表中的每个元素的值加1 for index, i in enumerate(a): a[index] += 1 print(a) # [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
方法3：
a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] # 需求：要求把列表中的每个元素的值加1 a = list(map(lambda x:x + 1, a)) print(a) # [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
方法4：
# 需求：要求把列表中的每个元素的值加1 a = [i + 1 for i in a] print(a) # [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
最后一种写法就叫做列表生成式
二、生成器
通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。
所以，如果列表元素可以执照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list了，从而节省大师的空间。在Python中，这种一边循环一边计算的机制，称为生成器（generator）。
要创建一个生成器，有多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个生成器：
>>> l = [x * x for x in range(10)] >>> l [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] >>> g = (x * x for x in range(10)) >>> g <generator object <genexpr> at 0x01D97BA0> >>>
创建l和g的区别仅在于最外层的[]和()，l是一个list，而g是一个generator。
我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？
如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值：
>>> next(g) 0 >>> next(g) 1 >>> next(g) 4 >>> next(g) 9 >>> next(g) 16 >>> next(g) 25 >>> next(g) 36 >>> next(g) 49 >>> next(g) 64 >>> next(g) 81 >>> next(g) Traceback (most recent call last): File "<pyshell#14>", line 1, in <module> next(g) StopIteration >>>
generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的异常。
当然，上面这种不断调用next(g)的方式实在是太不方便了，正确的方法是使用for循环，因为generator也是可迭代对象：
>>> g = (x * x for x in range(10)) >>> for n in g: print(n) 0 1 4 9 16 25 36 49 64 81 >>>
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，任意一个数都可以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(num): n, a, b = 0, 0, 1 while n < num: print(b) a, b = b, a + b n = n + 1
注意，赋值语句：
a, b = b, a + b
相当于：
t = (b, a + b)
a = t[0]
b = t[1]
但不必显式写出临时变量t就可以赋值
上面的函数可以输出斐波那契数列的前N个数：
>>> fib(10)
1
1
2
3
5
8
13
21
34
55
>>>
仔细观察，可以挂出，fib()函数实际上是定义了斐波那契数列的推算规则，可以从每一个元素开始，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pring(b)改成yield b就可以了：
def fib(num): n, a, b = 0, 0, 1 while n < num: # print(b) yield b a, b = b, a + b n = n + 1
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(10) >>> f <generator object fib at 0x01D97BA0> >>>
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。
>>> print(f) <generator object fib at 0x01D97BA0> >>> print(f.__next__()) 1 >>> print(f.__next__()) 1 >>> print("做点别的事") 做点别的事 >>> print(f.__next__()) 2 >>> print(f.__next__()) 3 >>> print(f.__next__()) 5 >>> print(f.__next__()) 8 >>> print(f.__next__()) 13 >>> print(f.__next__()) 21 >>> print(f.__next__()) 34 >>> print(f.__next__()) 55 >>>
在上面fib()的例子中，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：
>>> f = fib(10) >>> for n in f: print(n) 1 1 2 3 5 8 13 21 34 55 >>>
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异常，返回值包含在StopIteration的value中：
>>> f = fib(10) >>> while True: try: x = next(f) print('f:', x) except StopIteration as e: print('generator return value:', e.value) break f: 1 f: 1 f: 2 f: 3 f: 5 f: 8 f: 13 f: 21 f: 34 f: 55 generator return value: None >>>
三、迭代器
我们知道，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：
generator return value: None >>> from collections import Iterable >>> isinstance([], Iterable) True >>> isinstance({}, Iterable) True >>> isinstance('abc', Iterable) True >>> isinstance((x for x in range(10)), Iterable) True >>> isinstance(100, Iterable) 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：
>>> from collections import Iterator >>> isinstance((x for x in range(10)), Iterator) True >>> isinstance([], Iterator) False >>> isinstance({}, Iterator) False >>> isinstance('abc', Iterator) False >>>
生成器都是Iterator对象，但是list、dict、str虽然是Iterable，去不是Iterator。
把list、dict、str等Iterable变成Iterator可以使用iter()内置函数：
>>> isinstance(iter([]), Iterator) True >>> isinstance(iter({}), Iterator) True >>> isinstance(iter('abc'), Iterator) True >>>
有人可能会问，为什么list、dict、str等数据类型不是Iterator呢？
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异常。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是记录不可能存储全体自然数的。
小结
凡是可以作用于for循环的对象都是Iterable类型；
凡是可以作用于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()内置函数变成一个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]: print(x) # 实际上完全等价于 # 首先转换成Iterator对象 it = iter([1, 2, 3, 4, 5]) # 循环 while True: try: # 获取下一个值 x = next(it) print(x) except StopIteration: # 遇到StopIteration异常，表示循环已经结束 break
