|
|
相关文章推荐
|
愤怒的风衣 · 能否用JavaScript ...· 2 月前 · |
|
|
俊秀的啄木鸟 · 如何用Python构建卡车模拟器的自动驾驶系 ...· 2 月前 · |
|
|
逃课的风衣 · 武汉市人民政府门户网站· 1 年前 · |
|
|
性感的饼干 · 针锋对决所有肉 - 百度· 1 年前 · |
|
|
俊秀的椅子 · 一口气系列|复仇/青楼/花魁|却被他一把抓住 ...· 2 年前 · |
|
|
玩足球的红薯 · 【推文】《大哥》by ...· 2 年前 · |
|
|
任性的紫菜汤 · 希尔达与山丘之王_哔哩哔哩_bilibili· 2 年前 · |
迭代是Python最强大的功能之一，是访问集合元素的一种方式。
迭代器是一个可以记住遍历的位置的对象。
迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。
迭代器有两个基本的方法： iter() 和 next() 。字符串，列表或元组对象都可用于创建迭代器：
实例(Python 3.0+)
>>> list = [ 1 , 2 , 3 , 4 ]>>> it = iter ( list ) # 创建迭代器对象
>>> print ( next ( it ) ) # 输出迭代器的下一个元素
>>> print ( next ( it ) )
把一个类作为一个迭代器使用需要在类中实现两个方法 __iter__() 与 __next__() 。
如果你已经了解的面向对象编程，就知道类都有一个构造函数，Python 的构造函数为 __init__(), 它会在对象初始化的时候执行。
更多内容查阅： Python3 面向对象
__iter__() 方法返回一个特殊的迭代器对象， 这个迭代器对象实现了 __next__() 方法并通过 StopIteration 异常标识迭代的完成。
__next__() 方法（Python 2 里是 next()）会返回下一个迭代器对象。
创建一个返回数字的迭代器，初始值为 1，逐步递增 1：
实例(Python 3.0+)
class
MyNumbers
:
def
__iter__
(
self
)
:
self
.
a
=
1
return
self
def
__next__
(
self
)
:
x
=
self
.
a
self
.
a
+=
1
return
x
myclass
=
MyNumbers
(
)
myiter
=
iter
(
myclass
)
print
(
next
(
myiter
)
)
print
(
next
(
myiter
)
)
print
(
next
(
myiter
)
)
print
(
next
(
myiter
)
)
print
(
next
(
myiter
)
)
执行输出结果为：
StopIteration
StopIteration 异常用于标识迭代的完成，防止出现无限循环的情况，在 __next__() 方法中我们可以设置在完成指定循环次数后触发 StopIteration 异常来结束迭代。
在 20 次迭代后停止执行：
实例(Python 3.0+)
class
MyNumbers
:
def
__iter__
(
self
)
:
self
.
a
=
1
return
self
def
__next__
(
self
)
:
if
self
.
a
<=
20
:
x
=
self
.
a
self
.
a
+=
1
return
x
else
:
raise
StopIteration
myclass
=
MyNumbers
(
)
myiter
=
iter
(
myclass
)
for
x
in
myiter
:
print
(
x
)
执行输出结果为：
在 Python 中，使用了 yield 的函数被称为生成器（generator）。
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, 并在下一次执行 next() 方法时从当前位置继续运行。
调用一个生成器函数，返回的是一个迭代器对象。
以下实例使用 yield 实现斐波那契数列：
实例(Python 3.0+)
#!/usr/bin/python3
import
sys
def
fibonacci
(
n
)
:
# 生成器函数 - 斐波那契
a
,
b
,
counter
=
0
,
1
,
0
while
True
:
if
(
counter
>
n
)
:
return
yield
a
a
,
b
=
b
,
a
+
b
counter
+=
1
f
=
fibonacci
(
10
)
# f 是一个迭代器，由生成器返回生成
while
True
:
try
:
print
(
next
(
f
)
,
end
=
"
"
)
except
StopIteration
:
sys
.
