阅读量:

Python 学习之路——迭代器与生成器

一、迭代

定义：

迭代是重复反馈过程的活动，其目的通常是为了逼近所需目标或结果。

在前面的学习中，我们知道 list、tuple、str 等这些对象是可以用 for 循环进行遍历的，这种遍历的方式我们就称之为迭代。能够进行迭代行为的对象我们就称之为可迭代对象（Iterable）。我们可以用Python的内置模块来判断一个对象是不是可迭代对象：

from collections.abc import Iterable

print(isinstance('Python', Iterable))  # True
print(isinstance([1, 2], Iterable))  # True
print(isinstance((1, ), Iterable))  # True
print(isinstance({1:1}, Iterable))  # True
print(isinstance({1}, Iterable))  # True

通过代码验证，我们之前常用的字符串、列表、元组、字典和集合都属于可迭代对象。

二、迭代器

在Python中，我们可以自定义迭代器。想要定义迭代器，那么我们就需要在我们的类中添加 __iter__() 与 __next__() 这两个魔法方法。 __iter__() 方法：返回一个特殊的迭代器对象； __next__() 方法：调用next() 函数时调用此方法。下面我们就用迭代器来实现输出斐波那契数列：

斐波那契数列：1、1、2、3、5、8、13、21、34......

class Demo:
    def __iter__(self):
        self.a = 0
        self.b = 1
        return self

    def __next__(self):
        self.a, self.b = self.b, self.a + self.b
        return self.a


num = Demo()
myiter = iter(num)
print(next(myiter))  # 1
print(next(myiter))  # 1
print(next(myiter))  # 2
print(next(myiter))  # 3

使用上面的代码我们成功实现了利用迭代器输出斐波那契数列。

迭代器的优点：

为什么在Python中我们有那么多的可迭代的容器我们却还要弄一个迭代器呢？像列表、元组等这些容器都能够实现迭代输出，为什么我们还需要自定义迭代器呢？首先我们思考一个问题，如果我们要遍历输出 1~100000 的数字，我们用列表怎样输出呢？我们可以用列表推导式——[i for i in range(100000)]，像这样就可以输出。但是这样有一个问题，那就是这样使用时Python解释器会将整个列表放入到内存中，这庞大的数据量必定会占用极大的内存空间。首先就会拖累程序的运行速度，而且很有可能会产生内存溢出的风险。这就是列表的坏处。但是如果我们使用迭代器输出，就不会有这种风险了。因为迭代器是调用的函数，输出一次调用一次函数。因此迭代器消耗的内存始终是固定的，不会有内存溢出的风险。因此在数据较为庞大时我们应当采用迭代器输出。

三、生成器

定义：

在Python中，使用了 yield 的函数被称为生成器（generator）

生成器函数跟普通函数不同的是，生成器是一个返回迭代器的函数，只能用于迭代操作，更简单点理解生成器就是一个迭代器。在调用生成器运行的过程中，每次遇到 yield 时函数会暂停并保存当前所有的运行信息，返回 yield 的值（这里和return类似）, 并在下一次执行 next() 方法时从当前位置继续运行。

用列表推导式创建生成器

创建列表和生成器的区别仅在于最外层的 [] 和 ()，[]创建的是一个列表，而 () 创建的是一个生成器。

a = (i for i in range(10))
print(next(a))  # 0
print(next(a))  # 1
print(next(a))  # 2

自定义生成器

利用生成器来实现输出斐波那契数列：

def Fibonacci():
    a, b, counter = 0, 1, 0
    while True:
        yield a
        a, b = b, a + b
        counter += 1

f = Fibonacci() # f 是一个迭代器，由生成器返回生成
print(next(f))  # 0
print(next(f))  # 1
print(next(f))  # 2

生成器和迭代器极为相似，生成器也像迭代器那样有着占据内存空间少的优点，同样适合在数据量较为庞大时使用。