Python生成器基础 — 63、如何实现无为则无心的生成器用法？
- 内容介绍
- 文章标签
- 相关推荐
本文共计2428个文字，预计阅读时间需要10分钟。
目录
1.为什么要生成器
2.创建生成器
1. 简单创建生成器 2. 生成器（1）的使用3.使用 yield 关键字
1. yield 关键字说明 2. send() 方法说明4.使用 yield 实现斐波那契数列
5.总结
目录- 1、为什么要有生成器
- 2、创建生成器
- （1）简单创建生成器
- （2）生成器的使用
- 3、
yield关键词- （1）
yield关键词说明 - （2）
send()方法说明
- （1）
- 4、使用
yield实现斐波那契数列 - 5、总结
Python在数据科学领域可以说是很火，我想有一部分的功劳就是它的生成器了吧。
我们知道我们可以用列表储存数据，可是当我们的数据特别大的时候，列表中的数据都是放在内存中，受到内存限制，列表容量肯定是有限的，而且还会降低计算机的性能。
如果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。但如果列表中元素是按照某种算法推算出来，那我们就可以在循环的过程中不断推算出后续的元素，这样就不必创建完整的列表数据，从而节省大量的空间。
换句话说，我又想要得到庞大的数据，又想让它占用空间少，这时生成器就派上用场了，它可以说是一个不怎么占计算机资源的一种方法。
2、创建生成器 （1）简单创建生成器将一个列表推导式（也叫列表生成式） [] 改为 ()即可创建一个生成器。
# 1.用推导式定义一个列表
# 关于推导式请看以前的文章有讲解。
my_list = [x * x for x in range(10)]
# 打印列表
print(my_list)
# 查看my_list类型，是一个列表
print(type(my_list))
"""
输出结果：
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
<class 'list'>
"""
# 2.创建一个生成器
my_gen = (x * x for x in range(10))
# 打印生成器，是一个生成器对象
print(my_gen)
# 查看my_gen对象类型，是生成器类型
print(type(my_gen))
"""
输出结果：
<generator object <genexpr> at 0x0000000002575148>
<class 'generator'>
"""
（2）生成器的使用
# 创建生成器
my_gen = (x * x for x in range(10))
# 1。方式一：遍历生成器，使用next方法
print(my_gen.__next__()) # 0
print(my_gen.__next__()) # 1
print(my_gen.__next__()) # 4
print(my_gen.__next__()) # 9
# 或者
print(next(my_gen)) # 16
print(next(my_gen)) # 没有数据了则会抛出异常StopIteration
# 2.方式二：遍历生成器的内容
for i in my_gen:
print(1)
# 3.方式三：遍历生成器的内容
while True:
try:
# 调用next函数，获取下一个字符
result = next(my_gen)
print(result)
except StopIteration:
# 释放对it的引用，即废弃迭代器对象
del my_gen
# 不推出循环会成为私循环
break
提示：
- 在上边练习中，可以看到和迭代器的用法差不多，在这里说明一下生成器本身就是一个迭代器。如果有对迭代器不清楚的可以查看前面说明迭代器的文章。
- 上面方式一不断调用
next()方法回去元素，实在是太变态了，正确的方法是使用for循环。generator保存的是算法，每次调用next()，就计算出下一个元素的值，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。
3、总结：
- 用
[]推导出来的是迭代器（Iterables）。- 用
()推导出来的是生成器（Generators）。
yield关键词
（1）yield关键词说明
如果我们想定义一个自己的生成器函数怎么办？
Python有yield关键词。其作用和return的功能差不多，就是返回一个值给调用者，只不过有yield的函数返回值后，函数依然保持调用yield时的状态，当下次调用的时候，在原先的基础上继续执行代码，直到遇到下一个yield或者满足结束条件结束函数为止。
啥意思？啥意思？啥意思？
- 你先把
yield关键字直观的看做return关键字，它首先是return的功能，就是在函数或方法中返回某个值，返回之后程序就不再往下运行了。 yield相当于返回一个值给调用者，停止执行函数中的语句，并且记住这个返回的位置。下次迭代时（或者执行next方法的时候），代码从yield记录位置的下一条语句开始执行。- 带有
yield的函数不再是一个普通函数，而是一个生成器generator。 - 调用一个生成器函数，返回的是一个迭代器对象。
示例：
# 定义一个生成器函数
def testYield():
yield 1
yield 2
yield 3
