主要總結一下列表生成式，生成器和迭代器的知識點
列表生成器
首先舉個例子
現在有個需求，看列表 [0，1，2，3，4，5，6，7，8，9]，要求你把列表里面的每個值加1，你怎么實現呢？
方法一（簡單）：
info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
b = []
# for index,i in enumerate(info):
# print(i+1)
# b.append(i+1)
# print(b)
for index,i in enumerate(info):
info[index] +=1
print(info)
方法二（一般）：
info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
a = map(lambda x:x+1,info)
print(a)
for i in a:
print(i)
方法三（高級）：
info = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
a = [i+1 for i in range(10)]
print(a)
生成器
什么是生成器？
通過列表生成式，我們可以直接創建一個列表，但是，受到內存限制，列表容量肯定是有限的，而且創建一個包含100萬個元素的列表，不僅占用很大的存儲空間，如果我們僅僅需要訪問前面幾個元素，那后面絕大多數元素占用的空間都白白浪費了。
所以，如果列表元素可以按照某種算法推算出來，那我們是否可以在循環的過程中不斷推算出后續的元素呢？這樣就不必創建完整的list，從而節省大量的空間，在Python中，這種一邊循環一邊計算的機制，稱為生成器：generator
生成器是一個特殊的程序，可以被用作控制循環的迭代行為，python中生成器是迭代器的一種，使用yield返回值函數，每次調用yield會暫停，而可以使用next()函數和send()函數恢復生成器。
生成器類似於返回值為數組的一個函數，這個函數可以接受參數，可以被調用，但是，不同於一般的函數會一次性返回包括了所有數值的數組，生成器一次只能產生一個值，這樣消耗的內存數量將大大減小，而且允許調用函數可以很快的處理前幾個返回值，因此生成器看起來像是一個函數，但是表現得卻像是迭代器
python中的生成器
要創建一個generator，有很多種方法，第一種方法很簡單，只有把一個列表生成式的[]中括號改為（）小括號，就創建一個generator
舉例如下：
#列表生成式
lis = [x*x for x in range(10)]
print(lis)
#生成器
generator_ex = (x*x for x in range(10))
print(generator_ex)
結果：
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
<generator object <genexpr> at 0x000002A4CBF9EBA0
那么創建list和generator_ex，的區別是什么呢？從表面看就是[ ]和（）,但是結果卻不一樣，一個打印出來是列表（因為是列表生成式），而第二個打印出來卻是<generator object <genexpr> at 0x000002A4CBF9EBA0>，那么如何打印出來generator_ex的每一個元素呢？
如果要一個個打印出來，可以通過next（）函數獲得generator的下一個返回值：
#生成器
generator_ex = (x*x for x in range(10))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
結果：
0
1
4
9
16
25
36
49
64
81
Traceback (most recent call last):
File "列表生成式.py", line 42, in <module>
print(next(generator_ex))
StopIteration
|
大家可以看到，generator保存的是算法，每次調用next(generaotr_ex)就計算出他的下一個元素的值，直到計算出最后一個元素，沒有更多的元素時，拋出StopIteration的錯誤，而且上面這樣不斷調用是一個不好的習慣，正確的方法是使用for循環，因為generator也是可迭代對象：
生成器
generator_ex = (x*x for x in range(10))
for i in generator_ex:
print(i)
結果：
0
1
4
9
16
25
36
49
64
81
所以我們創建一個generator后，基本上永遠不會調用next()，而是通過for循環來迭代，並且不需要關心StopIteration的錯誤，generator非常強大，如果推算的算法比較復雜，用類似列表生成式的for循環無法實現的時候，還可以用函數來實現。
比如著名的斐波那契數列，除第一個和第二個數外，任何一個數都可以由前兩個相加得到：
1，1，2，3，5，8，12，21，34.....
