https://www.cnblogs.com/haishiniu123/p/6774081.html
迭代器协议:
1.迭代器协议是指:对象必须提供一个next方法,执行该方法要么返回迭代中的下一项,要么就引起一个StopIteration异常,以终止迭代 (只能往后走不能往前退)
2.可迭代对象:实现了迭代器协议的对象(如何实现:对象内部定义一个__iter__()方法)
3.协议是一种约定,可迭代对象实现了迭代器协议,python的内部工具(如for循环,sum,min,max函数等)使用迭代器协议访问对象
Python中强大的for 循环机制
for循环的本质:循环所有对象,全都是使用迭代器协议。
很多人会想,for循环的本质就是遵循迭代器协议去访问对象,那么for循环的对象肯定都是迭代器了啊,没错,那既然这样,for循环可以遍历(字符串,列表,元组,字典,集合,文件对象),那这些类型的数据肯定都是可迭代对象啊?但是,我他妈的为什么定义一个列表l=[1,2,3,4]没有l.next()方法,打脸么。
(字符串,列表,元组,字典,集合,文件对象)这些都不是可迭代对象,只不过在for循环式,调用了他们内部的__iter__方法,把他们变成了可迭代对象
然后for循环调用可迭代对象的__next__方法去取值,而且for循环会捕捉StopIteration异常,以终止迭代
name=[1,2,3,4,5] for i in name: print(i) 实现for循环的原理(while循环模拟for循环) : name=name.__iter__() while True: try: print(name.__next__()) except StopIteration: break #集合中使用迭代器 s={1,2,3} for i in s: print(i) 运行结果: 1 2 3 iter_s=s.__iter__() print(iter_s) print(iter_s.__next__()) print(iter_s.__next__()) print(iter_s.__next__()) print(iter_s.__next__()) 运行结果: <set_iterator object at 0x00000000027BDFC0> 1 2 3 报错:StopIteration 手动执行.__next__()对象都遍历完了再执行就会报错 #字典中使用迭代器 dic={'a':1,'b':2} iter_d=dic.__iter__() print(iter_d.__next__()) 运行结果: a #默认迭代的是key值 #文件中使用迭代器 f=open('test.txt','r+') iter_f=f.__iter__() print(iter_f) print(iter_f.__next__(),end='') #通过end参数解决了不是以默认的方式换行的问题 print(iter_f.__next__(),end='') 运行结果: <_io.TextIOWrapper name='test.txt' mode='r+' encoding='cp936'> 1111 2 补充next() l=['die','erzi','sunzi','chongsunzi'] iter_l=l.__iter__() print(next(iter_l)) #next()相当于iter_l.__next__() 运行结果: die
生成器
可以理解为一种数据类型,这种数据类型自动实现了迭代器协议(其他的数据类型需要调用自己内置的__iter__方法),所以生成器就是可迭代对象
生成器分类及在python中的表现形式:(Python有两种不同的方式提供生成器)
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
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
为何使用生成器之生成器的优点
Python使用生成器对延迟操作提供了支持。所谓延迟操作,是指在需要的时候才产生结果,而不是立即产生结果。这也是生成器的主要好处。
生成器小结:
1.是可迭代对象
2.实现了延迟计算,省内存啊
3.生成器本质和其他的数据类型一样,都是实现了迭代器协议,只不过生成器附加了一个延迟计算省内存的好处,其余的可迭代对象可没有这点好处,记住喽!!!
def test(): yield 1 yield 2 yield 3 g=test() #写完此句才是生成器对象 print('来自函数',g) print(g.__next__()) #生成器内部有next方法,直接调用就ok print(g.__next__()) 运行结果: 来自函数 <generator object test at 0x0000000002202780> 1 2 #三元表达式 name='linhaifeng' res='SB' if name == 'alex' else '帅哥' print(res) 运行结果: 帅哥 #列表解析 #通过for循环的形式实现原理 egg_list=[] for i in range(10): egg_list.append('鸡蛋%s' %i) print(egg_list) #列表解析的表达形式 l=['鸡蛋%s' %i for i in range(10)]#%后面相当于一个要传给前面的一个参数 l1=['鸡蛋%s' %i for i in range(10) if i > 5] #列表解析中的三元表达式形式 #l1=['鸡蛋%s' %i for i in range(10) if i > 5 else i] #报错,没有四元表达式 l2=['鸡蛋%s' %i for i in range(10) if i < 5] #没有四元表达式 print(l) print(l1) print(l2) 运行结果: ['鸡蛋0', '鸡蛋1', '鸡蛋2', '鸡蛋3', '鸡蛋4', '鸡蛋5', '鸡蛋6', '鸡蛋7', '鸡蛋8', '鸡蛋9'] ['鸡蛋6', '鸡蛋7', '鸡蛋8', '鸡蛋9'] ['鸡蛋0', '鸡蛋1', '鸡蛋2', '鸡蛋3', '鸡蛋4'] laomuji=('鸡蛋%s' %i for i in range(10)) #生成器表达式 print(laomuji) print(laomuji.__next__()) print(laomuji.__next__()) print(next(laomuji)) print(next(laomuji)) print(next(laomuji)) print(next(laomuji)) print(next(laomuji)) print(next(laomuji)) 运行结果: <generator object <genexpr> at 0x00000000027F2780> 鸡蛋0 鸡蛋1 鸡蛋2 鸡蛋3 鸡蛋4 鸡蛋5 鸡蛋6 鸡蛋7
生成器总结:
综上已经对生成器有了一定的认识,下面我们以生成器函数为例进行总结
语法上和函数类似:生成器函数和常规函数几乎是一样的。它们都是使用def语句进行定义,差别在于,生成器使用yield语句返回一个值,而常规函数使用return语句返回一个值
自动实现迭代器协议:对于生成器,Python会自动实现迭代器协议,以便应用到迭代背景中(如for循环,sum函数)。由于生成器自动实现了迭代器协议,所以,我们可以调用它的next方法,并且,在没有值可以返回的时候,生成器自动产生StopIteration异常
状态挂起:生成器使用yield语句返回一个值。yield语句挂起该生成器函数的状态,保留足够的信息,以便之后从它离开的地方继续执行
优点一:生成器的好处是延迟计算,一次返回一个结果。也就是说,它不会一次生成所有的结果,这对于大数据量处理,将会非常有用。
优点二:生成器还能有效提高代码可读性