Python：容器、迭代对象、迭代器、生成器及yield关键字

在了解Python的数据结构时，容器(container)、可迭代对象(iterable)、迭代器(iterator)、生成器(generator)、列表/集合/字典推导式(list,set,dict comprehension)众多概念参杂在一起，难免让初学者一头雾水，这篇笔记将这些概念以及它们之间的关系捋清楚。

概念简介：

容器(container)：一种把多个元素组织在一起的数据结构，容器中的元素可以逐个地迭代获取
可迭代对象(iterable)：可以直接作用于for循环的对象统称为可迭代对象
迭代器(iterator)：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，容器中没有更多元素了，则抛出StopIteration异常
生成器(generrator)：一种特殊的迭代器，与迭代器相比只需要一个yiled关键字，生成器一定是迭代器(反之不成立)
yield关键字：yield就是 return 返回一个值，并且记住这个返回的位置，下次迭代就从这个位置后(下一行)开始。

容器(container)

容器是一种把多个元素组织在一起的数据结构，容器中的元素可以逐个地迭代获取，可以用in, not in关键字判断元素是否包含在容器中。通常这类数据结构把所有的元素存储在内存中（也有一些特例，并不是所有的元素都放在内存，比如迭代器和生成器对象）在Python中，常见的容器对象有：

list, deque, ....
set, frozensets, ....
dict, defaultdict, OrderedDict, Counter, ....
tuple, namedtuple, …
str

#容器比较容易理解，因为你就可以把它看作是一个盒子、一栋房子、一个柜子，里面可以塞任何东西。
#从技术角度来说，当它可以用来询问某个元素是否包含在其中时，那么这个对象就可以认为是一个容器，比如 list，set，tuples都是容器对象：

>>> assert 1 in [1, 2, 3]      # lists

>>> assert 4 not in [1, 2, 3]

>>> assert 1 in {1, 2, 3}      # sets

>>> assert 4 not in {1, 2, 3}

>>> assert 1 in (1, 2, 3)      # tuples

>>> assert 4 not in (1, 2, 3)

#询问某元素是否在dict中用dict的中key：

>>> d = {1: 'foo', 2: 'bar', 3: 'qux'}

>>> assert 1 in d

>>> assert 'foo' not in d  # 'foo' 不是dict中的元素

#询问某substring是否在string中：

>>> s = 'foobar'

>>> assert 'b' in s

>>> assert 'x' not in s

>>> assert 'foo' in s 

'''

尽管绝大多数容器都提供了某种方式来获取其中的每一个元素，但这并不是容器本身提供的能力，
而是可迭代对象赋予了容器这种能力，当然并不是所有的容器都是可迭代的，比如：Bloom filter，
虽然Bloom filter可以用来检测某个元素是否包含在容器中，但是并不能从容器中获取其中的每一个值，
因为Bloom filter压根就没把元素存储在容器中，而是通过一个散列函数映射成一个值保存在数组中。

'''

可迭代对象(iterable)

很多容器都是可迭代对象，此外还有更多的对象同样也是可迭代对象，比如处于打开状态的files，sockets等等。但凡是可以返回一个迭代器的对象都可称之为可迭代对象，先看一个例子：

>>> x = [1, 2, 3]

>>> y = iter(x)

>>> z = iter(x)

>>> next(y)

1

>>> next(y)

2

>>> next(z)

1

>>> type(x)

<class 'list'>

>>> type(y)

<class 'list_iterator'>

这里x是一个可迭代对象，可迭代对象和容器一样是一种通俗的叫法，并不是指某种具体的数据类型，list是可迭代对象，dict是可迭代对象，set也是可迭代对象。y和z是两个独立的迭代器，迭代器内部持有一个状态，该状态用于记录当前迭代所在的位置，以方便下次迭代的时候获取正确的元素。迭代器有一种具体的迭代器类型，比如list_iterator，set_iterator。可迭代对象实现了__iter__方法，该方法返回一个迭代器对象。

当运行代码：

x = [1, 2, 3]

for elem in x:

    ...

实际执行情况是：

反编译该段代码，你可以看到解释器显示地调用GET_ITER指令，相当于调用iter(x)，FOR_ITER指令就是调用next()方法，不断地获取迭代器中的下一个元素，但是你没法直接从指令中看出来，因为他被解释器优化过了。

>>> import dis

>>> x = [1, 2, 3]

>>> dis.dis('for _ in x: pass')

  1           0 SETUP_LOOP              14 (to 17)

              3 LOAD_NAME                0 (x)

              6 GET_ITER

        >>    7 FOR_ITER                 6 (to 16)

             10 STORE_NAME               1 (_)

             13 JUMP_ABSOLUTE            7

        >>   16 POP_BLOCK

        >>   17 LOAD_CONST               0 (None)

             20 RETURN_VALUE

迭代器(iterator)

迭代器是一个带状态的对象，他能在你调用next()方法的时候返回容器中的下一个值，任何实现了__iter__和__next__()（python2中实现next()）方法的对象都是迭代器，__iter__返回迭代器自身，__next__返回容器中的下一个值，如果容器中没有更多元素了，则抛出StopIteration异常，至于它们到底是如何实现的这并不重要。

