Python编程:generator生成器

简介: Python编程:generator生成器

列表生成器

# 列表生成式
lst = []
for i in range(10):
    lst.append(i * 2)
print(lst)
# [0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
# 相当于:
lst = [i * 2 for i in range(10)]
print(lst)
# [0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
# 列表生成器:循环迭代,推断下一元素
lst = (i * 2 for i in range(10))
print(lst)
# <generator object <genexpr> at 0x0000000004200CF0>
"""生成器:
只用调用是才会生成相应的数据
只记录当前位置
只有一个__next__()
"""

yield生成器

# 菲波那切数列Fibonacci
def fib(max):  # 此时不能叫函数,应该叫生成器
    n = 0
    a, b = 0, 1
    while n < max:
        yield b  # 返回当前值,并保存当前状态
        a, b = b, a+b  # 同时赋值
        n = n+ 1
    return "异常消息"  # 输出异常信息
f = fib(10)
print("===")
print(f.__next__())  # 下一个值
print("===")
print(f.__next__())
print("==start loop==")
# for i in f:
#     print(i)
while True:
    try:
        g = next(f)
        print(g)
    except StopIteration as e:
        print("value of e :", e.value)
        break
"""OUT:
===
1
===
1
==start loop==
2
3
5
8
13
21
34
55
value of e : 异常消息
"""

yield生成器-协程

import time
def consumer(name):  # 消费者
    print("%s 来吃包子了!" % name)
    while True:
        baozi = yield
        print("%s 吃了第 %s 个包子" % (name, baozi))
def producer():  #  生产者
    a = consumer("A")  #初始化一个生成器
    b = consumer("B")
    a.__next__()  #程序走到第一个yield
    b.__next__()
    print("我要开始做包子了")
    for i in range(10):
        time.sleep(1)
        print("第 %s 个包子" % i)
        a.send(i)  # 将数据发送到 yield 位置,并执行一次next
        b.send(i)
producer()
# consumer("a")
"""
A 来吃包子了!
B 来吃包子了!
我要开始做包子了
第 0 个包子
A 吃了第 0 个包子
B 吃了第 0 个包子
第 1 个包子
A 吃了第 1 个包子
B 吃了第 1 个包子
第 2 个包子
A 吃了第 2 个包子
B 吃了第 2 个包子
第 3 个包子
A 吃了第 3 个包子
B 吃了第 3 个包子
第 4 个包子
A 吃了第 4 个包子
B 吃了第 4 个包子
第 5 个包子
A 吃了第 5 个包子
B 吃了第 5 个包子
第 6 个包子
A 吃了第 6 个包子
B 吃了第 6 个包子
第 7 个包子
A 吃了第 7 个包子
B 吃了第 7 个包子
第 8 个包子
A 吃了第 8 个包子
B 吃了第 8 个包子
第 9 个包子
A 吃了第 9 个包子
B 吃了第 9 个包子
"""

