【一】迭代器介绍
- 迭代器即用来迭代取值的工具,而迭代是重复反馈过程的活动
- 其目的通常是为了逼近所需的目标或结果,每一次对过程的重复称为一次“迭代”
- 而每一次迭代得到的结果会作为下一次迭代的初始值,单纯的重复并不是迭代
while True:
msg = input(">>:").strip()
print(msg)
- 下述while循环才是一个迭代过程
- 不仅满足重复,而且以每次重新赋值后的index值作为下一次循环中新的索引进行取值
- 反复迭代,最终可以取尽列表中的值
goods=['mac','lenovo','acer','dell','sony']
index = 0
while index < len(goods):
print(goods[index])
index += 1
【二】可迭代对象
【1】引入
- 通过索引的方式进行迭代取值,实现简单
- 但仅适用于序列类型:字符串,列表,元组。对于没有索引的字典、集合等非序列类型
- 必须找到一种不依赖索引来进行迭代取值的方式,这就用到了迭代器。
- 要想了解迭代器为何物,必须事先搞清楚一个很重要的概念:
- 可迭代对象(Iterable)。
【2】可迭代对象
- 从语法形式上讲,内置有__iter__方法的对象都是可迭代对象
# 【1】数字类型
# 【1.1】整数类型 --- 不是
num = 1
print(num.__iter__)
'''
Traceback (most recent call last):
File "E:\PycharmProjects\demo\venv\demo.py", line 110, in <module>
print(num.__iter__)
AttributeError: 'int' object has no attribute '__iter__'. Did you mean: '__str__'?
'''
# 【1.2】浮点类型 --- 不是
num_float = 1.0
print(num_float.__iter__())
'''
Traceback (most recent call last):
File "E:\PycharmProjects\demo\venv\demo.py", line 111, in <module>
print(num_float.__iter__())
AttributeError: 'float' object has no attribute '__iter__'. Did you mean: '__str__'?
'''
# 【2】字符串类型
name = 'zhang'
print(name.__iter__)
print(name.__iter__())
'''
<method-wrapper '__iter__' of str object at 0x0000020D01D283B0>
<str_iterator object at 0x0000020D01E0AE90>
'''
# 【3】布尔类型
is_right = False
print(is_right.__iter__)
'''
Traceback (most recent call last):
File "E:\PycharmProjects\demo\venv\demo.py", line 110, in <module>
print(is_right.__iter__)
AttributeError: 'bool' object has no attribute '__iter__'. Did you mean: '__str__'?
'''
# 【4】列表类型
name_list = [1,2,3]
print(name_list.__iter__)
'''
Traceback (most recent call last):
File "E:\PycharmProjects\demo\venv\demo.py", line 110, in <module>
print(is_right.__iter__)
AttributeError: 'bool' object has no attribute '__iter__'. Did you mean: '__str__'?
'''
#【5】字典类型
info_dict = {"name":"zhangsan"}
print(info_dict.__iter__)
<method-wrapper '__iter__' of dict object at 0x000001E71C2F00C0>
print(info_dict.__iter__())
<dict_keyiterator object at 0x000001E71C340450>
#【6】元组类型
【3】小结
- 非可迭代对象
- 整数类型
- 浮点类型
- 布尔类型
- 可迭代对象
- 字符串类型
- 列表类型
- 字典类型
- 元祖类型
- 集合类型
【三】迭代器对象
-
调用
obj.__iter__()
方法返回的结果就是一个迭代器对象(Iterator)。 -
迭代器对象是内置有
iter
和
next
方法的对象,打开的文件本身就是一个迭代器对象
- 执行
迭代器对象.iter()
方法得到的仍然是迭代器本身 - 而执行
迭代器.next()
方法就会计算出迭代器中的下一个值。
- 执行
-
迭代器是Python提供的一种统一的、不依赖于索引的迭代取值方式,只要存在多个“值”,无论序列类型还是非序列类型都可以按照迭代器的方式取值
【1】获取迭代器对象的两种方式
(1)__iter__()
name_str = 'zhang'
name_iter_two = iter(name_str)
print(name_iter_two)
# <str_iterator object at 0x0000027F4471AE90>
(2)iter()
name_str = 'dream'
name_iter_two = iter(name_str)
print(name_iter_two)
