⼀. 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 0x10567ff68>
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.
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.
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
2.. ⽣成器有的作⽤
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 cloth(): lst = [] for i in range(0,10): lst.append('衣服'+str(i)) return lst cl = cloth()
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 cloth(): for i in range(0, 10000): yield "⾐服"+str(i) cl = cloth() print(cl.__next__()) print(cl.__next__()) print(cl.__next__()) print(cl.__next__())
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.
send用法:
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) 结果为: 我吃什么啊 馒头 a= 胡辣汤 ⼤饼 b= 狗粮 ⾲菜盒⼦ c= 猫粮 GAME OVER
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循环来循环获取内部的元素:
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 :
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:
lis = ['python%d期'% i for i in range(1,15)] print(lis)
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
例
获取1-100内所有的偶数 lst = [i for i in range(1, 100) if i % 2 == 0] print(lst) 获取1-100内能被3整除的数 lst = [i for i in range(1,101) if i % 3 == 0] 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']] lst = [name for first in names for name in first if name.count("e") == 2] 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(5)) for i in gen: print(i) 结果为: 麻花藤我第0次爱你 麻花藤我第1次爱你 麻花藤我第2次爱你 麻花藤我第3次爱你 麻花藤我第4次爱你
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 lis = (i for i in range(1,101) if i%3==0) for el in lis: print(el) # 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 结果: 111 [222] [] []
深坑==> ⽣成器. 要值得时候才拿值.
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, 8, -8, 12,12,11,11] s = {i for i in lst} print(s) 结果: {1, 8, 11, 12, -8, -1} 绝对值去重: lst = [1, -1, 8, -8, 12,12,11,11] s = {abs(i) for i in lst} print(s) 结果为: {8, 1, 11, 12}
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500000000颗星:
def add(a, b): return a + b def s(): for r_i in range(4): yield r_i g = s() for n in [2, 10]: g = (add(n, i) for i in g)>>> # g = (add(n, i) for i in (add(n, i) for i in g))
#把n=10, g=0,1,2,3往进套
print(list(g))
结果为:
[20, 21, 22, 23]
def add(a, b): return a + b def s(): for r_i in range(4): yield r_i g = s() for n in [2, 10,5]: g = (add(n, i) for i in g)>>#g = (add(n, i) for i in (add(n, i) for i in (add(n, i) for i in g)))
#把g = 0,1,2,3 n=5,往进套
print(list(g)) 结果为: [15, 16, 17, 18]
友情提⽰: 惰性机制, 不到最后不会拿值