可迭代对象
对象内部含有 __iter__方法就是可迭代对象。
可迭代对象：str list dict tuple set range()
可迭代对象满足可迭代协议
判断一个对象是否可迭代：
第一个方法：
print('__iter__ in dir(s))
第二个方法：
from collections import Iterable # 判断可迭代对象
from collections import Iterator # 判断迭代器
print(isinstance('alex', Iterable)) # 判断类型
迭代器：
对象内部含有__iter__方法，且含有__next__方法就是迭代器。
判断一个对象是否迭代器：
print('__next__' in dir(f))
# 可迭代对象
# for i in 'abc':
# # print(i)
# 对象内部含有 __iter__ 方法就是可迭代对象。
# s = '123'
# print(dir(s))
# 判断一个对象是否可迭代对象：
# 第一种方法
# print('__iter__' in dir(s))
# 第二种方法
from collections import Iterable # 判断可迭代对象
from collections import Iterator # 判断迭代器
print(isinstance('alex', Iterable)) # 判断类型
# 迭代器
# 判断一个对象是否可迭代器
f = open('a', encoding='utf-8', mode='w')
print('__next__' in dir(f))
可迭代对象 vs 迭代器
- 1. 可迭代对象不能取值，迭代器是可以取值的。
- 可迭代对象 --->（转化成） 迭代器：
- 2. 迭代器非常节省内存。
- 只加载一个内存地址，next一下，加载这个内存的地址+
- 3. 迭代器每次只会取一个值。
- 4. 迭代器单向的，不反复，一条路走到头。会记录地址
数据量很大 只是取值 用迭代器。
while循环 模拟 for 循环内部机制：
- 1. 将可迭代对象转化成迭代器。
- 2. 调用__next__ 方法取值
- 3. 利用异常处理停止报错
# 可迭代对象 --->（转化成） 迭代器：
lis = [1, 2, 3] # 可迭代对象
ite1 = lis.__iter__() # 迭代器
print(ite1)
# 迭代器如何取值 next一次，取一个值
print(ite1.__next__()) # 写一步 取一个
# while循环 模拟 for 循环：
# 1. 将可迭代对象转化成迭代器。
# 2. 调用__next__ 方法取值
# 3. 利用异常处理停止报错
s = 'sdgs'
iter2 = s.__iter__()
while 1:
try:
print(iter2.__next__())
except StopIteration:
break
生成器
生成器：就是自己python用代码写的迭代器，生成器的本质就是迭代器。
用一下两种方式构建一个生成器：
- 通过生成器函数
- 生成器表达式
def func2(x):
x += 1
print(111)
yield x
print(222)
g_obj = func2(5) # 生成器函数对象
# print(g_obj) <generator object func2 at 0x000001933AEB9408>
# g_obj.__next__() #111
# g_obj.__next__() #222
# 一个next对应一个yield
# yield 将值返回给 生成器对象.__next__()
yield return 区别
- return结束函数，给函数的执行者返回值
- yield 不会结束函数，一个next对应一个yield，给 生成器对象.__next__() 返回值
生成器函数 迭代器
- 区别区别1：自定制区别
- 区别2：内存级别的区别 迭代器需要可迭代对象进行转化。
可迭代对象是非常占内存的 生成器是直接创建，不需要转化。从本质上就节省内存。
区别1 自定制去呗 # l1 = [1, 2, 3, 4, 5] # l1.__iter__() # def func1(x): # x += 1 # yield x # x += 3 # yield x # x += 5 # yield x # # # g1 = func1(5) # print(g1.__next__()) # print(g1.__next__()) # print(g1.__next__()) # 区别2 内存级别区别 # def func3(): # for i in range(100000): # yield i # g2 = func3() # for i in range(50): # print(g2.__next__())
def func(x): x += 1 yield x x += 2 yield x # 得到两个生成器对象 # print(func(8).__next__()) # 9 # print(func(8).__next__()) # 9 # 得到一个生成器对象 g = func(8) print(g.__next__()) # 9 print(g.__next__()) # 11
send 与 next 区别
- send 与 next 一样，也是对生成器取值（执行一个yield）的方法
- send 可以给 上一个yield传值。
- 第一次取值永远都是next
- 最后一个yield永远也得不到send传的值
# send 与 next
def func1():
# print(1)
count = yield 6
print(count)
# print(2)
yield 7
# print(3)
yield 8
g1 = func1()
# next(g1)
print(next(g1))
g1.send('alex')
next(g1)
列表推导式：一行代码几乎搞定你需要的任何列表
-
循环模式 [变量（加工后的变量） for 变量 in iterable]
-
筛选模式 [变量（加工后的变量） for 变量 in iterable if 条件]
l = [i for i in range(1,101)] print(l) l = ['python %s 期' % i for i in range(1, 16)] print(l) l = [i**2 for i in range(1, 11)] print(l)
l = [i for i in range(1, 31) if i % 2 == 0] print(l) l = [i for i in range(1, 31) if i % 3 == 0] print(l) l = [i**2 for i in range(1, 31) if i % 3 == 0] print(l) names = [['Tom', 'Billy', 'Jefferson', 'Andrew', 'Wesley', 'Steven', 'Joe'], ['Alice', 'Jill', 'Ana', 'Wendy', 'Jennifer', 'Sherry', 'Eva']] l = [j for i in names for j in i if j.count('e') == 2] print(l)
列表推导式：
优点：一行解决，方便。
缺点：容易着迷，不易排错，不能超过三次循环
列表推导式不能解决所有列表的问题，所以平时的代码不要太刻意用。
# 生成器表达式： 将列表推导式的 [] 换成 () 即可 g = (i for i in range(100)) print(g.__next__()) print(next(g)) #