what's the python之可迭代对象、迭代器与生成器（附面试题）
可迭代对象
字符串、列表、元祖、集合、字典都是可迭代的，数字是不可迭代的。（可以用for循环遍历取出内部元素的就是可迭代的）
如何查看一个变量是否为可迭代：
from collections import Iterable
l = [1,2,3,4]
t = (1,2,3,4)
d = {1:2,3:4}
s = {1,2,3,4}
print(isinstance(l,Iterable))
print(isinstance(t,Iterable))
print(isinstance(d,Iterable))
print(isinstance(s,Iterable))
#结果为True就是可迭代，False就是不可迭代
可以被迭代要满足的要求就叫做可迭代协议。可迭代协议的定义就是内部实现了__iter__方法，即可迭代对象中封装有__iter__方法。
迭代器
迭代器：用变量调__iter__后就可以生成一个迭代器，迭代器遵循迭代器协议：必须拥有__iter__方法和__next__方法。
l = [1,2,3,4]
l_iter = l.__iter__()#l_iter只是一个接受的变量
item = l_iter.__next__()#利用迭代器取值
print(item)#1
item = l_iter.__next__()
print(item)#2
item = l_iter.__next__()
print(item)#3
item = l_iter.__next__()
print(item)#4
item = l_iter.__next__()
print(item)#超出限度，报错
上步在最后出现了报错情况，为了使程序不报错，可以在取完了的最后将其终止掉：
l = [1,2,3,4]
l_iter = l.__iter__()
while True:
try:
item = l_iter.__next__()
print(item)
except StopIteration:
break
生成器
生成器：（本质就是一个迭代器，不过是由程序员写出来的才叫生成器，内置的就叫迭代器）
1.生成器函数：常规函数定义，但是，使用yield语句而不是return语句返回结果。yield语句一次返回一个结果，在每个结果中间，挂起函数的状态，以便下次重它离开的地方继续执行，惰性。
2.生成器表达式：类似于列表推导，但是，生成器返回按需产生结果的一个对象，而不是一次构建一个结果列表
简易生成器：
import time
def func():
a = 1
print('现在定义了a变量')
yield a
b = 2
print('现在又定义了b变量')
yield b
g1 = func()
print('g1 : ',g1) #打印g1可以发现g1就是一个生成器
print('-'*20) #我是华丽的分割线
print(next(g1))
time.sleep(1) #sleep一秒看清执行过程
print(next(g1))#每print一次next才会出来一个yield的值，不然就挂在上一个yield上不继续执行
生成器有什么好处呢？就是不会一下子在内存中生成太多数据，只有在你要的时候才会给你你要的数据
生成器应用的几个小栗子：
有关衣服订单：
def produce():
"""生产衣服"""
for i in range(2000000):
yield "生产了第%s件衣服"%i
product_g = produce()
print(product_g.__next__()) #要一件衣服
print(product_g.__next__()) #再要一件衣服
print(product_g.__next__()) #再要一件衣服
num = 0
for i in product_g: #要一批衣服，比如5件
print(i)
num +=1
if num == 5:
break
#到这里我们找工厂拿了8件衣服，我一共让我的生产函数(也就是produce生成器函数)生产2000000件衣服。
#剩下的还有很多衣服，我们可以一直拿，也可以放着等想拿的时候再拿
生成器监听文件输入的栗子：
import time
def tail(filename):
f = open(filename)
f.seek(0, 2) #从文件末尾算起
while True:
line = f.readline() # 读取文件中新的文本行
if not line:
time.sleep(0.1)
continue
yield line
tail_g = tail('tmp')
for line in tail_g:
print(line)
计算移动平均值（类似于年化收益）：
def averager():
total = 0
day = 0
average = 0
while True:
term = yield average
total += term
day += 1
average = total/day
g_avg = averager()
next(g_avg)
print(g_avg.send(10))
print(g_avg.send(12))
print(g_avg.send(13))
yield from可以在实行for循环的效果的同时将代码变少：
def gen1():
for c in 'AB':
yield c
for i in range(3):
yield i
print(list(gen1()))#['A','B',1,2,3]
#简化版本
def gen2():
yield from 'AB'
yield from range(3)
print(list(gen2()))#['A','B',1,2,3]
列表推导式和生成器表达式：（这里用一个小故事讲解知识点）
#为了彰显高富帅本质，一口气买了十个茶叶蛋，将他们依次排开并编号，拍照发到朋友圈 egg_list=['茶叶蛋%s' %i for i in range(10)] #列表解析 #可是这十个茶叶蛋一口气吃不完啊，要吃也就是一个一个吃，那么就吃一个拍一个照吧 eat=('茶叶蛋%s' %i for i in range(10))#生成器表达式 print(eat) print(next(eat)) #next本质就是调用__next__ print(eat.__next__()) print(next(eat))
总结：
1.把列表解析的[]换成()得到的就是生成器表达式
2.列表解析与生成器表达式都是一种便利的编程方式，只不过生成器表达式更节省内存
3.Python使用迭代器协议，让for循环变得更加通用。大部分内置函数，也是使用迭代器协议访问对象的。
附：与生成器相关的面试题：
def demo():
for i in range(4):
yield i
g=demo()
g1=(i for i in g)
g2=(i for i in g1)
print(list(g1))#[0,1,2,3]
print(list(g2))#[]
def add(n,i):
return n+i
def test():
for i in range(4):
yield i
g=test()
for n in [1,10]:
g=(add(n,i) for i in g)
print(list(g))#[20,21,22,23]
