Python生成器
关于生成器的一点笔记
概念
生成器，其本质是在数据需要的时候数据才出现，其他时候待命就好。
如此一样，原本大块的数据，得并非同时需要的数据，是可以被分割成一块块的小数据，这样减去了数据所占用内存空间，也不用消耗计算机提前计算一大块数据的时间。
使用yield语句构建生成器，书上说的使用StopIteration异常来终止生成器，并且不会生成回溯，仅仅是在python2的解释器上。
在python3.7中，StopIteration会生成回溯，并提示错误RuntimeError: generator raised StopIteration而同一份代码在python2则会不报错。
另外，在pyton2中不能使用return来终止生成器，并且还会报错。而在python3中可以使用return来终止生成器，不报错。
建议使用StopIteration来终结生成器，因为其只在python3.7中才会报错，即3+版本还是能正常运行的。如果是使用了循环，那可是用if else和break语句搭配来终止生成器，其可在版本2和版本3中运行。
使用示例
demo1
def generation():
yield 1
yield 2
yield 3
yield 4
if __name__ == '__main__':
a = [i for i in generation()]
print(a) # 运行结果 [1, 2, 3, 4]
demo2
生成器是迭代器的一种，迭代对象则是任何定义了__iter__方法的对象。
可迭代对象的__iter__方法负责返回一个迭代器。
Python中的迭代器则是包含__next__方法的任何对象，因此，它们能响应next函数
生成器可以是迭代器，但不一定是迭代对象
In [2]: def generation():
...: yield 1
...: yield 2
...:
In [3]: a = generation()
In [4]: next(a)
Out[4]: 1
In [5]: next(a)
Out[5]: 2
In [6]: next(a)
---------------------------------------------------------------------------
StopIteration Traceback (most recent call last)
<ipython-input-6-15841f3f11d4> in <module>()
----> 1 next(a)
StopIteration:
如上所示，生成器是能响应next函数的，直到没有值后自动报错提示StopIteration。
那普通的range函数可以吗？
In [8]: a = range(0, 5)
In [9]: next(a)
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-9-15841f3f11d4> in <module>()
----> 1 next(a)
TypeError: 'range' object is not an iterator
In [10]: b = iter(a)
In [11]: next(b)
Out[11]: 0
In [12]: next(b)
Out[12]: 1
In [13]: a
Out[13]: range(0, 5)
In [14]: type(a)
Out[14]: range
In [15]: type(b)
Out[15]: range_iterator
In [16]: b
Out[16]: <range_iterator at 0x7f89b6b48480>
答案是:不可以。range返回的是range的对象，其是迭代对象，不能响应next方法，仅能响应__iter__方法，经过iter处理后，便能响应next函数了
demo3
生成器的宗旨是避免造成不必要的浪费*，无论是浪费内存，还是浪费计算时间，都是时间和空间上的一种浪费。
如果本来没有必要存在的数据还存在就是一种浪费，如下代码所示
def fibonacci():
nums = []
while True:
if len(nums) < 2:
nums.append(1)
else:
nums.append(sum(nums))
yield nums[-1]
# 斐波那契数据如果只需要最后一个数据的话，那之前就没有存在必要
# 从此来看，nums中只是不断的放数据，随着次数的增多，即无穷正数最终会令内存挂掉
def fibonacci():
nums = []
while True:
if len(nums) < 2:
nums.append(1)
else:
nums.append(sum(nums))
nums.pop(0)
yield nums[-1]
# 这是上一个版本的改良版，即nums最多只是一个包含两个数的列表
# 除于一开始两个数不谈，往后的最新值添加，nums有三个数
# 根据斐波那契数列的规律，只需要前两个数相加就足够了，那么，第一个值就可以弹出
# 从而不浪费内存空间
demo4
生成器有一个send方法，其允许生成器的反向沟通。
因为yield语句实际上是一个表达式，其有返回值就是None，而send方法给出的值则是此次yield表达式的结果。并且，在send方法调用的时候，yield语句已经再次运行了一次，即当send方法使用过后，看到的值已经是提供给send方法计算一次之后的值了
def squares():
cursor = 1
while True:
response = yield cursor ** 2 # 1
if response is not None: # 2
cursor = int(response) # 3
else:
cursor += 1
if __name__ == '__main__':
s = squares()
print(next(s))
print(next(s))
print(s.send(7))
print(next(s))
"""
运行结果
1
4
49
64
如果注释了 print send，直接使用send(7)，那么看到的值是1 4 64，send 的值会立刻影响计算的值并返回
"""
作用过程：
- 启用
send()之后，值即该传给成器，步骤1是这样response = 7 - 步骤
2此次为真，cursor值得到更新cursor = 7，步骤3完成，回到步骤1 - 再次执行
yield curosr ** 2就能得到结果49
过程理解:send()---> (give - get - calc - return(next))
何时编写生成器
基本原则:通过自己的代码提前去做一系列工作或存储一堆数据是没有好处的。
分块访问数据
分块访问数据，即需要访问的数据量在，但是其并非需要对数据量的整体做操作的时候，是不需要将其这么大的数据存入内存，如文件读写，斐波那契数列一样。那么就需要将数据分开处理，每次处理一点，直到处理完毕。
分块计算数据
如序列的计算，因存在于无穷数，所以某种情况下序列是无穷的,那即不可能用列表表示，但生成器却可以，其只在用时才计算的原则将不会过多的占用计算机资源，只要在合适的情况下终止生成器即可。
特殊语法
yield from:适用于生成器调用另一个生成器
def generation1():
yield 1
yield 2
yield 3
yield 4
yield 5
def generation2():
yield from generation1()
def generation3():
for i in generation1():
yield i
if __name__ == '__main__':
a = [i for i in generation2()]
print(a)
b = [i for i in generation3()]
print(b)
"""
运行记录:
[1, 2, 3, 4, 5]
[1, 2, 3, 4, 5]
generation2 的语法和 generation3 的语法所发挥的作用是一样，且 geneeration2 的讲法更精简
"""
参考书籍
pyton高级编程(作者:Luke Sneeringer)