相关文章
|
22天前
|
机器学习/深度学习 存储 设计模式
Python 高级编程与实战:深入理解性能优化与调试技巧
本文深入探讨了Python的性能优化与调试技巧,涵盖profiling、caching、Cython等优化工具,以及pdb、logging、assert等调试方法。通过实战项目,如优化斐波那契数列计算和调试Web应用,帮助读者掌握这些技术,提升编程效率。附有进一步学习资源,助力读者深入学习。
|
22天前
|
机器学习/深度学习 数据可视化 TensorFlow
Python 高级编程与实战:深入理解数据科学与机器学习
本文深入探讨了Python在数据科学与机器学习中的应用,介绍了pandas、numpy、matplotlib等数据科学工具,以及scikit-learn、tensorflow、keras等机器学习库。通过实战项目,如数据可视化和鸢尾花数据集分类,帮助读者掌握这些技术。最后提供了进一步学习资源,助力提升Python编程技能。
|
10天前
|
Python
[oeasy]python074_ai辅助编程_水果程序_fruits_apple_banana_加法_python之禅
本文回顾了从模块导入变量和函数的方法,并通过一个求和程序实例,讲解了Python中输入处理、类型转换及异常处理的应用。重点分析了“明了胜于晦涩”(Explicit is better than implicit)的Python之禅理念,强调代码应清晰明确。最后总结了加法运算程序的实现过程,并预告后续内容将深入探讨变量类型的隐式与显式问题。附有相关资源链接供进一步学习。
23 4
|
22天前
|
设计模式 机器学习/深度学习 前端开发
Python 高级编程与实战:深入理解设计模式与软件架构
本文深入探讨了Python中的设计模式与软件架构,涵盖单例、工厂、观察者模式及MVC、微服务架构,并通过实战项目如插件系统和Web应用帮助读者掌握这些技术。文章提供了代码示例,便于理解和实践。最后推荐了进一步学习的资源,助力提升Python编程技能。
|
23天前
|
数据采集 搜索推荐 C语言
Python 高级编程与实战:深入理解性能优化与调试技巧
本文深入探讨了Python的性能优化和调试技巧,涵盖使用内置函数、列表推导式、生成器、`cProfile`、`numpy`等优化手段,以及`print`、`assert`、`pdb`和`logging`等调试方法。通过实战项目如优化排序算法和日志记录的Web爬虫,帮助你编写高效稳定的Python程序。
|
12天前
|
Java API Docker
在线编程实现!如何在Java后端通过DockerClient操作Docker生成python环境
以上内容是一个简单的实现在Java后端中通过DockerClient操作Docker生成python环境并执行代码,最后销毁的案例全过程,也是实现一个简单的在线编程后端API的完整流程,你可以在此基础上添加额外的辅助功能,比如上传文件、编辑文件、查阅文件、自定义安装等功能。 只有锻炼思维才能可持续地解决问题,只有思维才是真正值得学习和分享的核心要素。如果这篇博客能给您带来一点帮助,麻烦您点个赞支持一下,还可以收藏起来以备不时之需,有疑问和错误欢迎在评论区指出~
在线编程实现!如何在Java后端通过DockerClient操作Docker生成python环境
|
20天前
|
机器学习/深度学习 设计模式 API
Python 高级编程与实战:构建 RESTful API
本文深入探讨了使用 Python 构建 RESTful API 的方法,涵盖 Flask、Django REST Framework 和 FastAPI 三个主流框架。通过实战项目示例,详细讲解了如何处理 GET、POST 请求,并返回相应数据。学习这些技术将帮助你掌握构建高效、可靠的 Web API。
|
20天前
|
机器学习/深度学习 设计模式 测试技术
Python 高级编程与实战:构建自动化测试框架
本文深入探讨了Python中的自动化测试框架,包括unittest、pytest和nose2,并通过实战项目帮助读者掌握这些技术。文中详细介绍了各框架的基本用法和示例代码,助力开发者快速验证代码正确性,减少手动测试工作量。学习资源推荐包括Python官方文档及Real Python等网站。
|
23天前
|
数据采集 人工智能 数据挖掘
Python 编程基础与实战:从入门到精通
本文介绍Python编程语言,涵盖基础语法、进阶特性及实战项目。从变量、数据类型、运算符、控制结构到函数、列表、字典等基础知识,再到列表推导式、生成器、装饰器和面向对象编程等高级特性,逐步深入。同时,通过简单计算器和Web爬虫两个实战项目,帮助读者掌握Python的应用技巧。最后,提供进一步学习资源,助你在Python编程领域不断进步。
|
23天前
|
Python
Python 高级编程与实战:深入理解面向对象与并发编程
本文深入探讨Python的高级特性,涵盖面向对象编程(继承、多态、特殊方法、类与实例属性)、异常处理(try-except、finally)和并发编程(多线程、多进程、异步编程)。通过实战项目如聊天服务器和异步文件下载器,帮助读者掌握这些技术,编写更复杂高效的Python程序。