python_学习笔记0825

今天是二零一伍年八月二十五日

1、在python中有像list、tuple这样的对象，他们是可迭代的(Iterable)，这样的对象在for语句中被循环。但是我们都知道，list是一个有限的对象。也就是说，其实当list被创建以后，他是具有长度的，每一个元素在内存中都是有位置的。但是有时候，在一个list里面，我们有时候只需要前面几个元素，这样就造成了大量内存浪费。为了防止这种浪费，我们就需要一种新的数据类型——生成器（generator）

顾名思义，生成器是动态生成内容的，比如：

l = [x * x for x in range(10)]g = (x *x for x in range(10) )

把原来的方括号修改为圆括号，就是我们的生成器了。g的列举更加灵活：

>>> next(g)0>>> next(g)1>>> next(g)4>>> next(g)9>>> next(g)16>>> next(g)25>>> next(g)36>>> next(g)49>>> next(g)64>>> next(g)81>>> next(g)Traceback (most recent call last):  File "<stdin>", line 1, in <module>StopIteration

next()语句帮助我们一步一步的“计算”生成器中的值。生成器中保留的其实是一种算法和计数器，每次使用next时，就计算下一个元素的值。当然，在我们的算法里也有一个上限，所以我们在访问到最后就会有StopIteration的异常被抛出。当然我们的生成器也可以像其他可迭代对象一样被for循环直接输出。

但是有时候，生成一个有逻辑的序列却并不是那么简单。比如斐波那契数列，我们们能仅仅用列表生成器就生成吗？不行，这个时候必须使用函数：

# generator.pydef fib(max):n , a , b = 0 , 0 , 1while n < max : print(b) a , b = b , a + b  n += 1  return 'done'

那么我们能用生成器生成一个动态斐波拉切吗，答案是可以的。那么我们就来分析一下斐波拉切函数，在这个函数里，我们真正需要的其实是b这个变量，而print这个函数正好是输出了这个变量。所以，想要把这个函数变成生成器，我们要从这里入手，我们只用把打印语句改成yield b就行，也就是这样：

# generator.pydef fib(max):n , a , b = 0 , 0 , 1while n < max : yield b a , b = b , a + b  n += 1  return 'done'

这个时候我们再尝试去使用这个函数的时候就不一样了。

g = fib(6)

此时的g就是一个生成器了，我们使用next或者是for循环就能打印出我们的斐波拉切数列。但是我们看回我们的定义，发现我们还有一个done被return了，那么它到底什么时候被返回呢？这个我想大家不用想也知道，它会在我们原先被抛出异常的时候返回，也就是：

Traceback (most recent call last):  File "<stdin>", line 1, in <module>StopIteration: done

当然要是我们想正常输出这个done的话，我们就需要捕获异常了

2、刚刚在使用生成器的时候使用了Next句柄，那么，是否还有其他的对象也可以使用next？答案是当然的，这样的对象我们统一称为——迭代器(Iterator)。那么我们的list、string是迭代器吗？答案是否定的，关于这一点我们可以使用isinstance函数去检验。他们只是可迭代的（Iterable），远不是迭代器。不过没有关系我们可以使用iter()函数使它变成迭代器。

>>> from collections import Iterator>>> isinstance((x for x in range(10)), Iterator)True>>> isinstance([], Iterator)False>>> isinstance({}, Iterator)False>>> isinstance('abc', Iterator)False

>>> isinstance(iter([]), Iterator)True>>> isinstance(iter('abc'), Iterator)True

那么为什么我们所钟爱的这些数据类型不能成为迭代器呢？因为我们所称的迭代器往往是一个数据流，它往往需要next函数去一个一个计算下一个值。有时候我们称迭代器是惰性的，只有当我们需要下一个数据的时候他才会计算。