exit
(
)
执行以上程序，输出结果如下：
0 1 1 2 3 5 8 13 21 34 55 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14,这里的m就像上面的f一样，是迭代器。
cowpea
6年前 (2017-07-27)
cowpea
115***1355@qq.com
一个函数 f，f 返回一个 list，这个 list 是动态计算出来的（不管是数学上的计算还是逻辑上的读取格式化），并且这个 list 会很大（无论是固定很大还是随着输入参数的增大而增大），这个时候，我们希望每次调用这个函数并使用迭代器进行循环的时候一个一个的得到每个 list 元素而不是直接得到一个完整的 list 来节省内存，这个时候 yield 就很有用。
具体怎么使用 yield 参考： Python yield 使用浅析
以斐波那契函数为例，我们一般希望从 n 返回一个 n 个数的 list：
def fab(max):
n, a, b = 0, 0, 1
L = []
while n < max:
L.append(b)
a, b = b, a + b
n = n + 1
return L
上面那个 fab 函数从参数 max 返回一个有 max 个元素的 list，当这个 max 很大的时候，会非常的占用内存。
一般我们使用的时候都是这个样子的，比如：
f = iter(fab(1000))
while True:
print (next(f), end=" ")
except StopIteration:
sys.exit()
这样我们实际上是先生成了一个 1000 个元素的 list:f，然后我们再去使用这个 f。
现在，我们换一个方法：
因为我们实际使用的是 list 的遍历，也就是 list 的迭代器。那么我们可以让这个函数 fab 每次只返回一个迭代器——一个计算结果，而不是一个完整的 list：
def fab(max):
n, a, b = 0, 0, 1
while n < max:
yield b
# print b
a, b = b, a + b
n = n + 1
这样，我们每次调用fab函数，比如这样：
for x in fab(1000):
print(x)
或者 next 函数之类的，实际上的运行方式是每次的调用都在 yield 处中断并返回一个结果，然后再次调用的时候再恢复中断继续运行。
collector
120***9047@qq.com
- 打个比方的话， yield 有点像断点。 加了 yield 的函数，每次执行到有 yield 的时候，会返回 yield 后面的值 并且函数会暂停，直到下次调用或迭代终止；
- yield 后面可以加多个数值（可以是任意类型），但返回的值是元组类型的。
def get():
m = 0
n = 2
l = ['s',1,3]
k = {1:1,2:2}
p = ('2','s','t')
while True:
m += 1
yield m
yield m ,n ,l ,k ,p
it = get()
print(next(it)) #1
print(next(it)) #(1, 2, ['s', 1, 3], {1: 1, 2: 2}, ('2', 's', 't'))
print(next(it)) #2
print(type(next(it))) #<class 'tuple'>
怀雨
522***18@qq.com
def get(): m = 0 n = 2 l = ['s',1,3] k = {1:1,2:2} p = ('2','s','t') while True: m += 1 yield m yield m ,n ,l ,k ,p it = get() print(next(it)) #1 print(next(it)) #(1, 2, ['s', 1, 3], {1: 1, 2: 2}, ('2', 's', 't')) print(next(it)) #2 print(type(next(it))) #<class 'tuple'>
如果再加一句:
print(type(next(it))) #<class 'int'> #返回的是整形
所以返回值的类型，应该是当前调用时，yield 返回值的类型。
hid4net
hid***t@qq.com
感谢楼上各位的实例，自己写了一个小例程，便于我这样的新手理解。
def myYield_1():
a, i = 'yield', 0
while True:
print('before #%d' % i, end=", ")
yield a, i
print('after #%d' % i, end=", ")
i += 1
def myYield_2():
a, i = 'yield_a', 0
b, i = 'yield_b', 0
while True:
print('before #%d' % i, end=", ")
yield a, i
yield b, i
print('after #%d' % i, end=", ")
i += 1
it1 = iter(myYield_1())
it2 = iter(myYield_2())
for i in range(10):
print("next #%d" % i, end=": ")