斐波那契數列用列表生成式寫不出來，但是，用函數把它打印出來卻很容易：
#fibonacci數列
def fib(max):
n,a,b =0,0,1
while n < max:
a,b =b,a+b
n = n+1
print(a)
return 'done'
a = fib(10)
print(fib(10))
a,b = b ,a+b 其實相當於 t =a+b ,a =b ,b =t ，所以不必寫顯示寫出臨時變量t，就可以輸出斐波那契數列的前N個數字。
仔細觀察，可以看出，fib函數實際上是定義了斐波拉契數列的推算規則，可以從第一個元素開始，推算出后續任意的元素，這種邏輯其實非常類似generator。
也就是說上面的函數也可以用generator來實現，上面我們發現，print(b)每次函數運行都要打印，占內存，所以為了不占內存，我們也可以使用生成器，這里叫yield。如下：
def fib(max):
n,a,b =0,0,1
while n < max:
yield b
a,b =b,a+b
n = n+1
return 'done'
a = fib(10)
print(fib(10))
但是返回的不再是一個值，而是一個生成器，和上面的例子一樣，大家可以看一下結果：
<generator object fib at 0x000001C03AC34FC0>
那么這樣就不占內存了，這里說一下generator和函數的執行流程，函數是順序執行的，遇到return語句或者最后一行函數語句就返回。而變成generator的函數，在每次調用next()的時候執行，遇到yield語句返回，再次被next（）調用時候從上次的返回yield語句處急需執行，也就是用多少，取多少，不占內存。
def fib(max):
n,a,b =0,0,1
while n < max:
yield b
a,b =b,a+b
n = n+1
return 'done'
a = fib(10)
print(fib(10))
print(a.__next__())
print(a.__next__())
print(a.__next__())
print("可以順便干其他事情")
print(a.__next__())
print(a.__next__())
結果：
<generator object fib at 0x0000023A21A34FC0>
1
1
2
可以順便干其他事情
3
5
在上面fib的例子，我們在循環過程中不斷調用yield，就會不斷中斷。當然要給循環設置一個條件來退出循環，不然就會產生一個無限數列出來。同樣的，把函數改成generator后，我們基本上從來不會用next()來獲取下一個返回值，而是直接使用for循環來迭代：
def fib(max):
n,a,b =0,0,1
while n < max:
yield b
a,b =b,a+b
n = n+1
return 'done'
for i in fib(6):
print(i)
結果：
1
1
2
3
5
8
但是用for循環調用generator時，發現拿不到generator的return語句的返回值。如果拿不到返回值，那么就會報錯，所以為了不讓報錯，就要進行異常處理，拿到返回值，如果想要拿到返回值，必須捕獲StopIteration錯誤，返回值包含在StopIteration的value中：
def fib(max):
n,a,b =0,0,1
while n < max:
yield b
a,b =b,a+b
n = n+1
return 'done'
g = fib(6)
while True:
try:
x = next(g)
print('generator: ',x)
except StopIteration as e:
print("生成器返回值：",e.value)
break
結果：
generator: 1
generator: 1
generator: 2
generator: 3
generator: 5
generator: 8
生成器返回值： done
還可以通過yield實現在單線程的情況下實現並發運算的效果
import time
def consumer(name):
print("%s 准備學習啦!" %name)
while True:
lesson = yield
print("開始[%s]了,[%s]老師來講課了!" %(lesson,name))
def producer(name):
c = consumer('A')
c2 = consumer('B')
c.__next__()
c2.__next__()
print("同學們開始上課 了!")
for i in range(10):
time.sleep(1)
print("到了兩個同學!")
c.send(i)
c2.send(i)
結果：
A 准備學習啦!
B 准備學習啦!
同學們開始上課 了!
到了兩個同學!
開始[
0
]了,[A]老師來講課了!
開始[
0
]了,[B]老師來講課了!
到了兩個同學!
開始[
1
]了,[A]老師來講課了!
開始[
1
]了,[B]老師來講課了!
到了兩個同學!
開始[
2
]了,[A]老師來講課了!
開始[
2
]了,[B]老師來講課了!
到了兩個同學!
開始[
3
]了,[A]老師來講課了!
開始[
3
]了,[B]老師來講課了!
到了兩個同學!
開始[
4
]了,[A]老師來講課了!
開始[
4
]了,[B]老師來講課了!
到了兩個同學!
開始[
5
]了,[A]老師來講課了!
開始[
5
]了,[B]老師來講課了!
到了兩個同學!
開始[
6
]了,[A]老師來講課了!
