欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python生成器/生成器函数/推导式/推导式函数

程序员文章站 2022-06-29 07:58:36
1. 生成器 生成器的本质就是迭代器 在python中有三种⽅方式来获取⽣生成器: 在python中有三种⽅方式来获取⽣生成器: 在python中有三种⽅方式来获取⽣生成器: 在python中有三种⽅方式来获取⽣生成器: 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 ......

1. 生成器
  生成器的本质就是迭代器

  在python中有三种⽅方式来获取⽣生成器:

    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

  生成器的特点和迭代器一样.取值方式和迭代器一样(__next__(), send(): 给上一个yield传值).
  生成器一般由生成器函数或者生成器表达式来创建
  其实就是手写的迭代器

2. 生成器函数
  和普通函数没有区别. 里面有yield的函数就是生成器函数.
  生成器函数在执行的时候. 默认不会执行函数体. 返回生成器
  通过生成器的__next__()分段执行这个函数.
  send() 给上一个yield传值, 不能再开头(没有上一个yield), 最后一个yield也不可以用send()

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是分段来执⾏行一个函数. return呢? 直接停止执⾏函数.

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

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.

我们来看send⽅方法, send和__next__()⼀一样都可以让⽣生成器执⾏行行到下⼀一个yield.

def eat(): 
    print("我喜欢玩王者荣耀的:") 
    a = yield "鲁班" 
    print("a=",a)
    b = yield "程咬金" 
    print("b=",b)
    c = yield "安琪拉" 
    print("c=",c) 
    yield "game over"

gen = eat() # 获取⽣成器
ret1 = gen.__next__() 
print(ret1)
ret2 = gen.send("大乔") 
print(ret2)
ret3 = gen.send("后裔) 
print(ret3)
ret4 = gen.send("马克") 
print(ret4)

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

3. 推导式
  1. 列表推导式 [结果 for循环 条件筛选]\

首先我们先看一下这样的代码, 给出一个列列表, 通过循环, 向列表中添加1-14 :

lst = []
for i in range(1, 15):
    lst.append(i)
print(lst)

替换成列列表推导式:

lst = [i for i in range(1, 15)]
print(lst)

列表推导式是通过⼀行来构建你要的列表, 列表推导式看起来代码简单. 但是出现错误之后很难排查.

筛选模式:
  [ 结果 for 变量量 in 可迭代对象 if 条件 ]

# 获取1-100内所有的偶数
lst = [i for i in range(1, 100) if i % 2 == 0] 
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>

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
gen = (i for i in range(1,100) if i % 3 == 0) 
for num in gen:
    print(num)

  2. 字典推导式 {k:v for循环 条件筛选}

# [11,22,33,44] => {0:11,1:22,2:33,3:44}
lst = [11,22,33,44]
dic = {i:lst[i] for i in range(len(lst)) if i < 2}
    print(dic)
# 语法:{k:v for循环 条件筛选}

  3. 集合推导式 {k for循环 条件}

 

# 集合推到式
lst = [1,1,4,6,7,7,4,2,2]
s = {el for el in lst}
print(s)
s = set(lst)
print(s)

 

4. 生成器表达式

  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列表.⽣成器表达式获取的是一个生成器.

  (结果 for循环 条件)
  特点:
    1. 惰性机制
    2. 只能向前
    3. 节省内存