python学习------迭代器协议和生成器

一、递归和迭代

递归：自己调用自己

举例解释：问路   A问B康明网络科技怎么走，B说我不是很清楚，我帮你问问C，C说我也不知道。我问问D，D说 就在兴隆。之后D返回结果给C，C返回结果给B，B返回结果给A.

迭代：迭，是更新的意思，每一次结果都是依据上一次结果产生。

举例解释：问路   A问B康明网络科技怎么走，B说我不是很清楚，C可能知道你自己去问，C说我也不知道。D可能知道你自己去问，D说 就在兴隆。

二、什么是迭代器协议
1.迭代器协议是指：对象必须提供一个next方法，执行该方法要么返回迭代中的下一项，要么就引起一个
stoplteration异常，以终止迭代(只能往后走不能往前退)
2.可迭代对象：实现了迭代器协议的对象(如何实现：对象内部定义一个__iter__()方法)
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。

三、python中强大的for循环机制
for循环的本质：循环所有对象，全都是使用迭代器协议。
正本清源：
很多人会想，for循环的本质就是遵循迭代器协议去访问对象，那么for循环的对象
肯定都是迭代器了啊，没错，那既然这样，for循环可以遍历（字符串，列表，元组，字典，集合
，文件对象），那这些类型的数据肯定都是可迭代对象啊？但是，为什么定义一个列表
没有next()方法？

（字符串，列表，元组，字典，集合，文件对象）这些都不是可迭代对象，只不过在for循环时，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__方法去取值，而且for循环会捕捉stoplteration异常，
以终止迭代

l = ['a','b','c']
#一：下标访问方式
print(l[0])
print(l[1])
print(l[2])
print(l[3])    #超出边界报错：IndexError

#二：遵循迭代器协议访问方式
diedai_l = l.__iter__()
print(diedai_l.__next__())
print(diedai_l.__next__())
print(diedai_l.__next__())
#print(diedai_l.__next__())  #超出边界报错：StopIteration

#三：for循环访问方式
for循环l本质就是遵循迭代器协议的访问方式，先调用diedai_l=l.__iter__()方法，
或者直接diedai_l=iter(l),然后依次执行diedai_l.next(),直到for循环捕捉到stopIteration
终止循环
#for循环所有对象的本质都是一样的原理

for i in l: #diedai_l=l.__iter__()
    print(i)  #i = diedai_l.next()

#四：用while去模拟for循环做的事情
diedai_l = l.__iter__()

while True:
    try:
        print(diedai_l.__next__())
    except StopIteration:
        print('迭代完毕了，循环终止了')
        break

四、为何要有for循环
基于上面讲的列表三种访问方式，聪明的你立马看出了端倪，于是你不知死活大声喊道，你这不逗我玩呢么，
有了下标的访问方式，我可以这样遍历一个列表啊

l=[1,2,3]

index = 0
while index < len(l):
    print(l[index])
    index+=1
#要毛线for循环  要毛线for循环  要毛线for循环

没错，序列类型字符串，列表，元组都有下标，你用上述的方式访问，perfect！
但是你可曾想过非序列类型像字典，集合，文件对象的感受，所以，for循环就是基于迭代器
协议提供的一个统一的可以遍历所有对象的方法，即在遍历之前，先调用对象的
__iter__方法将其转换成一个迭代器，然后使用迭代器协议去实现循环访问，这样
所有对象就都可以通过for循环来遍历了，而且你看到的结果也确实如此，这就是
无所不能的for循环，觉悟吧，年轻人

l =['a','b','c','d']
diedai_l = l.__iter__()
print(diedai_l.__next__())
print(next(diedai_l))
#next()等同于__next__ ，只不过next()是系统内置函数

五、生成器初探
什么是生成器？
可以理解为一种数据类型，这种数据类型自动实现了迭代器协议（其他的数据类型需要调用自己内置的
__iter__方法），所以生成器就是可迭代对象。

生成器分类及在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语句返回结果。yield语句一次返回
一个结果，在每个结果中间，过去函数的状态，以便下次重它理想的地方继续执行

def test():
    yield 1
    yield 2
    yield 3
g = test()
print(g)
print(g.__next__())
print(g.__next__())

#输出结果：
<generator object test at 0x0000000001E0D2A0>
1
2

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个对象，而不是一次构建一个
结果列表

为何使用生成器之生成器的优点
python使用生成器对延迟操作提供了支持。所谓延迟操作，是指在
需要的时候才产生结果，而不是立即产生结果。这也是生成器的主要好处

生成器小结：
1.是可迭代对象
2.实现了延迟技术，省内存啊
3生成器本质和其他的数据类型一样，都是实现了迭代器协议，只不过生成器附加了一个延迟技术省内存的好处，
其余的可迭代对象可没有这点好处，记住喽！