開始[
6
]了,[B]老師來講課了!
到了兩個同學!
由上面的例子我么可以發現，python提供了兩種基本的方式
生成器函數：也是用def定義的，利用關鍵字yield一次性返回一個結果，阻塞，重新開始
生成器表達式：返回一個對象，這個對象只有在需要的時候才產生結果
——生成器函數
為什么叫生成器函數？因為它隨着時間的推移生成了一個數值隊列。一般的函數在執行完畢之后會返回一個值然后退出，但是生成器函數會自動掛起，然后重新拾起急需執行，他會利用yield關鍵字關起函數，給調用者返回一個值，同時保留了當前的足夠多的狀態，可以使函數繼續執行，生成器和迭代協議是密切相關的，迭代器都有一個__next__()__成員方法，這個方法要么返回迭代的下一項，要買引起異常結束迭代。
# 函數有了yield之后，函數名+（）就變成了生成器
# return在生成器中代表生成器的中止，直接報錯
# next的作用是喚醒並繼續執行
# send的作用是喚醒並繼續執行，發送一個信息到生成器內部
'''生成器'''
def create_counter(n):
print("create_counter")
while True:
yield n
print("increment n")
n +=1
gen = create_counter(2)
print(gen)
print(next(gen))
print(next(gen))
結果：
<generator object create_counter at 0x0000023A1694A938>
create_counter
2
increment n
3
Process finished with exit code 0
——生成器表達式
生成器表達式來源於迭代和列表解析的組合，生成器和列表解析類似，但是它使用尖括號而不是方括號
>>>
# 列表解析生成列表
>>> [ x
*
*
3
for
x
in
range
(
5
)]
[
0
,
1
,
8
,
27
,
64
]
>>>
>>>
# 生成器表達式
>>> (x
*
*
3
for
x
in
range
(
5
))
<generator
object
<genexpr> at
0x000000000315F678
>
>>>
# 兩者之間轉換
>>>
list
(x
*
*
3
for
x
in
range
(
5
))
[
0
,
1
,
8
,
27
,
64
]
一個迭代既可以被寫成生成器函數，也可以被協程生成器表達式，均支持自動和手動迭代。而且這些生成器只支持一個active迭代，也就是說生成器的迭代器就是生成器本身。
迭代器（迭代就是循環）
迭代器包含有next方法的實現，在正確的范圍內返回期待的數據以及超出范圍后能夠拋出StopIteration的錯誤停止迭代。
我們已經知道，可以直接作用於for循環的數據類型有以下幾種：
一類是集合數據類型，如list,tuple,dict,set,str等
一類是generator，包括生成器和帶yield的generator function
這些可以直接作用於for 循環的對象統稱為可迭代對象：Iterable
可以使用isinstance()判斷一個對象是否為可Iterable對象
>>>
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於for循環，還可以被next()函數不斷調用並返回下一個值，直到最后拋出StopIteration錯誤表示無法繼續返回下一個值了。
所以這里講一下迭代器
一個實現了iter方法的對象時可迭代的，一個實現next方法的對象是迭代器
可以被next()函數調用並不斷返回下一個值的對象稱為迭代器：Iterator。
可以使用isinstance()判斷一個對象是否是Iterator對象：
>>>
from
collections
import
Iterator
>>>
isinstance
((x
for
x
in
range
(
10
)), Iterator)
True
>>>
isinstance
([], Iterator)
False
>>>
isinstance
({}, Iterator)
False
>>>
isinstance
(
'abc'
, Iterator)
False
生成器都是Iterator對象，但list、dict、str雖然是Iterable（可迭代對象），卻不是Iterator（迭代器）。
把list、dict、str等Iterable變成Iterator可以使用iter()函數：
>>>
isinstance
(
iter
([]), Iterator)
True
>>>
isinstance
(
iter
(
'abc'
), Iterator)
True
你可能會問，為什么list、dict、str等數據類型不是Iterator？
