python 生成器和生成器函数列表推导式

　　1.生成器和生成器函数

　　2.列表推导式

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,我们先来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 0x0000023061852A40>

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():
 　　print("111")
 　　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⼀样. 也是返回
数据
print(ret)
结果:
111
222

那么我们可以看到, yield和return的效果是⼀样的. 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__() # 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 func():
    lst = []
    for i in range(1,100001):
        lst.append("衣服%s" % i)
    return lst　　　　　　　　　　　　#一次性拿太多,占内存,不便捷

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10000套. 是不是最完美的.

def gen():
    i = 1
    while i < 100001:
        yield "衣服%s" % i
        i = i + 1
g = gen()
print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())
print(g.__next__())　　　　　　#想拿就拿  方便快捷

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. ⼀次就⼀个. 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⼀次

　　2. send可以给上⼀个yield的位置传递值, 不能给最后⼀个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循坏来循坏获取内部的元素:

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

　　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1-13 :

for循坏方法:

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)

列表推导式是通过⼀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lst:

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. ⼀次性加载. 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. 得到的值不⼀样. 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. 同样⼀篮⼦鸡蛋. 列表推导式: 直接拿到⼀篮⼦鸡蛋. ⽣成器表达式: 拿到⼀个老⺟鸡. 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
g1 = (i for i in g) # ⽣成器g1. 但是g1的数据来源于g
g2 = (i for i in g1) # ⽣成器g2. 来源g1
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.要值的时候才能拿.

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[i] 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,-1,3,5,7,8,7]
#绝对去重值
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.

一个面试题.难度系数50000000000颗星:

def add(a,b):
    return a + b
def test():
    for i in range(4):
        yield i               面试题很难的题   真的很难  你可以试试  哈哈

g = test()
for n in [2,10,]:
    g = (add(n,i)for i in g )

print(list(g))

哈哈提示哈 : 惰性机制,不到最后不拿值

自己先读 , 先分析最后不懂机器跑一下.

老难了看看学会了基础会不会分析现在不会

python 生成器和生成器函数 列表推导式

python 生成器和生成器函数列表推导式