python迭代器和生成器(3元运算，列表生成式，生成器表达式，生成器函数)

1.1迭代器

什么是迭代器：

迭代器是一个可以记住遍历的位置对象

迭代器对象从集合的第一个元素元素开始访问，直到所有元素被访问完结束，迭代器只能往前不会后退。

迭代器有两个基本方法:iter ,next 方法

内置函数iter(),next() 本质上都是用的对象.__iter__(),__next__()的方法

内置函数 iter(iterable)，表示把可迭代对象变成迭代器(iterator)

内置函数next(iterator) ,表示查看下一次迭代的值(当然也可以用 iterator.__next__() ,查看下一次迭代的值)

1.1.2迭代器协议

1.迭代器(iterator)协议是指:对象必须提供一共next方法，执行该方法妖魔返回迭代中的下一项，要么就引起一个Stopiteration异常，已终止迭代。

2.可迭代对象:实现了迭代器协议的对象，(该对象内部定义了一个__iter__()的方法例：str.__iter__())就是可迭代对象

3.协议是一种约定，可迭代对象实现了迭代器协议，python的内部工具(如。for循环，sum，min，max函数等)使用迭代器协议访问对象

1.1.3python中的for循环

for循环本质：循环所有对象，全部是使用迭代器协议

(字符串，列表，元祖，字典，集合，文件对象)，这些都不是可迭代对象，只不过在for循环，调用了他们内部的__iter__方法，把他们变成了可迭代对象。然后for循环调用可迭代对象的__next__方法去去找，然后for循环会自动捕捉StopIteration异常，来终止循环。

 l1 = ["hello","world",1,2]

 #for循环调用可迭代对象的__next__方法去取值，而且for循环会捕捉StopIteration异常，以终止对象

 for i in l1:

     print(i)

 aa = l1.__iter__()  #等同于内置函数aa = iter(l1) 创建了一个list_iterator 列表迭代器

 print(type(aa))

 print(next(aa))   #内置函数 next()查看第一次迭代器的值

 print(aa.__next__())   #迭代器本身对象的方法，第二次迭代器的值   跟 内置函数方法都是一样的

 print(next(aa))

 print(next(aa))

 print(next(aa))  #没有可迭代的值了也就是迭代完了，会报错：StopIteration

 #迭代器迭代完，就不能再次迭代该迭代器 比如for 循环

 for i in aa:

     print(i)

demo

 # 首先获得Iterator对象:

 it = iter([1, 2, 3, 4, 5]) #创建一个迭代器

 # 循环:

 while True:

     try:

         # 获得下一个值:

         x = next(it)

         print(x)

     except StopIteration:

         # 遇到StopIteration就退出循环

         break

demo2 ：循环比迭代器更强大

总结：

1.可作用于for循环对象本身都是iterable(可迭代对象)类型，或者对象本身有obj.__iter__方法也是iterable

2.凡是可作用于next()函数的对象本身itertor(迭代器)类型，或者obj.__next__也是iterator ，迭代器是一个惰性序列

因为需要调用next，才会获得元素，迭代完，就不能再次迭代。

3.list、dict、str等是iterable，但不是iterator不过可以通过iter()函数获得一个迭代器对象。

1.2生成器

什么是生成器？

1.从字面理解是不是：生成一个容器

2.在python中，一边循环，一边计算的机制，称为生成器(generator)。

3.可以理解为一种数据类型，这种类型自动实现了迭代器协议。(其他的数据类型需要调用自已的内置__iter__方法或则iter()的内置函数)，所以生成器就是一个可迭代对象。

生成器分类以及在python中的表现形式。(python有两种不同的方式提供生成器)

1.生成器函数：常规函数定义，但是，使用yield语句而不是return语句的返回结果。yield语句一次返回一个结果，在每个结果中间，保留函数的状态，以便再上一次状态的重新执行。

2.生成器表达式：类似于列表推导，但是生成器返回按需产生结果的一种对象，而不是一次构建一个结果列表

为何使用生成器，生成器的优点：

python使用生成器对延迟操作提供了支持。所谓延迟操作，是指需要的时候才产生结果，而不是立即生成结果

这就是生成器的好处

生成器小结：

1.生成器是可迭代对象

2.实现了延迟计算，看内存(按需，执行)

3.生成器本质和其他类型一样，都是实现了迭代器协议，只不过生成器是一边计算，一边生成，从而节省内存空间，

其余的可迭代对象可没有好处。

定义生成器的前提：

1.考虑这个生成器是否需要多次遍历。

2.这个生成器内存空间的问题。

3.时间效率问题。

生成器是一个惰性的，根据惰性求值：也就是需要一个对象给一个对象

1.2.1生成器表达式、列表生成式、三元表达式

1.三元运算或则3元表达式

 #三元表达式格式

 res=值1  if  条件  else  值2 

 #如果条件满足 res 等于 值1  条件不满足就等于 值2

 # demo 1

 name = "xixi"

 res = "xixi"  if name == "xixi" else "hello"

 print(res)

 #demo 2

 num = 2 if False else 0

 print(num)

