python 基础 列表生成式 生成器

列表生成式

列表生成式即List Comprehensions，是Python内置的非常简单却强大的可以用来创建list的生成式

举个例子，要生成list [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]可以用range(1, 11)：

>>> range(1, 11)
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

普通循环

>>>a = []
>>> for i in range(10):
...     a.append( i*2 )
...
>>> a
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]

但是循环太繁琐，而列表生成式则可以用一行语句代替循环生成上面的list：

>>> [ i*2 for i in range(10) ]
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]

写列表生成式时，把要生成的元素x * x放到前面，后面跟for循环，就可以把list创建出来

看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],我要求你把列表里的每个值加1，你怎么实现？你可能会想到2种方式

# 普通青年版
>>> a = [1,2,3,4,5,6,7,8]
>>>
>>> b = []
>>>
>>> for i in a:b.append( i+1 )
...
>>> b
[2, 3, 4, 5, 6, 7, 8, 9]
>>> a = b
>>> a
[2, 3, 4, 5, 6, 7, 8, 9]
>>>

# 装逼青年版
>>> a =[ i+1 for i in range(10) ]
>>>
>>> a
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

运用列表生成式，可以快速生成list，可以通过一个list推导出另一个list，而代码却十分简洁

a = [i for i in b if i]

# ==这种方法

a = [1,2,3,4,5,6,7,8]

if a:
    for b in a:
        print(b)

#
>>> a = [1,2,3,4,5,6,7,8]
>>>
>>>
>>> b = [i for i in a if i]
>>> b
[1, 2, 3, 4, 5, 6, 7, 8]

生成器

通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。

所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，

从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator

生成器 只有在调用时才会生成相应的数据

列表生成式 用[]  生成器改成()

>>> ( i*2 for i in range(10) )
<generator object <genexpr> at 0x0000000002105A98>
>>>
>>> b = ( i*2 for i in range(10) )
>>>
>>> for i in b:
...  print(i)
...
0
2
4
6
8
10
12
14
16
18
>>>

生成器与列表区别 生成器调用才生成数据

>>> c = ( i*2 for i in range(1000)  )
>>> c
<generator object <genexpr> at 0x0000000002105B48>  # 没有生成数据 除非你访问他
>>>

>>> c = ( i*2 for i in range(1000)  )
>>> c.__next__()  # 生成器用next函数去一个一个去取
6
>>>
>>> c.__next__()
8
>>>
>>> c.__next__()
10
>>>

生成器练习

>>> a = [ i*2 for i in range(10) ]
>>> a
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]

>>> g = ( i*2 for i in range(50) )
>>>
>>> g
<generator object <genexpr> at 0x000001DF85566BF8>

创建a和g的区别仅在于最外层的[]和(),a是一个list，而g是一个generator。

我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素？

如果要一个一个打印出来，可以通过 __next__()函数获得generator的下一个返回值：

>>> g
<generator object <genexpr> at 0x000001DF85566BF8>
>>>
>>> g.__next__()
0
>>> g.__next__()
2
>>> g.__next__()
4
>>> g.__next__()
6
>>> g.__next__()
8
>>> g.__next__()
10
>>> g.__next__()
12
>>> g.__next__()
14
>>> g.__next__()
16

generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。

当然，上面这种不断调用next(g)实在是太变态了，正确的方法是使用for循环，因为generator也是可迭代对象

>>> g = ( i*2 for i in range(10) )
>>>
>>> for i in g:
...  print(i)
...
0
2
4
6
8
10
12
14
16
18
>>>

所以，我们创建了一个generator后，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。

generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现

不能往前走，也不能后退
只记录当前位置
只有一个方法 3.6 __next__() 函数方法。  2.7 next() 函数

优点: 便于循环比较大的数据集合，节省内存

生成器扩展

斐波拉契

　　比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：

　　1, 1, 2, 3, 5, 8, 13, 21, 34, ...

　　斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        print(b)
        a, b = b, a + b # a=1 b=2
        n = n + 1
    return 'done'

fib(10)

# 赋值语句：
a, b = b, a + b # a=1 b=2

上面的函数可以输出斐波那契数列的前N个数:
1
1
2
3
5
8
13
21
34
55

斐波拉契数列1

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        #print(b)
        yield b
        a, b = b, a + b # a=1 b=2
        n = n + 1
    return 'done'

f = fib(10)
g = fib(6)
while True:
    try:
        x = next(g)
        print('g:', x)
    except StopIteration as e:
        print('Generator return value:', e.value)
        break

print("===== start loop =====")
for i in f:
    print(i)

仔细观察，可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。

也就是说，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        #print(b)
        yield b
        a, b = b, a + b # a=1 b=2
        n = n + 1
    return 'done'

f = fib(50)

# 这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator：
print(f)

<generator object fib at 0x0000028A4E959AF0>

这里，最难理解的就是generator和函数的执行流程不一样。函数是顺序执行，遇到return语句或者最后一行函数语句就返回。

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，再次执行时从上次返回的yield语句处继续执行。

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        #print(b)
        yield b
        a, b = b, a + b #  a=0 b=1 a=1 b=1 a=1 b=2  a=2 b=3
        n = n + 1
    return 'done'

f = fib(50)
# print(f)

print(f.__next__())
print("==========")
print(f.__next__())
print("==========")
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())

# 执行结果
1
==========
1
==========
2
3
5
8
13
21
34
55
89

在上面fib的例子，我们在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。

同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        #print(b)
        yield b
        a, b = b, a + b #  a=0 b=1 a=1 b=1 a=1 b=2  a=2 b=3
        n = n + 1
    return 'done'

f = fib(50)

print("===== start loop =====")
for i in f:
    print(i)

# 执行结果
===== start loop =====
1
1
2
3
5
8
13
21
34
55
89

通过yield实现在单线程的情况下实现并发运算的效果

通过生成器实现协程并行运算

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))

c = consumer("mike")
c.__next__()
b1 = "榨菜"
c.send(b1)    # send 给yield传值 并且唤醒

生成器并行

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)
        c2.send(i)

producer("ming")