# 获得一个生成器对象
ty = testYield()
"""
调用过程：
next(ty)相当于ty.__next__()
掉调用一次next(ty)时
就会执行testYield()内的方法。
当执行的第一行， yield 1时，
返回当前yield的值1给调用者，停止向下执行，并记录函数中当前的执行位置。
也就是每次遇到 yield 时函数会暂停并保存当前所有的运行信息，返回 yield 的值。
程序执行结束
当下次再调用next(ty)的时候，
还是会执行testYield()内的方法，
只不过是从yield 1下面一句开始执行。
以此类推。
"""
print(next(ty)) # 1
print(next(ty)) # 2
print(next(ty)) # 3
print(next(ty)) # StopIteration
（2）注意：每次调用
testYield()函数都会生成一个新的 generator 实例，各实例互不影响。
send()方法说明
send()方法和next()方法一样，都能让生成器继续往下走一步（下次遇到yield停），但send()能传一个值，这个值作为yield表达式整体的结果。
def testYield():
yield 1
y = yield 2
if (y == 'hello'):
yield 9
yield 3
ty = testYield()
print(ty.__next__()) # 1
print(next(ty)) # 2
"""
第三次执行，send方法会把"hello"传递进去
就是y = "hello"
换句话说，就是send可以强行修改上一个yield表达式值
程序会从第二个yield的下一行开始执行
执行到下一个yield停止，并记录位置，返回结果。
"""
print(ty.send("hello")) # 9
print(next(ty)) # 3
print(next(ty)) # StopIteration
4、使用注意：第一次执行要么
next(ty)要么ty.send(None)，不能使用ty.send('xxxxx')，否则会报错的。
yield实现斐波那契数列
"""
数学中有个著名的斐波那契数列（Fibonacci），
数列中第⼀个数0，第⼆个数1，其后的每⼀个数都可由前两个数相加得到：
如下：
0, 1, 1,2, 3, 5,8, 13, 21,34, ...
现在我们想要通过for...in...循环来遍历迭代斐波那契数列中的前n个数。
那么这个斐波那契数列我们就可以⽤生成来实现，
每次迭代都通过数学计算来⽣成下⼀个数。
"""
from collections.abc import Iterable, Iterator
class FibGenerator(object):
"""
fib数列生成器
"""
# 初始化方法
def __init__(self):
# 斐波拉契数列中的前两个数
self.num1 = 0
self.num2 = 1
# 用来记录迭代次数(计数器)
self.i = 0
def gen(self, count):
# 用来保存迭代的总次数
self.count = count
# 判断是否迭代结束，如果没有到达迭代次数，则返回数据
# self.count 需要迭代的次数
# self.i已迭代次数
while self.i < self.count:
yield self.num2
# 计算num1, num2的值，方便下次迭代返回
# 这里运用的是序列的封包与解包，不会的可以看我以前的文章（元组）
self.num1, self.num2 = self.num2, self.num1 + self.num2
# 执行一次next方法，计数器+1
self.i = self.i + 1
# 创建一个对象
fibGen = FibGenerator()
# 调用生成器函数得到一个生成器
fg = fibGen.gen(15)
# fibIter对象是一个迭代器
print(isinstance(fg, Iterable)) # True
print(isinstance(fg, Iterator)) # True
# next方法方式获取数据
# print(next(fg)) # 1
# print(next(fg)) # 1
# print(next(fg)) # 2
# print(next(fg)) # 3
# print(next(fg)) # 5
# print(next(fg)) # 8
# 遍历生成器，可执行
for li in fg:
print(li)
5、总结
- 生成器
generator就是迭代器iterator的一种，以更优雅的方式实现的iterator，而且完全可以像使用iterator一样使用generator。 - 当然除了定义，定义一个
iterator，你需要分别实现__iter__()方法方法和__next__()方法。但generator只需要一个yield关键字就可以。 - Python生成器主要目的就是为了让你的代码更省资源，更高效！
参考：
- blog.csdn.net/weixin_37720172/article/details/78482291
- www.cnblogs.com/liangmingshen/p/9706181.html
