【Python】解析Python中的迭代器

目录结构:

contents structure [-]

 

 

 

 

在开始文章之前,先贴上一张Iterable、Iterator与Generator之间的关系图:

1. Iterator VS Iterable

迭代器(Iterator)

迭代器是实现了迭代器协议的类对象,迭代器协议规定了迭代器类必需定义__next()__方法。当对迭代器对象调用next()方法时,对象会去调用__next()__计算迭代器的返回值。

 

可迭代对象(Iterable)

可迭代对象可以是任何对象,不一定是能返回迭代器的数据结构。一个可迭代对象会直接或间接性的调用这两个方法__iter()__和__next()__;其中__iter()__方法只能返回迭代器对象,__next()__则供给迭代器进行调用。

通常情况下,可迭代类都会实现__iter()__和__next()__,并且__iter()__返回它自己,换句话说,该类即是迭代器又是可迭代类。

下面的代码展示了迭代器和可迭代器对象之间的差别:

a_set = {1, 2, 3}#定义set数据类型,set是可迭代类型
b_iterator = iter(a_set)#得到set的迭代器
#Output: 1
print(next(b_iterator))

#Output: <class 'set'>
print(type(a_set))

#Output: <class 'set_iterator'>
print(type(b_iterator))

从结果可以看出a_set是一个可迭代类型(set类型),b_iterator是一个迭代器(set_iterator),它们两个是完全不一同的类型。

下面的自定义了一个迭代器:

class Series(object):
    def __init__(self, low, high):
        self.current = low
        self.high = high

    def __iter__(self):
        return self

    def __next__(self):
        if self.current > self.high:
            raise StopIteration
        else:
            self.current += 1
            return self.current - 1

n_list = Series(1,10)    
print(list(n_list))

从上面的代码可以看出,__iter__返回了迭代器本身。__next__返回迭代器的下一个值,如果没有下一个返回值那么会抛出StopIteration异常。如果没有在合适的位置抛出StopIteration异常结束迭代,那么在某些循环语句中(例如:for loop),将会形成死循环,所以在__next__中必需要在合适位置添加退出语句(抛出StopIterator异常)。

 

2.Itertools 模块

Itertools是Python的内置模块,其中包含了能够创建迭代器的函数。简而言之,它提供了许多能够与迭代器交互的方法。
下面是我们使用Itertools模块中count函数的案例:

from itertools import count
sequence = count(start=0, step=1)
while(next(sequence) <= 10):
    print(next(sequence),end=" ")

输出:

1 3 5 7 9 11 


Itertools中的cycle函数可以创建无限迭代器,例如:

from itertools import cycle
dessert = cycle(['Icecream','Cake'])
count = 0
while(count != 4):
    print('Q. What do we have for dessert? A: ' + next(dessert))
    count+=1

输出:

Q. What do we have for dessert? A: Icecream
Q. What do we have for dessert? A: Cake
Q. What do we have for dessert? A: Icecream
Q. What do we have for dessert? A: Cake


关于更多itertools模块的使用,可以参见python文档

 

3.生成器(Generator)

生成器可以说是迭代器的亲兄弟,生成器允许我们像上面那样写迭代器而不用额外定义__iter__()和__next__()方法。

看下面的案例:

def series_generator(low, high):
    while low <= high:
       yield low
       low += 1

n_list = []
for num in series_generator(1,10):
    n_list.append(num)

print(n_list)

如果一个方法中出现了yield关键字,那么该方法就是一个生成器。生成器中没有return语句,函数的返回值实际上是一个generator。当循环开始执行到yield语句后,low的值会被扩展到要返回的generator中。当下一次循环再次到达yield语句时,generator会从上一次停止的地方恢复执行,并且将最新的low值添加到generator中。这样一种循环,直到low>high退出循环。

生成器支持延迟计算,只有当去取生成器中的值时才会执行生成器的函数体。
例如:

def test():
    print("进入test函数")
    for i in range(2):
        print("yield number ",i)
        yield i
if "__main__" == __name__:
    print("开始调用test")
    res =  test()
    print("结束调用test")
    next(res)
    next(res)

输出:

开始调用test
结束调用test
第一次next(res)
进入test函数
yield number 0
第二次next(res)
yield number  1

从结果可以看出,只有使用next调用迭代器时(使用for,while循环也可以),才会去执行生成器函数中的内容。

python中生成器可以分为生成器函数和生成器表达式,这两种类型的表现形式完全不同。
生成器函数是一个函数体中有yield关键字的,我们上面定义的test就是生成器函数。
生成器表达式的使用比较受限制,一个生成器表达式返回一个生成器。下面是一个使用生成器表达式的案例:

squares = (x * x for x in range(1,10))
print(type(squares))
print(list(squares))

输出:

<class 'generator'>
[1, 4, 9, 16, 25, 36, 49, 64, 81]


生成器的效率是非常高的,生成器可以更好的利用内存和CPU的使用效率,并且通常生成器的代码都比较少,这使用生成器的代码非常好容易理解。应此应该尽量多的在代码中使用生成器

参考文档
https://www.datacamp.com/community/tutorials/python-iterator-tutorial

posted @ 2019-06-03 23:59 HDWK 阅读(...) 评论(...) 编辑 收藏