print(next(it1))
print('\n')
for i in range(10):
print("next #%d" % i, end=": ")
print(next(it2))
输出是这样的：
next #0: before #0, ('yield', 0)
next #1: after #0, before #1, ('yield', 1)
next #2: after #1, before #2, ('yield', 2)
next #3: after #2, before #3, ('yield', 3)
next #4: after #3, before #4, ('yield', 4)
next #5: after #4, before #5, ('yield', 5)
next #6: after #5, before #6, ('yield', 6)
next #7: after #6, before #7, ('yield', 7)
next #8: after #7, before #8, ('yield', 8)
next #9: after #8, before #9, ('yield', 9)
next #0: before #0, ('yield_a', 0)
next #1: ('yield_b', 0)
next #2: after #0, before #1, ('yield_a', 1)
next #3: ('yield_b', 1)
next #4: after #1, before #2, ('yield_a', 2)
next #5: ('yield_b', 2)
next #6: after #2, before #3, ('yield_a', 3)
next #7: ('yield_b', 3)
next #8: after #3, before #4, ('yield_a', 4)
next #9: ('yield_b', 4)
wuguandong
963***591@qq.com
闫伟超
yif***chaoran@163.com
如教程所说，迭代器和生成器算是 Python 一大特色，其核心是基于迭代器协议来的。
而平时我们经常使用的 for in 循环体，本质就是迭代器协议的一大应用。同时 Python 内置的集合类型（字符、列表、元组、字典）都已经实现了迭代器协议，所以才能使用 for in 语句进行迭代遍历。for in 循环体在遇到 StopIteration 异常时，便终止迭代和遍历。
再说下可迭代、迭代器、生成器三个概念的联系和区别。
1、可迭代概念范围最大，生成器和迭代器肯定都可迭代，但可迭代不一定都是迭代器和生成器，比如上面说到的内置集合类数据类型。可以认为，在 Python 中，只要有集合特性的，都可迭代。
2、迭代器，迭代器特点是，均可以使用 for in 和 next 逐一遍历。
3、生成器，生成器一定是迭代器，也一定可迭代。
至于 Python 中为何要引入迭代器和生成器，除了节省内存空间外，也可以显著提升代码运行速度。
自定义迭代器类示例和说明如下：
class MyIter():
def __init__(self):
#为了示例，用一个简单的列表作为需迭代的数据集合，并且私有化可视情况变为其他类型集合
self.__list1=[1,2,3,4]
self.__index=0
def __iter__(self):
#该魔法方法，必须返回一个迭代器对象，如果self已经定义了__next__()魔法方法，则只需要返回self即可
#因为如上面所述，生成器一定是迭代器
return iter(self.list1)
def __next__(self):
#此处的魔法函数，python会自动记忆每次迭代的位置，无需再使用yield来处理
#在使用next(obj)时，会自动调用该魔法方法
res=self.__list1[self.__index]
self.__index+=1
return res
以上为自定义迭代器类的机制。
下面再示例说明下，如何自定义生成器函数，因为大多数实战场景中，使用生成器函数可能会更多一些:
def my_gene_func(): index=0 li=[1,2,3,4,5] yield li[index] index+=1
调用以上函数时，会返回一个生成器对象，然后对该生成器对象，使用 next() 逐一返回:
gene=my_gene_func() next(gene)其实核心的概念还是记忆上次迭代的位置，类中直接使用 __next__ 魔法方法实现，函数中使用 yield 实现。且怀疑，类中的 __next__ 魔法方法底层也是使用 yield 来实现的。
迭代器和生成器具体应用场景，就凡是需要提升运行效率或节约内存资源，且遍历的数据是集合形式的，都可以考虑。
另外一个小众的使用场景，是变相实现协程的效果，即在同一个线程内，实现不同任务交替执行
def mytask1():
print('task1 开始执行')
task code
yield
def mytask2():
print('task2 开始执行')
task code
yield
gene1=mytask1()
gene2=mytask2()
for i in range(100):
next(gene1)
next(gene2)