- blog.csdn.net/xiangxianghehe/article/details/77281186
本文共计2428个文字，预计阅读时间需要10分钟。
目录
1.为什么要生成器
2.创建生成器
1. 简单创建生成器 2. 生成器（1）的使用3.使用 yield 关键字
1. yield 关键字说明 2. send() 方法说明4.使用 yield 实现斐波那契数列
5.总结
目录- 1、为什么要有生成器
- 2、创建生成器
- （1）简单创建生成器
- （2）生成器的使用
- 3、
yield关键词- （1）
yield关键词说明 - （2）
send()方法说明
- （1）
- 4、使用
yield实现斐波那契数列 - 5、总结
Python在数据科学领域可以说是很火，我想有一部分的功劳就是它的生成器了吧。
我们知道我们可以用列表储存数据，可是当我们的数据特别大的时候，列表中的数据都是放在内存中，受到内存限制，列表容量肯定是有限的，而且还会降低计算机的性能。
如果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。但如果列表中元素是按照某种算法推算出来，那我们就可以在循环的过程中不断推算出后续的元素，这样就不必创建完整的列表数据，从而节省大量的空间。
换句话说，我又想要得到庞大的数据，又想让它占用空间少，这时生成器就派上用场了，它可以说是一个不怎么占计算机资源的一种方法。
2、创建生成器 （1）简单创建生成器将一个列表推导式（也叫列表生成式） [] 改为 ()即可创建一个生成器。
# 1.用推导式定义一个列表
# 关于推导式请看以前的文章有讲解。
my_list = [x * x for x in range(10)]
# 打印列表
print(my_list)
# 查看my_list类型，是一个列表
print(type(my_list))
"""
输出结果：
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
<class 'list'>
"""
# 2.创建一个生成器
my_gen = (x * x for x in range(10))
# 打印生成器，是一个生成器对象
print(my_gen)
# 查看my_gen对象类型，是生成器类型
print(type(my_gen))
"""
输出结果：
<generator object <genexpr> at 0x0000000002575148>
<class 'generator'>
"""
（2）生成器的使用
# 创建生成器
my_gen = (x * x for x in range(10))
# 1。方式一：遍历生成器，使用next方法
print(my_gen.__next__()) # 0
print(my_gen.__next__()) # 1
print(my_gen.__next__()) # 4
print(my_gen.__next__()) # 9
# 或者
print(next(my_gen)) # 16
print(next(my_gen)) # 没有数据了则会抛出异常StopIteration
# 2.方式二：遍历生成器的内容
for i in my_gen:
print(1)
# 3.方式三：遍历生成器的内容
while True:
try:
# 调用next函数，获取下一个字符
result = next(my_gen)
print(result)
except StopIteration:
# 释放对it的引用，即废弃迭代器对象
del my_gen
# 不推出循环会成为私循环
break
提示：
- 在上边练习中，可以看到和迭代器的用法差不多，在这里说明一下生成器本身就是一个迭代器。如果有对迭代器不清楚的可以查看前面说明迭代器的文章。
- 上面方式一不断调用
next()方法回去元素，实在是太变态了，正确的方法是使用for循环。generator保存的是算法，每次调用next()，就计算出下一个元素的值，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。
3、总结：
- 用
[]推导出来的是迭代器（Iterables）。- 用
()推导出来的是生成器（Generators）。
yield关键词
（1）yield关键词说明
如果我们想定义一个自己的生成器函数怎么办？
Python有yield关键词。其作用和return的功能差不多，就是返回一个值给调用者，只不过有yield的函数返回值后，函数依然保持调用yield时的状态，当下次调用的时候，在原先的基础上继续执行代码，直到遇到下一个yield或者满足结束条件结束函数为止。
啥意思？啥意思？啥意思？
- 你先把
yield关键字直观的看做return关键字，它首先是return的功能，就是在函数或方法中返回某个值，返回之后程序就不再往下运行了。 yield相当于返回一个值给调用者，停止执行函数中的语句，并且记住这个返回的位置。下次迭代时（或者执行next方法的时候），代码从yield记录位置的下一条语句开始执行。- 带有
yield的函数不再是一个普通函数，而是一个生成器generator。 - 调用一个生成器函数，返回的是一个迭代器对象。
示例：
# 定义一个生成器函数
def testYield():
yield 1
yield 2
yield 3
# 获得一个生成器对象
ty = testYield()
