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

列表生成式,迭代器和生成器

程序员文章站 2024-01-18 10:33:52
一、列表生成式 现在有个需求,看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],现在要求把列表里的每个值加1,你怎么实现?你可能会想到的几种方法: 方法1: 方法2: 方法3: 方法4: 最后一种写法就叫做列表生成式 二、生成器 通过列表生成式,我们可以直接创建一个列表。但是,受到 ......

一、列表生成式

现在有个需求,看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],现在要求把列表里的每个值加1,你怎么实现?你可能会想到的几种方法:

方法1:

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 需求:要求把列表中的每个元素的值加1
# 方法一
b = []
for i in a:
    b.append(i + 1)

a = b
print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

方法2:

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 需求:要求把列表中的每个元素的值加1
for index, i in enumerate(a):
    a[index] += 1

print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

方法3:

a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 需求:要求把列表中的每个元素的值加1
a = list(map(lambda x:x + 1, a))

print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

方法4:

# 需求:要求把列表中的每个元素的值加1
a = [i + 1 for i in a]

print(a)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

最后一种写法就叫做列表生成式

二、生成器

通过列表生成式,我们可以直接创建一个列表。但是,受到内存限制,列表容量肯定是有限的。而且,创建一个包含100万元素的列表,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。

所以,如果列表元素可以执照某种算法推算出来,那我们是否可以在循环的过程中不断推算出后续的元素呢?这样就不必创建完整的list了,从而节省大师的空间。在python中,这种一边循环一边计算的机制,称为生成器(generator)。

要创建一个生成器,有多种方法。第一种方法很简单,只要把一个列表生成式的[]改成(),就创建了一个生成器:

>>> l = [x * x for x in range(10)]
>>> l
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x01d97ba0>
>>>

创建l和g的区别仅在于最外层的[]和(),l是一个list,而g是一个generator。

我们可以直接打印出list的每一个元素,但我们怎么打印出generator的每一个元素呢?

如果要一个一个打印出来,可以通过next()函数获得generator的下一个返回值:

>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
>>> next(g)
9
>>> next(g)
16
>>> next(g)
25
>>> next(g)
36
>>> next(g)
49
>>> next(g)
64
>>> next(g)
81
>>> next(g)
traceback (most recent call last):
  file "<pyshell#14>", line 1, in <module>
    next(g)
stopiteration
>>>

generator保存的是算法,每次调用next(g),就计算出g的下一个元素的值,直到计算到最后一个元素,没有更多的元素时,抛出stopiteration的异常。

当然,上面这种不断调用next(g)的方式实在是太不方便了,正确的方法是使用for循环,因为generator也是可迭代对象:

>>> g = (x * x for x in range(10))
>>> for n in g:
    print(n)

    
0
1
4
9
16
25
36
49
64
81
>>>

所以,我们创建了一个generator后,基本上永远不会调用next(),而是通过for循环来迭代它,并且不需要关心stopiteration的异常。

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,任意一个数都可以由前两个数相加得到:

1, 1, 2, 3, 5, 8, 13, 21, 34, ...

斐波拉契数列用列表生成式写不出来,但是,用函数把它打印出来却很容易:

def fib(num):
    n, a, b = 0, 0, 1
    while n < num:
        print(b)
        a, b = b, a + b
        n = n + 1

注意,赋值语句:

a, b = b, a + b

相当于:

t = (b, a + b)

a = t[0]

b = t[1]

但不必显式写出临时变量t就可以赋值

上面的函数可以输出斐波那契数列的前n个数:

>>> fib(10)
1
1
2
3
5
8
13
21
34
55
>>>

仔细观察,可以挂出,fib()函数实际上是定义了斐波那契数列的推算规则,可以从每一个元素开始,推算出后续任意的元素,这种逻辑其实非常类似generator。

也就是说,上面的函数和generator仅一步之遥。要把fib()函数变成generator,只需要把pring(b)改成yield b就可以了:

def fib(num):
    n, a, b = 0, 0, 1
    while n < num:
        # print(b)
        yield b
        a, b = b, a + b
        n = n + 1

这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字,那么这个函数就不再是一个普通函数,而是一个generator:

>>> f = fib(10)
>>> f
<generator object fib at 0x01d97ba0>
>>>

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语句返回,再次执行时从上次返回的yield语句处继续执行。

>>> print(f)
<generator object fib at 0x01d97ba0>
>>> print(f.__next__())
1
>>> print(f.__next__())
1
>>> print("做点别的事")
做点别的事
>>> print(f.__next__())
2
>>> print(f.__next__())
3
>>> print(f.__next__())
5
>>> print(f.__next__())
8
>>> print(f.__next__())
13
>>> print(f.__next__())
21
>>> print(f.__next__())
34
>>> print(f.__next__())
55
>>>

在上面fib()的例子中,我们在循环过程中不断调用yield,就会不断中断。当然要给循环设置一个条件来退出循环,不然就会产生一个无限数列出来。

同样的,把函数改成generator后,我们基本上不会用next()来获取下一个返回值,而是直接使用for循环来迭代:

>>> f = fib(10)
>>> for n in f:
    print(n)

    
1
1
2
3
5
8
13
21
34
55
>>>

但是用for循环调用generator时,发现拿不到generator的return语句的返回值。如果想要拿到返回值,必须捕获stopiteration异常,返回值包含在stopiteration的value中:

>>> f = fib(10)
>>> while true:
    try:
        x = next(f)
        print('f:', x)
    except stopiteration as e:
        print('generator return value:', e.value)
        break

    
f: 1
f: 1
f: 2
f: 3
f: 5
f: 8
f: 13
f: 21
f: 34
f: 55
generator return value: none
>>>

三、迭代器

我们知道,可以直接作用于for循环的数据类型有以下几种:

一类是集合数据类型:如list、tuple、dict、set、str等;

一类是generator,包括生成器和带yield的generator function。

这些可以直接作用于for循环的对象统称为可迭代对象:iterable。

可以使用isinstance()判断一个对象是否是iterable对象:

generator return value: none
>>> 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 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对象,但是list、dict、str虽然是iterable,去不是iterator。

把list、dict、str等iterable变成iterator可以使用iter()内置函数:

>>> isinstance(iter([]), iterator)
true
>>> isinstance(iter({}), iterator)
true
>>> isinstance(iter('abc'), iterator)
true
>>>

有人可能会问,为什么list、dict、str等数据类型不是iterator呢?

这是因为python的iterator对象表示的是一个数据流,iterator对象可以被next()函数调用并不断返回下一个数据,直到没有数据时抛出stopiteration异常。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next()函数实现按需计算下一个数据,所以iterator的计算是惰性的,只有在需要返回下一个数据时它才会计算。

iterator甚至可以表示一个无限大的数据流,例如全体自然数。而使用list是记录不可能存储全体自然数的。

小结

凡是可以作用于for循环的对象都是iterable类型;

凡是可以作用于next()函数的对象都是iterator类型,它们表示一个惰性计算的序列;

集合数据类型如list、dict、str等是iterable但不是iterator,不过可以通过iter()内置函数变成一个iterator对象。

python的for循环本质上就是通过不断调用next()函数实现的,例如:

for x in [1, 2, 3, 4, 5]:
    print(x)

# 实际上完全等价于

# 首先转换成iterator对象
it = iter([1, 2, 3, 4, 5])
# 循环
while true:
    try:
        # 获取下一个值
        x = next(it)
        print(x)
    except stopiteration:
        # 遇到stopiteration异常,表示循环已经结束
        break