深入浅析Python中的迭代器

目录结构：

contents structure [-]

在开始文章之前，先贴上一张iterable、iterator与generator之间的关系图：

 

1. iterator vs iterable

迭代器(iterator)

迭代器是实现了迭代器协议的类对象，迭代器协议规定了迭代器类必需定义__next()__方法。当对迭代器对象调用next()方法时，对象会去调用__next()__计算迭代器的返回值。

可迭代对象(iterable)

可迭代对象可以是任何对象，不一定是能返回迭代器的数据结构。一个可迭代对象会直接或间接性的调用这两个方法__iter()__和__next()__；其中__iter()__方法只能返回迭代器对象，__next()__则供给迭代器进行调用。

通常情况下，可迭代类都会实现__iter()__和__next()__,并且__iter()__返回它自己，换句话说，该类即是迭代器又是可迭代类。

下面的代码展示了迭代器和可迭代器对象之间的差别：

a_set = {1, 2, 3}#定义set数据类型，set是可迭代类型
b_iterator = iter(a_set)#得到set的迭代器
#output: 1
print(next(b_iterator))
#output: <class 'set'>
print(type(a_set))
#output: <class 'set_iterator'>
print(type(b_iterator))

从结果可以看出a_set是一个可迭代类型（set类型）,b_iterator是一个迭代器（set_iterator），它们两个是完全不一同的类型。

下面的自定义了一个迭代器：

class series(object):
 def __init__(self, low, high):
  self.current = low
  self.high = high
 def __iter__(self):
  return self
 def __next__(self):
  if self.current > self.high:
   raise stopiteration
  else:
   self.current += 1
   return self.current - 1
n_list = series(1,10) 
print(list(n_list))

从上面的代码可以看出，__iter__返回了迭代器本身。__next__返回迭代器的下一个值，如果没有下一个返回值那么会抛出stopiteration异常。如果没有在合适的位置抛出stopiteration异常结束迭代，那么在某些循环语句中（例如：for loop），将会形成死循环，所以在__next__中必需要在合适位置添加退出语句（抛出stopiterator异常）。

2.itertools 模块

itertools是python的内置模块，其中包含了能够创建迭代器的函数。简而言之，它提供了许多能够与迭代器交互的方法。

下面是我们使用itertools模块中count函数的案例：

from itertools import count
sequence = count(start=0, step=1)
while(next(sequence) <= 10):
 print(next(sequence),end=" ")

输出：

itertools中的cycle函数可以创建无限迭代器，例如：

from itertools import cycle
dessert = cycle(['icecream','cake'])
count = 0
while(count != 4):
 print('q. what do we have for dessert? a: ' + next(dessert))
 count+=1

输出：

q. what do we have for dessert? a: icecream
q. what do we have for dessert? a: cake
q. what do we have for dessert? a: icecream
q. what do we have for dessert? a: cake

关于更多itertools模块的使用， 可以 。

3.生成器（generator）

生成器可以说是迭代器的亲兄弟，生成器允许我们像上面那样写迭代器而不用额外定义__iter__()和__next__()方法。

看下面的案例：

def series_generator(low, high):
 while low <= high:
  yield low
  low += 1
n_list = []
for num in series_generator(1,10):
 n_list.append(num)
print(n_list)

如果一个方法中出现了yield关键字，那么该方法就是一个生成器。生成器中没有return语句，函数的返回值实际上是一个generator。当循环开始执行到yield语句后，low的值会被扩展到要返回的generator中。当下一次循环到达yield语句时，generator会从上一次停止的地方恢复执行，并且将最新的low值添加到generator中。循环一直运行下去，直到low>high退出循环。

生成器支持延迟计算，只有当去取生成器中的值时才会计算。

例如：

def test():
 print("进入test函数")
 for i in range(2):
  print("yield number ",i)
  yield i
if "__main__" == __name__:
 print("开始调用test")
 res = test()
 print("结束调用test")
 next(res)
 next(res)

输出：

开始调用test
结束调用test
第一次next(res)
进入test函数
yield number 0
第二次next(res)
yield number  1

从结果可以看出，只有使用next调用迭代器时（使用for,while循环也可以），才会去执行迭代器函数中的内容。

python中生成器可以分为生成器函数和生成器表达式，生成器函数和生成器表达式是两种不同的类型。

生成器函数是一个函数体中有yield关键字的，我们上面定义的test就是生成器函数。

生成器表达式的使用比较受限制，一个生成器表达式返回一个生成器。下面是一个使用生成器表达式的案例：

squares = (x * x for x in range(1,10))
print(type(squares))
print(list(squares))

输出：

<class 'generator'>
[1, 4, 9, 16, 25, 36, 49, 64, 81]

生成器的效率是非常高的，生成器可以更好的利用内存和cpu的使用效率，并且通常生成器的代码都比较少，这使用生成器的代码非常好容易理解。应此应该尽量多的在代码中使用生成器

参考文档

总结

以上所述是小编给大家介绍的python中的迭代器,希望对大家有所帮助