列表生成式,迭代器和生成器
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
上一篇: PHP中的输出缓冲控制详解