六、生成器函数

def lay_eggs(num):
    egg_list=[]
    for egg in range(num):
        egg_list.append('蛋%s' %egg)
    return egg_list
yikuangdan = lay_eggs(10) #我们拿到的是蛋
print(yikuangdan)
#缺点1.占用空间大    2.运行效率低

def lay_eggs(num):
    for egg in range(num):
        yield '蛋%s' %egg
        print('下完一个蛋')
laomuji =lay_eggs(10) #我们拿到的是一只母鸡   (生成器)
print(laomuji)
print(laomuji.__next__())
print(laomuji.__next__())
print(laomuji.__next__())
egg_l =list(laomuji)
print(egg_l)
#演示只能往后不能往前
#演示蛋下完了，母鸡就死了

七、生成器表达式和列表解析

#三元表达式
name ='alex'
#name = 'zhu.mr'
res ='shuai' if name == 'alex' else 'no'
print(res)

#alex送鸡蛋报恩情
egg_list = ['鸡蛋%s' %i for i in range(10)]   #列表解析

#对方回绝了。说你送鸡蛋不如送我个母鸡吧，回头我在家里自己下蛋

laomuji = ('鸡蛋%s' %i for i in range(10)) #生成器表达式
print(laomuji)
print(next(laomuji))
print(laomuji.__next__())
print(next(laomuji))

总结：
1.把列表解析的[]换成()得到的就是生成器表达式
2.列表解析与生成器表达式都是一种遍历的编程方式，只不过生成器表达式更节省内存。
3.python不但使用迭代器协议让for循环变得更加通用。大部分内置函数，也是使用迭代器协议
访问对象的。例如,sum()函数是python的内置函数，该函数使用迭代器协议访问对象
，而生产器实现了迭代器协议，所以我们可以直接这样计算一系列的和：

sum(x ** 2 for x in range(4))

而不是多此一举的先构造一个列表

sum( [x ** 2 for x in range(4)]  )

八、生成器总结
综上已经对生成器有了一定的认识，下面我们以生成器函数为例进行总结
  a.语法上和函数类似：生成器函数和常规函数几乎是一样的。它们都是使用def语句进行定义，差别在于，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
  b.自动实现迭代器协议：对于生成器，python会自动实现迭代器协议，以便应用到迭代背景中（如for循环，sum函数）。由于生成器自动实现迭代器协议，
所以，我们可以调用他的next方法，并且，在没有值可以返回的时候，生成器自动产生stoplteration异常。
  c.状态挂起：生成器使用yield语句返回一个值。yield语句挂起该生成器函数的状态，保留足够的信息，以便之后从它离开的地方继续执行。

优点一：生成器的好处是延迟计算，一次返回结果。也就是说，它不会生成所有
结果，这对于大数据量处理，将非常有用。

#列表解析
sum([i for i in range(1000000)]) #内存占用大，机器容易卡死

#生成器表达式
sum(i for i in range(1000000)) #几乎不占内存

优点二：生成器还能有效提高代码可读性

#求一段文字中，每个单子出现的位置
def index_words(text):
    result=[]
    if text:
        result.append(0)
    for index, letter in enumerate(text,1):
        if letter == ' ':
            result.append(index)
    return result
print(index_words('hello alex da db'))

这里，至少有两个充分的理由说明 ，使用生成器比不使用生成器代码更加清晰：

使用生成器以后，代码行数更少。大家要记住，如果想把代码写的Pythonic，在保证代码可读性的前提下，代码行数越少越好
不使用生成器的时候，对于每次结果，我们首先看到的是result.append(index)，其次，才是index。也就是说，我们每次看到的是一个列表的append操作，只是append的是我们想要的结果。使用生成器的时候，直接yield index，少了列表append操作的干扰，我们一眼就能够看出，代码是要返回index。
这个例子充分说明了，合理使用生成器，能够有效提高代码可读性。只要大家完全接受了生成器的概念，理解了yield语句和return语句一样，也是返回一个值。那么，就能够理解为什么使用生成器比不使用生成器要好，能够理解使用生成器真的可以让代码变得清晰易懂。

注意事项：生成器只能遍历一次（母鸡一生只能下一定数量的蛋，下完了就死掉了）

#人口信息.txt文件内容
{'name':'北京','population':10}
{'name':'南京','population':100000}
{'name':'山东','population':10000}
{'name':'山西','population':19999}

def get_provice_population(filename):
    with open(filename) as f:
        for line in f:
            p=eval(line)
            yield p['population']
gen=get_provice_population('人口信息.txt')

all_population=sum(gen)
for p in gen:
    print(p/all_population)

执行上面这段代码，将不会有任何输出，这是因为，生成器只能遍历一次。在我们执行sum语句的时候，就遍历了我们的生成器，当我们再次遍历我们的生成器的时候，将不会有任何记录。所以，上面的代码不会有任何输出。

因此，生成器的唯一注意事项就是：生成器只能遍历一次。

取消注释打印效果。生成器只能遍历一次