迭代器,生成器函数和各种推导式

一.迭代器

一个数据类型中包含了__iter__函数表示这个数据是可迭代的
特征:

　　　　1. 省内存
　　　　2. 惰性机制
　　　　3. 只能向前. 不能后退

作用:统一了各种数据类型的遍历
dir(数据类型):

　　　　dir() 可以帮我们查看xxx数据能够执行的操作

例如

print(dir(str)) # 有__iter__,是可迭代对象

print(dir(int)) # 没有__iter__,不是可迭代对象

print(dir(list)) # 有__iter__,是可迭代对象

print(dir(dict)) # 有__iter__,是可迭代对象

print(dir(bool)) # 没有__iter__,不是可迭代对象

# 共性:所有带有__iter__的东西都可以进行for循环, 带有__iter__的东西就是可迭代对象

判断迭代器和可迭代对象的方案(野路子)

　　　　__iter__ 可迭代的

　　　　__iter__　　　　 __next__ 迭代器

判断迭代器和可迭代对象的方案(官方)

　　　　from collections import Iterable, Iterator

　　　　isinstance(对象, Iterable) 是否是可迭代的

　　　　isinstance(对象, Iterator) 是否是迭代器

#借助于两个模块 Iterator迭代器, Iterable可迭代的
from collections import Iterable, Iterator
lst = [1,2,3]
print(lst.__next__())
print(isinstance(lst, Iterable)) # xxx是否是xxx类型的. True
print(isinstance(lst, Iterator)) # xxx是否是xxx迭代器. False


it = lst.__iter__()  # 迭代器一定可迭代,  可迭代的东西不一定是迭代器
print(isinstance(it, Iterable)) # xxx是否是xxx类型的. True
print(isinstance(it, Iterator)) #  xxx是否是xxx迭代器. True

迭代器一定可迭代, 可迭代的东西不一定是迭代器
模拟for循环

# 模拟for循环 for el in lst:
lst=[1,2,3]
it = lst.__iter__() # 获取到迭代器
while 1: # 循环
    try: # 尝试
        el = it.__next__() # 那数据
        print(el)
    except StopIteration: # 出了错误, 意味着数据拿完了
        break # 结束循环

二.生成器定义与获取

　　定义: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

def func():
    print("我叫周润发")
    yield "林志玲"   # yield表示返回. 不会终止函数的执行
ret = func() # 执行函数, 此时没有运行函数. 此时我们拿到的是生成器
 print("返回值是", ret) # <generator生成器 object func at 0x0000000009E573B8>
# 执行到下一个yield
print(ret.__next__()) # 第一次执行__next__此时函数才开始执行
print(ret.__next__()) # 执行到下一个yield
print(ret.__next__()) # StopIteration

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是直接停止执行函数.

生成器函数在执行的时候返回生成器. 而不是直接执行此函数

能向下执行的两个条件:

    　　__next__(), 执行到下一个yield    　　
　　　send(), 执行到下一个yield, 给上一个yield位置传值

def func():
    print("韭菜盒子")
    a = yield "韭菜鸡蛋"
    print("a", a)
    b = yield "韭菜西红柿"
    print("b", b)
    c = yield "火烧"
    print("c", c)
gen = func()#获取生成器
print(gen.__next__()) # 执行到第一个yield
print(gen.send("篮球")) # 给上一个yield位置传值,即给a一个值'篮球'
print(gen.send("足球")) # 给上一个yield位置传值,即给b一个值'足球'

所有的生成器都是迭代器都可以直接使用for循环
都可以使用list()函数来获取到生成器内所有的数据

生成器中记录的是代码而不是函数的运行

def func():
    print("值 1")
    yield "值2"
gen= func()#获取生成器

gen = func() # 创建生成器. 此时运行会把生成器函数中的代码记录在内存
当执行到__next__(), 运行此空间中的代码, 运行到yield结束.
优点: 节省内存, 生成器本身就是代码. 几乎不占用内存
特点: 惰性机制, 只能向前. 不能反复

三.生成器表达式

　　(结果 for循环 if...)

g =(i for i in range(10))
print(next(g))
print(next(g))
print(next(g))
print(next(g))
print(next(g))
print(next(g))
print(iter(g))

四.各种推导式　

列表推导式 [结果 for循环 if...]

lst = [i for i in range(1, 19)]
print(lst)

字典推导式 {结果(k:v) for循环 if...}
集合推导式 {结果(k) for循环 if...}

　　元组没有推导式,小括号括起来的是生成器表达式

补充:yield from

def func():
    lst = ["衣服%s" % i for i in range(500)]
    yield from lst # 可以把一个可迭代对象分别进行yield返回

    lst1 = ["python%s" % i for i in range(18)]
    yield from lst1
gen = func()
print(gen.__next__())
print(gen.__next__())
lst全部返回完后才会返回lst1,不会交叉返回

lst = ["衣服%s" % i for i in range(500)]
   yield from lst
这个就相当于
for i in range(500):
    yield "衣服%s" % i