"""
调用过程：
next(ty)相当于ty.__next__()
掉调用一次next(ty)时
就会执行testYield()内的方法。
当执行的第一行， yield 1时，
返回当前yield的值1给调用者，停止向下执行，并记录函数中当前的执行位置。
也就是每次遇到 yield 时函数会暂停并保存当前所有的运行信息，返回 yield 的值。
程序执行结束
当下次再调用next(ty)的时候，
还是会执行testYield()内的方法，
只不过是从yield 1下面一句开始执行。
以此类推。
"""
print(next(ty)) # 1
print(next(ty)) # 2
print(next(ty)) # 3
print(next(ty)) # StopIteration
（2）注意：每次调用
testYield()函数都会生成一个新的 generator 实例，各实例互不影响。
send()方法说明
send()方法和next()方法一样，都能让生成器继续往下走一步（下次遇到yield停），但send()能传一个值，这个值作为yield表达式整体的结果。
def testYield():
yield 1
y = yield 2
if (y == 'hello'):
yield 9
yield 3
ty = testYield()
print(ty.__next__()) # 1
print(next(ty)) # 2
"""
第三次执行，send方法会把"hello"传递进去
就是y = "hello"
换句话说，就是send可以强行修改上一个yield表达式值
程序会从第二个yield的下一行开始执行
执行到下一个yield停止，并记录位置，返回结果。
"""
print(ty.send("hello")) # 9
print(next(ty)) # 3
print(next(ty)) # StopIteration
4、使用注意：第一次执行要么
next(ty)要么ty.send(None)，不能使用ty.send('xxxxx')，否则会报错的。
yield实现斐波那契数列
"""
数学中有个著名的斐波那契数列（Fibonacci），
数列中第⼀个数0，第⼆个数1，其后的每⼀个数都可由前两个数相加得到：
如下：
0, 1, 1,2, 3, 5,8, 13, 21,34, ...
现在我们想要通过for...in...循环来遍历迭代斐波那契数列中的前n个数。
那么这个斐波那契数列我们就可以⽤生成来实现，
每次迭代都通过数学计算来⽣成下⼀个数。
"""
from collections.abc import Iterable, Iterator
class FibGenerator(object):
"""
fib数列生成器
"""
# 初始化方法
def __init__(self):
# 斐波拉契数列中的前两个数
self.num1 = 0
self.num2 = 1
# 用来记录迭代次数(计数器)
self.i = 0
def gen(self, count):
# 用来保存迭代的总次数
self.count = count
# 判断是否迭代结束，如果没有到达迭代次数，则返回数据
# self.count 需要迭代的次数
# self.i已迭代次数
while self.i < self.count:
yield self.num2
# 计算num1, num2的值，方便下次迭代返回
# 这里运用的是序列的封包与解包，不会的可以看我以前的文章（元组）
self.num1, self.num2 = self.num2, self.num1 + self.num2
# 执行一次next方法，计数器+1
self.i = self.i + 1
# 创建一个对象
fibGen = FibGenerator()
# 调用生成器函数得到一个生成器
fg = fibGen.gen(15)
# fibIter对象是一个迭代器
print(isinstance(fg, Iterable)) # True
print(isinstance(fg, Iterator)) # True
# next方法方式获取数据
# print(next(fg)) # 1
# print(next(fg)) # 1
# print(next(fg)) # 2
# print(next(fg)) # 3
# print(next(fg)) # 5
# print(next(fg)) # 8
# 遍历生成器，可执行
for li in fg:
print(li)
5、总结
- 生成器
generator就是迭代器iterator的一种，以更优雅的方式实现的iterator，而且完全可以像使用iterator一样使用generator。 - 当然除了定义，定义一个
iterator，你需要分别实现__iter__()方法方法和__next__()方法。但generator只需要一个yield关键字就可以。 - Python生成器主要目的就是为了让你的代码更省资源，更高效！
参考：
- blog.csdn.net/weixin_37720172/article/details/78482291
- www.cnblogs.com/liangmingshen/p/9706181.html
- blog.csdn.net/xiangxianghehe/article/details/77281186