# <str_iterator object at 0x00000248CE0AAE90>
【2】迭代器对象取值的两种方式
name_str = "zhang"
name_iter = name_str.__iter__()
print(name_iter)
# <str_iterator object at 0x0000021D3241AE90>
print(name_iter.__next__())
# z
【3】数据类型示例
# 【1】字符串类型
name_str = 'zhang'
name_iter = name_str.__iter__()
name_iter_two = iter(name_str)
print(name_iter)
print(name_iter_two)
# <str_iterator object at 0x0000026BD787AE90>
# <str_iterator object at 0x0000026BD787A9E0>
print(name_iter.__next__())
print(next(name_iter))
# z
# h
# 【2】列表类型
name_list = [1,2,3]
name_list_iter = iter(name_list)
print(name_list_iter)
# <list_iterator object at 0x000001980819AE90>
print(name_list_iter.__next__())
print(next(name_list_iter))
# 1
# 2
# 【3】字典类型
info_dict = {"name":"zhangsan","age":18}
info_dict_iter = iter(info_dict)
print(info_dict_iter)
# <dict_keyiterator object at 0x000001E75CB62CA0>
print(info_dict_iter.__next__())
print(next(info_dict_iter))
# name
# age
# 【4】元组类型
num_tuple = (1,2)
num_tuple_iter = iter(num_tuple)
print(num_tuple_iter)
# <tuple_iterator object at 0x0000028789DEAE90>
print(num_tuple_iter.__next__())
print(next(num_tuple_iter))
# 1
# 2
# 【5】集合类型
num_set = {1,2,3}
num_set_iter = iter(num_set)
print(num_set_iter)
print(num_set_iter.__next__())
print(next(num_set_iter))
# <set_iterator object at 0x0000025E3EF0FF00>
# 1
# 2
【四】for循环原理详解
- 有了迭代器后,我们便可以不依赖索引迭代取值了,使用while循环的实现方式如下
goods = ["apple","banana","water"]
i = iter(goods)
while True:
try:
print(next(i))
except StopIteration:
break
- for循环又称为迭代循环,in后可以跟任意可迭代对象,上述while循环可以简写为
goods = ["apple","banana","water"]
for item in goods:
print(item)
- for 循环在工作时
- 首先会调用可迭代对象goods内置的iter方法拿到一个迭代器对象
- 然后再调用该迭代器对象的next方法将取到的值赋给item
- 执行循环体完成一次循环
- 周而复始,直到捕捉StopIteration异常,结束迭代。
【五】迭代器的优缺点
- 基于索引的迭代取值,所有迭代的状态都保存在了索引中
- 而基于迭代器实现迭代的方式不再需要索引
- 所有迭代的状态就保存在迭代器中
- 然而这种处理方式优点与缺点并存
【1】优点
- 为序列和非序列类型提供了一种统一的迭代取值方式。
- 惰性计算:
- 迭代器对象表示的是一个数据流,可以只在需要时才去调用next来计算出一个值
- 就迭代器本身来说,同一时刻在内存中只有一个值,因而可以存放无限大的数据流,而对于其他容器类型
- 如列表,需要把所有的元素都存放于内存中,受内存大小的限制,可以存放的值的个数是有限的。
【2】缺点
- 除非取尽,否则无法获取迭代器的长度
- 只能取下一个值,不能回到开始,更像是‘一次性的’,迭代器产生后的唯一目标就是重复执行next方法直到值取尽,否则就会停留在某个位置,等待下一次调用next;
- 若是要再次迭代同个对象,你只能重新调用iter方法去创建一个新的迭代器对象,如果有两个或者多个循环使用同一个迭代器,必然只会有一个循环能取到值。
【六】什么是生成器
- Python中的生成器是一种特殊的迭代器,可以在需要时生成数据,而不必提前从内存中生成并存储整个数据集。
- 通过生成器,可以逐个生成序列中的元素,而无需一次性生成整个序列。
- 生成器在处理大数据集时,具有节省内存、提高效率的特点。
【七】生成器有两种创建方式
【1】列表推导式
- 使用列表推导式时,可以将列表推导式的方括号改为圆括号,即可创建一个生成器。
# 列表生成式生成列表
start_list = [x * 2 for x in range(5)]
print(start_list)
# [0, 2, 4, 6, 8]
# 将列表改成元祖,看起来像元祖推导式,其实是一个生成器对象
G = (x * 2 for x in range(5))
print(G)
# <generator object <genexpr> at 0x000002819F2B4430>
print(list(G))
# [0, 2, 4, 6, 8]
- 怎么打印出生成器的每一个元素呢?