所以，迭代器就是实现了工厂模式的对象，它在你每次你询问要下一个值的时候给你返回。

内建函数iter()可以从可迭代对象中获得迭代器。

>>> it = iter([1,2,3])

>>> next(it)

1

>>> next(it)

2

>>> next(it)

3

>>> next(it)

Traceback (most recent call last):

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

StopIteration

>>>

有很多关于迭代器的例子

凡是可作用于for循环的对象都是Iterable类型；

凡是可作用于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()函数获得一个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, 6, 7]:

    　print(x)

实际上完全等价于：

# 首先获得Iterator对象:

it = iter([1, 2, 3, 4, 5, 6, 7])

# 循环:

while True:

    try:

        # 获得下一个值:

        x = next(it)

        for i in it:

            print(i)

    except StopIteration:

        # 遇到StopIteration就退出循环

        print('stop!!break!!')

        break

输出结果：

2

3

4

5

6

7

stop!!break!!

为了更直观地感受迭代器内部的执行过程，我们自定义一个迭代器，以斐波那契数列为例：

class Fib:

    def __init__(self):

        self.prev = 0

        self.curr = 1

    def __iter__(self):

        return self

    def __next__(self):

        value = self.curr

        self.curr += self.prev

        self.prev = value

        return value

>>> f = Fib()

>>> list(islice(f, 0, 10))

[1, 1, 2, 3, 5, 8, 13, 21, 34, 55]

Fib既是一个可迭代对象（因为它实现了__iter__方法），又是一个迭代器（因为实现了__next__方法）。实例变量prev和curr用户维护迭代器内部的状态。每次调用next()方法的时候做两件事：

为下一次调用next()方法修改状态
为当前这次调用生成返回结果

迭代器就像一个懒加载的工厂，等到有人需要的时候才给它生成值返回，没调用的时候就处于休眠状态等待下一次调用。

生成器(generator)

生成器算得上是Python语言中最吸引人的特性之一，生成器其实是一种特殊的迭代器，不过这种迭代器更加优雅。它不需要再像上面的类一样写__iter__()和__next__()方法了，只需要一个yiled关键字。生成器一定是迭代器（反之不成立），因此任何生成器也是以一种懒加载的模式生成值。用生成器来实现斐波那契数列的例子是：

#算法复杂度：O(n)
def fib():

    a, b = 0, 1

    while True:

        yield b

        a, b = b, a + b

>>> f = fib()

>>> list(islice(f, 0, 10))

[1, 1, 2, 3, 5, 8, 13, 21, 34, 55]

fib就是一个普通的python函数，它特殊的地方在于函数体中没有return关键字，函数的返回值是一个生成器对象。当执行f=fib()返回的是一个生成器对象，此时函数体中的代码并不会执行，只有显示或隐示地调用next的时候才会真正执行里面的代码。

生成器在Python中是一个非常强大的编程结构，可以用更少地中间变量写流式代码，此外，相比其它容器对象它更能节省内存和CPU，当然它可以用更少的代码来实现相似的功能。现在就可以动手重构你的代码了，但凡看到类似：

def something():

    result = []

    for ... in ...:

        result.append(x)

    return result

都可以用生成器函数来替换：

def iter_something():

    for ... in ...:

        yield x

生成器表达式(generator expression)

生成器表达式是列表推倒式的生成器版本，看起来像列表推导式，但是它返回的是一个生成器对象而不是列表对象。

>>> a = (x*x for x in range(10))

>>> a

<generator object <genexpr> at 0x401f08>

>>> sum(a)

285

总结

容器是一系列元素的集合，str、list、set、dict、file、sockets对象都可以看作是容器，容器都可以被迭代（用在for，while等语句中），因此他们被称为可迭代对象。
可迭代对象实现了__iter__方法，该方法返回一个迭代器对象。
迭代器持有一个内部状态的字段，用于记录下次迭代返回值，它实现了__next__和__iter__方法，迭代器不会一次性把所有元素加载到内存，而是需要的时候才生成返回结果。
生成器是一种特殊的迭代器，它的返回值不是通过return而是用yield。

#另加斐波那契数列使用递归的实现：

#算法复杂度：O(2^^n)

#定义实现函数

def fib(n):

    if n <= 1:

        return n

    else: 　

        return(fib(n-1) + fib(n-2))

# 获取用户输入

num = int(input("您要输出几项? "))

# 检查输入的数字是否正确

if num <= 0:

    print("输入正数")

else:

    print("斐波那契数列:")

    for i in range(num):

        print(fib(i))

#注：递归算法复杂度较高，且运行速度较慢

#输出结果

您要输出几项? 10

斐波那契数列:

0

1

1

2

3

5

8

13

21

34

学习笔记内容来自：

https://foofish.net/iterators-vs-generators.html

https://nvie.com/posts/iterators-vs-generators/

https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/0014317799226173f45ce40636141b6abc8424e12b5fb27000