列表生成式
>>> a = [i+1 for i in range(10)] >>> a [1,2,3,4,5,6,7,8,9,10]
循环 range(10) 生成一个列表,这就是列表生成器
这个range() 函数可创建一个整数列表
python2 :
>>> print(range(10))
[0,1,9]
python3 :
>>> print(range(10))
range(0,10)
以上可见python2中,等于是创建了两个列表,比python3中,增加了内存消耗,python3中的优化
生成器generator
由上可知在python2中,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。比如我要循环100万次,
按py的语法,for i in range(1000000)会先生成100万个值的列表。但是循环到第50次时,
我就不想继续了,就退出了。但是90多万的列表元素就白为你提前生成了。
for i in range(1000000): if i == 50: break print(i)
像上面这个循环,每次循环只是+1而已,我们完全可以写一个算法,让他执行一次就自动+1,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后面元素的机制,称为生成器:generator。
要创建一个generator,有很多种方法。第一种方法很简单,只要把一个列表生成式的[]
改成(),
就创建了一个generator:
>>> [x * x for x in range(10)] [0,16,25,36,49,64,81] >>> >>> (x * x for x in range(10)) at 0x101ebc3b8>
(x*x for x in range(10))生成的就是一个生成器。
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 = (x * x for x in range(10)) >>> next(g) 0 >>> next(g) 1 >>> next(g) 4 >>> next(g) 9 >>> next(g) 16 >>> next(g) 25 >>> next(g) 36 >>> next(g)
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。
for 循环打印generator
>>> g = (x * x for x in range(10)) >>> for n in g: ... print(n) 0 1 4 9
...
通过for循环来迭代它,就不需要关心stopiteration的错误了。
函数生成器
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。
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:
1,13,21,34,…
a,b = 0,1 n = 0 # 斐波那契数 while n < 100: n = a + b a = b # 把b的旧值给到a b = n # 新的b = a + b(旧b的值) print(n)
改成函数也可以的
def fib(max): a,1 n = 0 # 斐波那契数 while n < max: n = a + b a = b # 把b的旧值给到a b = n # 新的b = a + b(旧b的值) print(n) fib(100)
输出 :
1
2
3
5
8
13
21
34
55
89
144
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): a,1 n = 0 # 斐波那契数 while n < max: n = a + b a = b # 把b的旧值给到a b = n # 新的b = a + b(旧b的值) #print(n) yield n # 程序走到这,就会暂停下来,返回n到函数外面,直到被next方法调用时唤醒 f = fib(100) # 注意这句调用时,函数并不会执行,只有下一次调用next时,函数才会真正执行 print(f) print(f.__next__()) print(f.__next__()) print(f.__next__()) print(f.__next__())
1 2 3 5
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:
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语句暂停并返回数据到函数外,再次被next()调用时从上次返回的yield语句处继续执行
的例子,我们在循环过程中不断调用yield
,函数就会不断的中断(暂停)。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:
f = fib(100) # 注意这句调用时,函数并不会执行,只有下一次调用next时,函数才会真正执行 for i in f: print(i) #输出: 1 2 3 ... ... 55 89 144
并发编程
虽然我们还没学并发编程,但我们肯定听过cpu 多少核多少核之类的,cpu的多核就是为了可以实现并行运算,让你同时边听歌、边聊qq、边刷知乎。
单核的cpu同一时间只能干一个事,所以你用单核电脑同时做好几件事的话,就会变的很慢,因为cpu要在不同程序任务间来回切换。
通过yield,我们可以实现单核下并发做多件事的效果。
import time def consumer(name): print("%s 准备吃包子啦!" %name) while True: baozi = yield # yield可以接收到外部send传过来的数据并赋值给baozi print("包子[%s]来了,被[%s]吃了!" %(baozi,name)) c = consumer(‘A‘) c2 = consumer(‘B‘) c.__next__() # 执行一下next可以使上面的函数走到yield那句。 这样后面的send语法才能生效 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) # send的作用=next,同时还把数据传给了上面函数里的yield c2.send(i)
注意:调用send(x)给生成器传值时,必须确保生成器已经执行过一次next()调用,这样会让程序走到yield位置等待外部第2次调用。
迭代器Iterator
我们已经知道,可以直接作用于for
循环的数据类型有以下几种:
这些可以直接作用于for
循环的对象统称为可迭代对象:Iterable,可迭代的意思就是可遍历、可循环
。
可以使用isinstance()
判断一个对象是否是Iterable
对象:
>>> from collections import Iterable >>> isinstance([],Iterable) True >>> isinstance({},Iterable) True >>> isinstance(‘abc‘,Iterable) True >>> isinstance((x for x in range(10)),Iterable) True >>> isinstance(100,Iterable) False
而生成器不但可以作用于for循环,还可以被next()函数不断调用并返回下一个值,直到最后抛出stopiteration错误表示无法继续返回下一个值了。
*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:Iterator。
可以使用isinstance()判断一个对象是否是Iterator对象:
>>> from collections.abc import Iterator >>> isinstance([],Iterator)
True
>>> isinstance({},Iterator)
True
>>> isinstance(‘abc‘,Iterator)
True
>>> isinstance((x for x in range(10)),Iterator)
True
>>> isinstance(100,Iterator)
False
生成器都是Iterator
对象,但list
、dict
、str
虽然是Iterable
,却不是Iterator
。
把list
、dict
、str
等Iterable
变成Iterator
可以使用iter()
函数:
>>> isinstance(iter([]),Iterator) True >>> isinstance(iter(‘abc‘),Iterator) True
你可能会问,为什么list
、dict
、str
等数据类型不是Iterator
?
这是因为Python的Iterator
对象表示的是一个数据流,Iterator对象可以被next()
函数调用并不断返回下一个数据,直到没有数据时抛出stopiteration
错误。
可以把这个数据流看做是一个有序序列,但我们却不能提前知道序列的长度,只能不断通过next()
函数实现按需计算下一个数据,所以Iterator
的计算是惰性的,
只有在需要返回下一个数据时它才会计算。
Iterator
甚至可以表示一个无限大的数据流,例如全体自然数。而使用list是永远不可能存储全体自然数的。
小结 :
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。
回到一开始我们讲的python3 和 python2 range的区别
# 简单模拟range class Foo: def __init__(self,start,stop): self.num=start self.stop=stop def __iter__(self): return self def __next__(self): if self.num >= self.stop: raise stopiteration n=self.num self.num+=1 return n f=Foo(1,5) from collections.abc import Iterator print(isinstance(f,Iterator)) for i in Foo(1,5): print(i) 以上可知:在python3,range的实现方式是基于迭代器。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。