這是因為Python的Iterator對象表示的是一個數據流，Iterator對象可以被next()函數調用並不斷返回下一個數據，直到沒有數據時拋出StopIteration錯誤。可以把這個數據流看做是一個有序序列，但我們卻不能提前知道序列的長度，只能不斷通過next()函數實現按需計算下一個數據，所以Iterator的計算是惰性的，只有在需要返回下一個數據時它才會計算。
Iterator甚至可以表示一個無限大的數據流，例如全體自然數。而使用list是永遠不可能存儲全體自然數的。
判斷下列數據類型是可迭代對象or迭代器
s
=
'hello'
l
=
[
1
,
2
,
3
,
4
]
t
=
(
1
,
2
,
3
)
d
=
{
'a'
:
1
}
set
=
{
1
,
2
,
3
}
f
=
open
(
'a.txt'）
s='hello' #字符串是可迭代對象，但不是迭代器
l=[1,2,3,4] #列表是可迭代對象，但不是迭代器
t=(1,2,3) #元組是可迭代對象，但不是迭代器
d={'a':1} #字典是可迭代對象，但不是迭代器
set={1,2,3} #集合是可迭代對象，但不是迭代器
# *************************************
f=open('test.txt') #文件是可迭代對象，是迭代器
#如何判斷是可迭代對象，只有__iter__方法，執行該方法得到的迭代器對象。
# 及可迭代對象通過__iter__轉成迭代器對象
from collections import Iterator #迭代器
from collections import Iterable #可迭代對象
print(isinstance(s,Iterator)) #判斷是不是迭代器
print(isinstance(s,Iterable)) #判斷是不是可迭代對象
#把可迭代對象轉換為迭代器
print(isinstance(iter(s),Iterator))
注意：文件的判斷
f = open('housing.csv')
from collections import Iterator
from collections import Iterable
print(isinstance(f,Iterator))
print(isinstance(f,Iterable))
True
True
結論：文件是可迭代對象，也是迭代器
小結：
- 凡是可作用於
for循環的對象都是Iterable類型； - 凡是可作用於
next()函數的對象都是Iterator類型，它們表示一個惰性計算的序列； - 集合數據類型如
list、dict、str等是Iterable但不是Iterator，不過可以通過iter()函數獲得一個Iterator對象。
Python3的for循環本質上就是通過不斷調用next()函數實現的，例如：
for x in [1,2,3,4]:
pass
實際上完全等價於
# 首先獲得Iterator對象:
it = iter([1, 2, 3, 4, 5])
# 循環:
while True:
try:
# 獲得下一個值:
x = next(it)
except StopIteration:
# 遇到StopIteration就退出循環
break
對yield的總結
（1）通常的for..in...循環中，in后面是一個數組，這個數組就是一個可迭代對象，類似的還有鏈表，字符串，文件。他可以是a = [1,2,3]，也可以是a = [x*x for x in range(3)]。
它的缺點也很明顯，就是所有數據都在內存里面，如果有海量的數據，將會非常耗內存。
（2）生成器是可以迭代的，但是只可以讀取它一次。因為用的時候才生成，比如a = (x*x for x in range(3))。!!!!注意這里是小括號而不是方括號。
（3）生成器（generator）能夠迭代的關鍵是他有next()方法，工作原理就是通過重復調用next()方法，直到捕獲一個異常。
（4）帶有yield的函數不再是一個普通的函數，而是一個生成器generator，可用於迭代
（5）yield是一個類似return 的關鍵字，迭代一次遇到yield的時候就返回yield后面或者右面的值。而且下一次迭代的時候，從上一次迭代遇到的yield后面的代碼開始執行
（6）yield就是return返回的一個值，並且記住這個返回的位置。下一次迭代就從這個位置開始。
（7）帶有yield的函數不僅僅是只用於for循環，而且可用於某個函數的參數，只要這個函數的參數也允許迭代參數。
（8）send()和next()的區別就在於send可傳遞參數給yield表達式，這時候傳遞的參數就會作為yield表達式的值，而yield的參數是返回給調用者的值，也就是說send可以強行修改上一個yield表達式值。
（9）send()和next()都有返回值，他們的返回值是當前迭代遇到的yield的時候，yield后面表達式的值，其實就是當前迭代yield后面的參數。
（10）第一次調用時候必須先next（）或send（）,否則會報錯，send后之所以為None是因為這時候沒有上一個yield，所以也可以認為next（）等同於send(None)