- 如果要一个一个打印出来,可以通过 next() 函数获得生成器的下一个返回值
- 生成器保存的是算法
- 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
的异常。 - 当然,这种不断调用 next() 实在是太变态了,正确的方法是使用 for 循环,因为生成器也是可迭代对象。
- 所以,我们创建了一个生成器后,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
异常。
- 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
G = (x * 2 for x in range(5))
for i in G:
print(i)
# 0
# 2
# 4
# 6
# 8
【2】yield关键字
(1)yield关键字介绍
- 使用yield关键字定义一个生成器函数时,生成器函数中的yield语句会暂停函数执行并返回一个值,下一次调用该函数时会继续执行并返回下一个值。
def my_generater():
yield 1
yield 2
yield 3
g = my_generater()
print(next(g))
print(next(g))
print(next(g))
# 1
# 2
# 3
- 在上面的代码中,my_generator()是一个生成器函数,通过yield关键字逐个生成值。
- 在调用该函数时,会得到一个生成器对象。
- 通过调用next()函数,可以逐个返回生成器中的值。
(2)yield关键字使用
- 在函数内可以采用表达式形式的yield
def eater():
print('开始吃饭 ovo')
while True:
food = yield
print(f'得到的食物是 :>>>> {food}, 开始吃饭喽 :>>>> {food}')
- 可以拿到函数的生成器对象持续为函数体send值
# 定义生成器
def eater():
print('开始吃饭 ovo ')
while True:
food = yield
print(f'得到的食物是 :>>>> {food}, 开始吃饭喽 :>>>> {food}')
# 得到生成器对象
food_eater = eater()
# 需要事先”初始化”一次,让函数挂起在food=yield,等待调用food_eater.send()方法为其传值
# food_eater.send(None)
# 等同于
next(food_eater)
# 开始吃饭 ovo
food_eater.send('包子')
# 得到的食物是 :>>>> 包子, 开始吃饭喽 :>>>> 包子
food_eater.send('鸡腿')
# 得到的食物是 :>>>> 鸡腿, 开始吃饭喽 :>>>> 鸡腿
- 编写装饰器来完成为所有表达式形式yield对应生成器的初始化操作
# 定义初始化装饰器
def init(func):
def wrapper(*args,**kwargs):
g = func(*args,**kwargs)
next(g)
return g
return wrapper
# 定义生成器 并 使用装饰器初始化
@init
def eater():
print('开始吃饭 ovo ')
while True:
food = yield
print(f'得到的食物是 :>>>> {food}, 开始吃饭喽 :>>>> {food}')
print("得到生成器对象之前")
# 得到生成器对象
food_eater = eater()
print("得到生成器对象之后")
# 得到生成器对象之前
# 开始吃饭 ovo
# 得到生成器对象之后
food_eater.send('包子')
# 得到的食物是 :>>>> 包子, 开始吃饭喽 :>>>> 包子
food_eater.send('鸡腿')
# 得到的食物是 :>>>> 鸡腿, 开始吃饭喽 :>>>> 鸡腿
- 表达式形式的yield也可以用于返回多次值
def eater():
print("开始做饭 ovo")
food_list = []
while True:
food = yield food_list
food_list.append(food)
print(f"做饭喽 :>>>> {food_list}")
# 得到生成器对象
food_eater = eater()
next(food_eater)
# 开始做饭 ovo
food_eater.send("包子")
# 做饭喽 :>>>> ['包子']
food_eater.send("鸡腿")
# 做饭喽 :>>>> ['包子', '鸡腿']
【八】yield+next详解
- 若函数体包含yield关键字,再调用函数,并不会执行函数体代码,得到的返回值即生成器对象
def my_range(start,stop,step=1):
print('start...')
while start < stop:
yield start
start += step
print('end...')
g = my_range(0,3)
print(g)
# <generator object my_range at 0x00000200CB504430>
-
生成器内置有
__iter__
和__next__
方法 -
所以生成器本身就是一个迭代器
def my_range(start, stop, step=1):
print('start...')
while start < stop:
yield start
start += step
print('end...')
g = my_range(0, 3)
print(g) # <generator object my_range at 0x00000179B0912A40>
print(g.__iter__) # <method-wrapper '__iter__' of generator object at 0x000002AFE95A8430>
print(g.__next__) # <method-wrapper '__next__' of generator object at 0x000002AFE95A8430>
# 生成方式一
g_iter = iter(g)
print(g_iter) # <generator object my_range at 0x00000288EAEE22D0>
# start...
print(next(g_iter))
# 0
print(next(g_iter))
# 1
def my_range(start, stop, step=1):
print('start...')
while start < stop:
yield start
start += step
print('end...')
g = my_range(0, 3)
print(g) # <generator object my_range at 0x00000179B0912A40>
print(g.__iter__) # <method-wrapper '__iter__' of generator object at 0x000002AFE95A8430>
print(g.__next__) # <method-wrapper '__next__' of generator object at 0x000002AFE95A8430>
# 生成方式二
print(next(g))
# start...
print(next(g))
# 0
print(next(g))
# 1
next原理详解
def my_range(start, stop, step=1):
print('start...')
while start < stop:
yield start
start += step
print('end...')
g = my_range(0, 3)
print(g) # <generator object my_range at 0x00000179B0912A40>
print(g.__iter__) # <method-wrapper '__iter__' of generator object at 0x000002AFE95A8430>
print(g.__next__) # <method-wrapper '__next__' of generator object at 0x000002AFE95A8430>
# 触发函数执行直到遇到yield则停止,将yield后的值返回,并在当前位置挂起函数
print(f"第一次 :>>>> {next(g)}")
# start...
# 第一次 :>>>> 0
# 再次调用next(g),函数从上次暂停的位置继续执行,直到重新遇到yield...
print(f"第二次 :>>>> {next(g)}")
# 第二次 :>>>> 1
# 周而复始...
print(f"第三次 :>>>> {next(g)}")
# 第三次 :>>>> 2
# end...
print(f"第四次 :>>>> {next(g)}")
'''
Traceback (most recent call last):
File "E:\PythonProjects\生成器.py", line 33, in <module>
print(f"第四次 :>>>> {next(g)}")
StopIteration
'''
【九】生成器的特点
- 节约内存
- 迭代到下一次的调用时,所使用的参数都是第一次所保留下的
- 即是说,在整个所有函数调用的参数都是第一次所调用时保留的,而不是新创建的