生成器和迭代器

列表生成式

　　　　>>> a = [i+1 for i in range(10)]
　　　　>>> a
　　　　[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

 

　　　　循环 range(10) 生成一个列表，这就是列表生成器
　　　　
　　　　这个range() 函数可创建一个整数列表
　　　　
　　　　python2 :

　　　　　　　　>>> print(range(10))

　　　　　　　　[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

　　　　python3 :

　　　　　　　　>>> print(range(10))

　　　　　　　　range(0, 10)

　　　　　　

　　　　　以上可见python2中，等于是创建了两个列表，比python3中，增加了内存消耗，python3中的优化

　　　　　　

 

 

生成器generator

　　

　　 由上可知在python2中，创建一个包含100万个元素的列表，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。比如我要循环100万次，

　　　　按py的语法，for i in range(1000000)会先生成100万个值的列表。但是循环到第50次时，

　　　　我就不想继续了，就退出了。但是90多万的列表元素就白为你提前生成了。

 

　　　　　　

　　　　　　for i in range(1000000):
    　　　　　　if i == 50: 
        　　　　break
   　　　　 print(i)

 

　　　　像上面这个循环，每次循环只是+1而已，我们完全可以写一个算法，让他执行一次就自动+1，这样就不必创建完整的list，

 

　　　　从而节省大量的空间。在Python中，这种一边循环一边计算后面元素的机制，称为生成器：generator。

 

　　　　要创建一个generator，有很多种方法。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generator：

　　　　>>> [x * x for x in range(10)]
　　　　[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
　　　　>>> 
　　　　>>> (x * x for x in range(10))
 　　　　at 0x101ebc3b8>

　　　　(x*x for x in range(10)）生成的就是一个生成器。

 

 

 

　　　　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

 

　　　　

　　　　>>> g = (x * x for x in range(10))
　　　　>>> next(g)
　　　　0
　　　　>>> next(g)
　　　　1
　　　　>>> next(g)
　　　　4
　　　　>>> next(g)
　　　　9
　　　　>>> next(g)
　　　　16
　　　　>>> next(g)
　　　　25
　　　　>>> next(g)
　　　　36
　　　　>>> next(g)

　　　　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的错误。

　　　　

　　　　

　　　　for 循环打印generator

　　　　

　　　　

　　　　>>> g = (x * x for x in range(10))
　　　　>>> for n in g:
　　　　...     print(n)
　　　
　　　　0
　　　　1
　　　　4
　　　　9

　　　　　...

　　　　通过for循环来迭代它，就不需要关心StopIteration的错误了。

　　　　函数生成器

　　　　　　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, …

　　　　　　实现100以内的斐波那契数代码：

　　　　　　a,b = 0,1
　　　　　　n = 0  # 斐波那契数
　　　　　　while n < 100:
  　　　　  　　n = a + b
  　　　　　　  a = b # 把b的旧值给到a
 　　　　　　   b = n # 新的b = a + b(旧b的值)
  　　　　　　  print(n)

　　　　　　改成函数也可以的

　　　　　　def fib(max):
    　　　　　　a,b = 0,1
  　　　　　　  n = 0  # 斐波那契数
 　　　　　　   while n < max:
  　　　　    　　  n = a + b
    　　　　  　　  a = b # 把b的旧值给到a
     　　　　　　   b = n # 新的b = a + b(旧b的值)
     　　　　　　   print(n)
　　　　　　fib(100)

　　　　　　输出 ：

　　　　　　1

　　　　　　2

　　　　　　3

　　　　　　5

　　　　　　8

　　　　　　13

　　　　　　21

　　　　　　34

　　　　　　55

　　　　　　89

　　　　　　144

　　　　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):
  　　　　  a,b = 0,1
 　　　　   n = 0  # 斐波那契数
  　　　　  while n < max:
   　　   　　  n = a + b
     　　　　   a = b # 把b的旧值给到a
    　　　　    b = n # 新的b = a + b(旧b的值)
     　　　　   #print(n)
     　　　　   yield n # 程序走到这，就会暂停下来，返回n到函数外面，直到被next方法调用时唤醒
　　　　f = fib(100) # 注意这句调用时，函数并不会执行，只有下一次调用next时，函数才会真正执行
　　　　print(f)
　　　　print(f.__next__())
　　　　print(f.__next__())
　　　　print(f.__next__())
　　　　print(f.__next__())

