Python3高级特性(四)之生成器(Generator)

简介: Python3高级特性(四)之生成器(Generator)

生成器的概念


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,会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。生成器对象是一个迭代器:但是它比迭代器对象多了一些方法,它们包括send方法,throw方法和close方法。这些方法,主要是用于外部与生成器对象的交互。

创建生成器之一


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:

L = [x * x for x in range(10)]  #列表生成式
复制代码

结果为:[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

g = (x * x for x in range(10))  #生成器
复制代码

<generator object  at 0x1022ef630>

创建L和g的区别仅在于最外层的[]和(),L是一个list,而g是一个generator。:可以通过next()函数获得generator的下一个返回值,指导抛出异常:“StopIteration”

next(g)
复制代码

结果为:0

next(g) ,#以此类推
复制代码

Traceback (most recent call last):File "", line 1, in StopIteration

我们讲过,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。

创建生成器之二


可以通过for循环创建生成器,因为generator也是可迭代对象:

g = (x * x for x in range(10))
for n in g:
  print(n)
复制代码

所以,创建了一个generator后,基本上是通过for循环来迭代它,并且不需要关心StopIteration的错误。

创建生成器之三


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, 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
        n = n + 1
    return 'done'
复制代码

注意,赋值语句:

a, b = b, a + b
复制代码

相当于:

t = (b, a + b)  # t是一个tuple
a = t[0]
b = t[1]
复制代码

神器:不必显式写出临时变量就可以赋值。

上面的函数可以输出斐波那契数列的前N个数:

fib(6)
复制代码

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,但不是generator。

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:
        yield b
        a, b = b, a + b
        n = n + 1
    return 'done'
复制代码

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:

f = fib(6)
复制代码

<generator object fib at 0x104feaaa0>

生成器的执行流程


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。

举个简单的例子,定义一个generator,依次返回数字1,3,5:

def odd():
    print('step 1')
    yield 1
    print('step 2')
    yield(3)
    print('step 3')
    yield(5)
复制代码

调用该generator时,首先要生成一个generator对象,然后用next()函数不断获得下一个返回值:

o = odd()
next(o)
#step 1
#1
next(o)
#step 2
#3
next(o)
#step 3
#5
next(o)
#Traceback (most recent call last):File "<stdin>", line 1, in <module>StopIteration
复制代码

可以看到,odd不是普通函数,而是generator,在执行过程中,遇到yield就中断,下次又继续执行。执行3次yield后,已经没有yield可以执行了,所以,第4次调用next(o)就报错。把函数改成generator后,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:

for n in fib(6):
   print(n)


作者:zhulin1028

著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

相关文章
|
29天前
|
数据采集 存储 大数据
深入理解Python中的生成器及其应用
本文详细介绍了Python中的生成器概念,包括其定义、工作原理、常见用法以及在实际项目中的应用。通过具体示例和代码分析,帮助读者更好地理解和运用生成器,提高编程效率。
|
1天前
|
存储 大数据 数据处理
优化Python中的数据处理效率:使用生成器提升性能
在Python编程中,有效的数据处理是提升性能和效率的关键。本文将探讨如何利用生成器(generator)优化数据处理过程,通过实例展示生成器如何在内存效率和执行速度上带来显著提升。
|
14天前
|
Python
python解包迭代器或生成器
【7月更文挑战第1天】
15 3
|
13天前
|
大数据 数据处理 Python
Python的生成器(Generator)
【7月更文挑战第2天】
10 1
|
14天前
|
Python
python解包迭代器或生成器
【7月更文挑战第1天】
11 1
|
19天前
|
数据处理 Python
从零开始学迭代器生成器:打造高效、易读的Python代码
从零开始学迭代器生成器:打造高效、易读的Python代码
|
17天前
|
IDE Linux 数据处理
探索Linux中的`pydoc`命令:Python文档生成器的力量
`pydoc`是Linux上Python的文档生成和查看工具,尤其对数据科学家有价值。它从docstring生成模块、函数和类的文档,提供快速API参考。主要特点包括易用性、支持标准库和第三方库、跨平台。命令行示例:`pydoc pandas` 查看库文档,`pydoc numpy.array` 查看类详情,`pydoc -k 关键字` 进行搜索。使用时注意正确安装Python,编写清晰的docstring,并结合IDE以提升效率。
|
22天前
|
算法 大数据 数据处理
深入理解Python中的生成器及其应用
生成器是Python中一种强大的工具,能够简化代码、节省内存并提高程序的效率。本文将详细介绍生成器的概念、语法以及在实际项目中的应用场景,帮助开发者更好地利用这一特性。
|
23天前
|
数据处理 开发者 Python
深入理解Python中的生成器与迭代器
在Python编程中,生成器和迭代器是非常重要的概念,它们能够极大地提高代码的效率和可读性。本文将详细介绍生成器和迭代器的原理、用法及其在实际开发中的应用,通过示例代码帮助读者更好地掌握这些技术。
|
2天前
|
前端开发 JavaScript API
MkDocs是一个用Python编写的快速、简单且易于定制的静态网站生成器
MkDocs是一个用Python编写的快速、简单且易于定制的静态网站生成器
4 0

相关实验场景

更多