2.列表生成式

 #列表生成式通过计算生成一个列表

 lis_gen = [ i for i in range(1,10)]  #列表生成式

 print(lis_gen)

 lis1_gen = [i for i in range(1,10) if i%2 == 0]  #生成一个偶数的列表

 print(lis1_gen)

 lis2_gen = [ i * i for  i in range(1,10) if i%2 == 1]  #生成以个奇数乘自已本身奇数的列表

 print(lis2_gen)

列表生成式[] demo

3.生成器表达式

 gen_exp = (i for i in range(10))  #生成器表达式

 print(gen_exp) #generator

 # for i in gen_exp:  #取出生成器表达式的值，for循环

 #     print(i)

 print(gen_exp.__next__()) #next方法

 print(gen_exp.__next__())

 print(gen_exp.__next__())

 print(gen_exp.__next__())

 print(gen_exp.__next__())

生成器表达式 () demo

 gen = (i for i in range(10**100))  #生成器表达式

 lis = [i for i in range(10**100)]  #列表生成式

 #生成器,更省内存，需要一个取一个

 print(gen.__next__())

 print(lis)  #需要在内存空间创建1-10**100序列

生成器表达式和列表生成式比较 ()和[]

总结：

1.把列表解析的[]换成()得到就是生成器表达式

2.列表生成式式一个构建一个结果列表，生成器表达式：是返回按需产生结果的一个对象

3.列表解析与生成器表达式都是一种便利的编程方式，只不过生成器表达式更节省内存

4.python不但使用迭代器协议让for循环更加通用，大部分内置函数，也是使用迭代器协议访问对象的

如，sum函数是python的内置函数，该函数使用迭代器协议访问对象，而生成器实现了迭代器协议

1.2.2生成器函数

在python中，使用了yield的函数就称为生成器(generator)

1.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，可以理解为：生成器就是一个迭代器

2.在调用生成器运行过程中，每次遇到yield是函数会暂停并保存当前所有的运行信息，返回yield值。并在下一次执行next方法时，从当前位置继续运行。

普通生成器：

 >>> gen = (i for i in range(5))

 >>> gen

 <generator object <genexpr> at 0x0000004DE29A70A0>

 >>> next(gen)

 0

 >>> next(gen)

 1

 >>> next(gen)

 2

 >>> next(gen)

 3

 >>> next(gen)

 4

 >>> next(gen)

 Traceback (most recent call last):

   File "<stdin>", line 1, in <module>

 StopIteration

算法实现生成器

注：generator保存的是算法，每次调用next方法，就计算出gen的下一个元素的值，直到计算到最后一个元素，没有更多元素时，就StopIteration的错误。

当然，上面这种不断调用next(gen)，用着有点坑，正确的方法是使用for循环，因为generator也是iterator；

 >>> g = (i for i in range(5))

 >>> for i in g:

 ...     print(i)

 ...

 0

 1

 2

 3

 4

for generator

所以我们创建了一个generator后，基本不会调用next方法，而是通过for循环来迭代它，并且不是关心StopIteration的错误。

generator非常强大，如果计算的算法比较复杂，用for循环无法实现的时候，还可以用函数来实现。

例：斐波拉契数列后面的一个数等于前面两个数相加的和

 def fib(number):

     #得出几个斐波拉契数列

     count,a,b = 0,0,1

     while count < number:

         print(b)

         a,b = b,a+b

         count += 1

     return "done"

 fib(5)

斐波拉契数列，普通函数定义

 def fib1(number):

     n,a,b = 0,0,1

     while n<number:

         yield b

         a,b = b,a+b

         n += 1

     return "done"

 aa = fib1(6)

 print(aa)  #generator

 # print(aa.__next__())

 for i in aa:

     print(i)

斐波拉契数列，yield函数定义

注：如果一个函数定义中包含yield关键字，那么这个函数就不是普通函数，而是一个generator

注：generator和函数执行的流程不一样，

函数是顺序执行，遇到return语句或则最后一行函数函数语句就返回。

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，再次执行从上次返回的yield语句处继续执行

 def packet():

     for i in range(1,10):

         print("开始生产包子")

         yield  "第 %d 屉包子" %(i)

         print("卖包子，买完再生产")

 cs = packet()  #生成一个做包子的生成器，相当于做包子的

 # print(cs)

 q = print(cs.__next__()) #卖包子的

 print(cs.__next__())

 for i in cs:

     print(i)

生产，卖的过程

 #单线程一边发送，一边执行

 import time

 def consumer(name):

     print("%s 准备吃包子啦!" %name)

     while True:

        baozi = yield

        print("包子[%s]来了,被[%s]吃了!" %(baozi,name))

 def producer(name):

     c = consumer('A')

     c2 = consumer('B')

     c.__next__()

     c2.__next__()

     print("老子开始准备做包子啦!")

     for i in range(10):

         time.sleep(1)

         print("做了2个包子!")

         c.send(i) #发送的值，就是yield的返回值

         c2.send(i)

 producer("xixi")

yield生成器，单线程并发

1.2.3生成器函数总结

1.生成器函数语法上和普通函数类似：生成器使用yield语句返回一个值，而常规函数使用return语句返回一个值

2.生成器自动实现迭代器协议,迭代完，就不能再次迭代。

3.状态挂起：生成器使用yield语句返回一个值。挂起该生成器函数的状态。