　　　　输出

　　　　1
　　　　2
　　　　3
　　　　5

　　　　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：

　　　　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语句暂停并返回数据到函数外，再次被next()调用时从上次返回的yield语句处继续执行

　　　　

　　　　的例子，我们在循环过程中不断调用yield，函数就会不断的中断(暂停)。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：

　　　　f = fib(100) # 注意这句调用时，函数并不会执行，只有下一次调用next时，函数才会真正执行
　　　　for i in f:
  　　　　  print(i)
　　　　#输出：
　　　　1
　　　　2
　　　　3
　　　　...
　　　　...
　　　　55
　　　　89
　　　　144

　　　　并发编程

　　　　　　　　虽然我们还没学并发编程，但我们肯定听过cpu 多少核多少核之类的，cpu的多核就是为了可以实现并行运算，让你同时边听歌、边聊qq、边刷知乎。

　　　　　　　　单核的cpu同一时间只能干一个事，所以你用单核电脑同时做好几件事的话，就会变的很慢，因为cpu要在不同程序任务间来回切换。

　　　　　　　　通过yield, 我们可以实现单核下并发做多件事的效果。

　　　　　　import time
　　　　　　def consumer(name):
  　　　　  print("%s 准备吃包子啦!" %name)
    　　　　while True:
      　　　　 baozi = yield  # yield可以接收到外部send传过来的数据并赋值给baozi
       　　　　print("包子[%s]来了,被[%s]吃了!" %(baozi,name))
　　　　　　c = consumer('A')
　　　　　　c2 = consumer('B')
　　　　　　c.__next__() # 执行一下next可以使上面的函数走到yield那句。 这样后面的send语法才能生效
　　　　　　c2.__next__()
　　　　　　print("----老子开始准备做包子啦!----")
　　　　　　for i in range(10):
  　　　　　　  time.sleep(1)
   　　　　　　 print("做了2个包子!")
    　　　　　　c.send(i)  # send的作用=next, 同时还把数据传给了上面函数里的yield
   　　　　　　 c2.send(i)

　　　　　　注意：调用send(x)给生成器传值时，必须确保生成器已经执行过一次next()调用, 这样会让程序走到yield位置等待外部第2次调用。

迭代器Iterator

　　　　　　　　　　　　

　　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：

1. 1. 一类是集合数据类型，如list、tuple、dict、set、str等；

   2. 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，可迭代的意思就是可遍历、可循环。

　　可以使用isinstance()判断一个对象是否是Iterable对象：

　　>>> 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.abc import Iterator
　　>>> isinstance([],Iterator)
 　True 　　
　　>>> isinstance({}, Iterator) 　　
　　True 　　
　　>>> isinstance('abc', Iterator) 　　
　　True
 　>>> isinstance((x for x in range(10)), Iterator) 　　
　　True 　　
　　>>> isinstance(100, Iterator) 　　
　　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：

　　　　>>> isinstance(iter([]), Iterator)
　　　　True
　　　　>>> isinstance(iter('abc'), Iterator)
　　　　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。

　　

　　回到一开始我们讲的python3 和 python2 range的区别

　　

　　　　# 简单模拟range
　　　　class Foo:
  　　　　  def __init__(self,start,stop):
     　　　　   self.num=start
      　　　　  self.stop=stop
   　　　　 def __iter__(self):
       　　　　 return self
   　　　　 def __next__(self):
       　　　　 if self.num >= self.stop:
           　　　　 raise StopIteration
        　　　　n=self.num
       　　　　 self.num+=1
       　　　　 return n

　　　　f=Foo(1,5)
　　　　from collections.abc import Iterator
　　　　print(isinstance(f,Iterator))

　　　　for i in Foo(1,5):
   　　　　 print(i)

　　　　以上可知：在python3，range的实现方式是基于迭代器。