生成器和迭代器
列表生成式 >>> a = [i+1 for i in range(10)] >>> a [1,2,3,4,5,6,7,8,9,10] ? 循环 range(10) 生成一个列表,这就是列表生成器 >>> print(range(10)) [0,1,9]
>>> print(range(10)) range(0,10)
以上可见python2中,等于是创建了两个列表,比python3中,增加了内存消耗,python3中的优化
? ? 生成器generator ?由上可知在python2中,创建一个包含100万个元素的列表,不仅占用很大的存储空间, 如果我们仅仅需要访问前面几个元素,那后面绝大多数元素占用的空间都白白浪费了。比如我要循环100万次, 按py的语法,for i in range(1000000)会先生成100万个值的列表。但是循环到第50次时, 我就不想继续了,就退出了。但是90多万的列表元素就白为你提前生成了。 ?
for i in range(1000000): if i == 50: break print(i) ? 像上面这个循环,每次循环只是+1而已,我们完全可以写一个算法,让他执行一次就自动+1,这样就不必创建完整的list, ? 从而节省大量的空间。在Python中,这种一边循环一边计算后面元素的机制,称为生成器:generator。 ? 要创建一个generator,有很多种方法。第一种方法很简单,只要把一个列表生成式的 >>> [x * x for x in range(10)] [0,16,25,36,49,64,81] >>> >>> (x * x for x in range(10)) at 0x101ebc3b8> (x*x for x in range(10))生成的就是一个生成器。 ? ? ? 如果要一个一个打印出来,可以通过 ?
>>> g = (x * x for x in range(10)) >>> next(g) 0 >>> next(g) 1 >>> next(g) 4 >>> next(g) 9 >>> next(g) 16 >>> next(g) 25 >>> next(g) 36 >>> next(g) generator保存的是算法,每次调用
for 循环打印generator
>>> g = (x * x for x in range(10)) >>> for n in g: ... print(n) 0 1 4 9 函数生成器generator非常强大。如果推算的算法比较复杂,用类似列表生成式的for循环无法实现的时候,还可以用函数来实现。 比如,著名的斐波拉契数列(Fibonacci),除第一个和第二个数外,任意一个数都可由前两个数相加得到: 1,13,21,34,… 实现100以内的斐波那契数代码: a,b = 0,1 n = 0 # 斐波那契数 while n < 100: n = a + b a = b # 把b的旧值给到a b = n # 新的b = a + b(旧b的值) print(n) 改成函数也可以的 def fib(max): a,1 n = 0 # 斐波那契数 while n < max: n = a + b a = b # 把b的旧值给到a b = n # 新的b = a + b(旧b的值) print(n) fib(100) 输出 : 1 2 3 5 8 13 21 34 55 89 144 仔细观察,可以看出, 也就是说,上面的函数和generator仅一步之遥。要把 def fib(max): a,1 n = 0 # 斐波那契数 while n < max: n = a + b a = b # 把b的旧值给到a b = n # 新的b = a + b(旧b的值) #print(n) yield n # 程序走到这,就会暂停下来,返回n到函数外面,直到被next方法调用时唤醒 f = fib(100) # 注意这句调用时,函数并不会执行,只有下一次调用next时,函数才会真正执行 print(f) print(f.__next__()) print(f.__next__()) print(f.__next__()) print(f.__next__()) 输出 1 2 3 5 这就是定义generator的另一种方法。如果一个函数定义中包含 这里,最难理解的就是generator和函数的执行流程不一样。函数是顺序执行,遇到return语句或者最后一行函数语句就返回。而变成generator的函数, 在每次调用next()的时候执行,遇到yield语句暂停并返回数据到函数外,再次被next()调用时从上次返回的yield语句处继续执行
的例子,我们在循环过程中不断调用 同样的,把函数改成generator后,我们基本上从来不会用 f = fib(100) # 注意这句调用时,函数并不会执行,只有下一次调用next时,函数才会真正执行 for i in f: print(i) #输出: 1 2 3 ... ... 55 89 144 并发编程虽然我们还没学并发编程,但我们肯定听过cpu 多少核多少核之类的,cpu的多核就是为了可以实现并行运算,让你同时边听歌、边聊qq、边刷知乎。 单核的cpu同一时间只能干一个事,所以你用单核电脑同时做好几件事的话,就会变的很慢,因为cpu要在不同程序任务间来回切换。 通过yield,我们可以实现单核下并发做多件事的效果。 import time def consumer(name): print("%s 准备吃包子啦!" %name) while True: baozi = yield # yield可以接收到外部send传过来的数据并赋值给baozi print("包子[%s]来了,被[%s]吃了!" %(baozi,name)) c = consumer(‘A‘) c2 = consumer(‘B‘) c.__next__() # 执行一下next可以使上面的函数走到yield那句。 这样后面的send语法才能生效 c2.__next__() print("----老子开始准备做包子啦!----") for i in range(10): time.sleep(1) print("做了2个包子!") c.send(i) # send的作用=next,同时还把数据传给了上面函数里的yield c2.send(i) 注意:调用send(x)给生成器传值时,必须确保生成器已经执行过一次next()调用,这样会让程序走到yield位置等待外部第2次调用。 ? 迭代器Iterator
我们已经知道,可以直接作用于
这些可以直接作用于 可以使用 >>> from collections import Iterable >>> isinstance([],Iterable) True >>> isinstance({},Iterable) True >>> isinstance(‘abc‘,Iterable) True >>> isinstance((x for x in range(10)),Iterable) True >>> isinstance(100,Iterable) False 而生成器不但可以作用于for循环,还可以被next()函数不断调用并返回下一个值,直到最后抛出StopIteration错误表示无法继续返回下一个值了。 *可以被next()函数调用并不断返回下一个值的对象称为迭代器:Iterator。 可以使用isinstance()判断一个对象是否是Iterator对象: >>> from collections.abc import Iterator >>> isinstance([],Iterator) 生成器都是 把 >>> isinstance(iter([]),Iterator) True >>> isinstance(iter(‘abc‘),Iterator) True ? ? ?你可能会问,为什么 这是因为Python的 可以把这个数据流看做是一个有序序列,但我们却不能提前知道序列的长度,只能不断通过 只有在需要返回下一个数据时它才会计算。
小结 : 凡是可作用于 凡是可作用于 集合数据类型如
回到一开始我们讲的python3 和?python2 range的区别
# 简单模拟range class Foo: def __init__(self,start,stop): self.num=start self.stop=stop def __iter__(self): return self def __next__(self): if self.num >= self.stop: raise StopIteration n=self.num self.num+=1 return n f=Foo(1,5) from collections.abc import Iterator print(isinstance(f,Iterator)) for i in Foo(1,5): print(i) 以上可知:在python3,range的实现方式是基于迭代器。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |