标签：lam 释放 pen 占用 elf lap 基础 val python
迭代：
如果给定一个list或tuple，我们可以通过for循环来遍历这个list或tuple，这种遍历我们称为迭代（Iteration）。
Python的for循环不仅可以用在list或tuple上，还可以作用在其他可迭代对象上（用isinstance判断）
可以直接作用于for循环的对象统称为可迭代对象
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；（称为容器<容器是一种把多个元素组织在一起的数据结构>，很多容器都是可迭代的）
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。
对于序列和字典的可迭代，是因为在该对象中实现了上面的两个方法
__iter__方法会返回一个迭代器，而所谓的迭代器就是具有__next__方法的对象。在调用__next__方法时，迭代器会返回他的下一个值。若是next方法被调用牡丹石迭代器中没有值可以返回，就会引发一个StopIteration异常
迭代器的优点：需要数据就去获取，而不是一次获取全部数据
相对于我们一次性取出数据，放在列表等类型中，若数据量过大，那么列表会占据大量的内存。而且对于这些数据，我们若是只使用一次就释放的话，那么放在列表中实在是太过浪费内存。
更好的方法就是使用迭代器。迭代器只会取出当前需要的数据方法内存中。
例如Django中的queryset惰性机制中就有提及迭代器的好处（在处理大量的数据时）
栗子：不使用列表的案例，因为如果使用列表，那么列表长度将会是无穷大。占据空间将会是巨大的。
斐波那契数列：
class Fibs: def __init__(self): self.a = 0 self.b = 1 def __next__(self): self.a,self.b = self.b,self.a+self.b return self.a def __iter__(self): return self f = Fibs() for i in f: if i > 1000: print(i) #1597 break
补充：内建函数iter可以从可迭代的对象中获取迭代器
>>> a = [1,2,3,] >>> b = iter(a) >>> type(b) <class ‘list_iterator‘> >>> next(b) 1 >>> next(b) 2 >>> next(b) 3 >>> next(b) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration
可以知道迭代器是一次性消耗品（只会向前获取，不会向后获取），当耗尽时就会触发StopIteration异常
若是想保留一份数据，可以用deepcopy
从迭代器中获取序列：
class Fibs: def __init__(self): self.a = 0 self.b = 1 def __next__(self): self.a,self.b = self.b,self.a+self.b if self.a > 1597: raise StopIteration return self.a def __iter__(self): return self f = Fibs() ls = list(f) print(ls) #[1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610, 987, 1597]
使用list构造方法显示的将迭代器转换为列表
class list(object): def __init__(self, seq=()): # known special case of list.__init__ """ list() -> new empty list list(iterable) -> new list initialized from iterable‘s items
(若是迭代器，那么新的列表则是迭代器的所有成员，结束是以StopIteration为标志，若是上面没有触发，那么会一直去扩展列表) # (copied from class doc) """ pass
结束
应该还记得列表推导式（生成式）<顺道回忆下lambda表达式>
>>> [x for x in range(100) if x % 7 == 0] [0, 7, 14, 21, 28, 35, 42, 49, 56, 63, 70, 77, 84, 91, 98]
通过列表推导式，我们可以直接生成一个列表，同样的，这个列表的内存也是受到限制的，当我们使用列表推导式，一次生成一个超大数量的列表，会占据大量内存，然而，若我们只是访问了前面几个，那么后面的空间占用几乎是无用的。
for i in [x for x in range(100) if x % 7 == 0]: if i < 50: print(i) else: break
在上面案例中，我们只是想去获取满足条件的数据的一部分。但是在进行循环时，并不会立刻进行，而是需要将列表生成式全部执行后，才允许去进行循环。而我们所需要的数据仅仅是列表中的前一部分，但是列表推导式一次性将数据全部生成。占据大量无用的空间。那么我们是否可以做到像迭代器那样，需要的时候再去获取。从而避免数据冗余
创建一个生成器方法有多种：
其中第一种与列表推导式十分相似，只是需要将中括号[]变为小括号()
>>> b = [x for x in range(100) if x % 7 == 0] >>> type(b) <class ‘list‘> [0, 7, 14, 21, 28, 35, 42, 49, 56, 63, 70, 77, 84, 91, 98] >>> b = (x for x in range(100) if x % 7 == 0) >>> type(b) <class ‘generator‘> >>> next(b) 0 >>> next(b) 7 >>> next(b) 14 >>> for i in b: ... print(i) 当数据全部取出后也会触发StopIteration错误
另外一种是：任何包括yield语句的函数都可以称为生成器。
这里同样以斐波那契数列为例：
def fibs(max): n,a,b = 0,0,1 while n < max: yield a #yield语句 n += 1 a, b = b, a+b f = fibs(8) for i in f: print(i) #0 1 1 2 3 5 8 13
生成器和普通函数的行为有很大的区别。
def 函数: ... yield 1 执行第一次后返回值1后冻结，不在执行，等待第二次 ... #执行第二次时会向下继续执行，直到下一次yield ... ... yield 2 #第二次冻结（这个过程包括了执行上面的逻辑语句） ... ... ... yield 3
案例：
>>> def flatten(nested): ... for sublist in nested: ... for ele in sublist: ... yield ele >>> for num in flatten(nested): ... print(num) ... 1 2 3 4 5 >>>
也可以同上面迭代器一样使用list显示转换为列表。
>>> list(flatten(nested)) [1, 2, 3, 4, 5] >>>
但是这样会立刻实例化列表，丧失了迭代的优势。
def nrange(num): temp = -1 while True: temp = temp + 1 if temp >= num: return else: yield temp for i in nrange(10): print(i)
生成器是一个包含yield关键字的函数。当他被调用的时候，在函数体中的代码不会执行，而是会返回一个迭代器。每次请求一个值，就会执行生成器中的代码，直到遇到一个yield或者return语句。（yield意味着生成一个值，并冻结执行，等待下一次执行。return意味着生成器要通知执行）
生成器由两部分组成：生成器的函数和生成器的迭代器。生成器的函数使用def语句定义的，包含yield的。生成器的迭代器是这个函数的返回部分。合在一起就是生成器。
生成器中新特征：可以为生成器提供值，而不是只像上面那样生成器为外面返回值。生成器内外可以进行交流
外部作用域访问生成器的send方法，可以向生成器内部传递消息（任意对象）,此时yield不再是一个返回值语句，而是一个表达式
send方法和yield语句的执行区别：
yield
def rep2(val): yield val print("aaa") val += 10 print("bbb") yield val r = rep2(33) print(next(r)) #可以看出，执行yield返回值后，就冻结在该条语句，不再向下执行，只有当下一个next出现，才会继续执行
def rep(val):new = (yield val) #接收send发送过来的数据 if new: print(new) new = (yield val) if new: print(new) f = rep(33) v = next(f) f.send("dsad") #会打印出来dasd 可以看出，当send发送数据后，在接收数据后，会继续向下执行，直到下一个yield表达式出现
send方法使用：
注意：在使用send方法时，只有当生成器挂起以后才有意义（也就是说：在yield函数第一次执行之后）
def rep(val): new = (yield val) if new: print(new) new = (yield val) if new: print(new)
开始执行：
若没有将生成器挂起：
TypeError: can‘t send non-None value to a just-started generator
所以，我们在使用时需要先挂起生成器。挂起方法有两种：
第一种：
r = rep(33) v = next(r) #这里正常执行next获取yield返回，后面就可以正常使用send print(v) r.send("dsad") r.send("dsadds")
第二种（由刚刚的TypeError可以知道不能send一个非None值，在第一次时，所以我们可以直接在第一次时send(None)）：
r.send(None) r.send("dsad") r.send("dsadds")
两种方法，强烈推荐第二种
原因：使用send方法时，需要注意两点
1.需要先将生成器挂起，此时才有意义
2.send方法第一次使用时，也是需要进行一次next()方法执行，或者send(None)执行
第2条件是在我们使用send前有其他yield语句返回时，可以了解到
def rep(val): yield val new = (yield val) if new: print(new) new = (yield val) if new: print(new) r = rep(33) v = next(r) #挂起生成器 print(v) v = next(r) #激活send方法 print(v) r.send("dsad") r.send("dsadds")
---------------- 正常输出 #33 #33 #dsad #dsadds
若是只是挂起了生成器，没有激活send方法，那么默认第一个send方法会拿去激活
r = rep(33) v = next(r) print(v) # v = next(r) #没有去激活send方法 # print(v) r.send("dsad") #第一个send方法会被用到去激活send r.send("dsadds") #这个才是正常的信息传入
----------
#33
#dsadds
所以我们最好使用send(None)表示去激活send方法，不易混淆
def rep(val): yield val new = (yield val) if new: print(new) new = (yield val) if new: print(new) r = rep(33) v = next(r) #挂起生成器 也可以用send(None)去挂起生成器，但是还是不要这样做，两个套用容易混淆 print(v) r.send(None) #激活send方法（在首次使用send时使用） r.send("dsad") r.send("dsadds")
--------------
#33
#dsad
#dsadds
另外补充下send方法会获取到yield表达式中的返回值
def rep(val): yield val new = (yield val) if new: print(new) new = (yield val) if new: print(new) r = rep(33) v = next(r) print(v) v = r.send(None) print(v,1) v = r.send("dsad") print(v,2) v = r.send("dsadds") #在最后一个send方法时，没有返回值 print(v,3) ----------------------- 33 33 1 dsad 33 2 dsadds
send方法会依次获取yield表达式的返回值，所以在第三个send方法使用时，并没有yield与之对应，所以没有值。
具体原因暂不讨论。
注意区分yield语句和yield表达式
标签：lam 释放 pen 占用 elf lap 基础 val python
原文地址：https://www.cnblogs.com/ssyfj/p/8969299.html
