Python-生成器进阶2

今日内容：

生成器进阶内容：

计算移动平均值（例子）

def wrapper(func): # 生成器预激装饰器
      def inner(*args,**keargs):
            g = func(*args,**keargs)
            g.__next__()
            return g
      return inner
@wrapper
def average_func():
      total = 0
      count = 0
      average = 0
      while True:
            value = yield average
            total += value
            count += 1
            average = total/count
g = average_func()
print(g.send(30))

 

send关键字：

　　首先，send和next工作的起止位置是完全相同的

　　send可以把一个值作为信号量传递到函数中去

　　在生成器执行伊始，只能使用next

　　只能用send传递参数的时候，必须在生成器中有一个未被返回的yield

列表推导式和生成器表达式：

new_l = []
for i in [1,3,5]:
      new_l.append(i*i)
print(new_l)

#下边是列表推导式
print([i*i for i in [1,3,5]])

总结：

　　1.把列表解析的[]换成()得到的就是生成器表达式

　　2.列表解释与生成器表达式都是一种遍历方式，只不过生成器表达式更节省内存

　　3.Python不但使用迭代器协议，让for循环变得更加通用。大部分内置函数，也是使用迭代器协议访问对象的。

　　例如， sum函数是Python的内置函数，该函数使用迭代器协议访问对象，而生成器实现了迭代器协议，所以，我们可以直接这样计算一系列值的和

sum(x ** 2 for x in range(4))

到这里，两天的迭代器和生成器就写完了。

本章小结：

可迭代对象：

　　　　拥有__iter__方法

　　　　特点：惰性运算

　　　　例如：range（），str，list，tuple，dict，set

迭代器Iterator：

　　　　拥有__iter__方法和__next__方法

　　　　例：

　　　　　　iter(range()),iter(str),iter(list),iter(tuple),iter(dict),iter(set)等

生成器Generator：

　　　　本质：迭代器，所以拥有__iter__方法和__next__方法

　　　　特点：惰性运算，开发者自定义

使用生成器的优点：

1.延迟计算，一个返回一个结果，也就是说，她不会一次生成所有的结果，这对于大数据处理，将会非常有用。

#列表解析
sum([i for i in range(100000000)])#内存占用大,机器容易卡死

#生成器表达式
sum(i for i in range(100000000))#几乎不占内存

2.提高代码可读性

生成器相关的面试题：

def demo():
    for i in range(4):
        yield i

g=demo()

g1=(i for i in g)
g2=(i for i in g1)

print(list(g1))
print(list(g2))

def add(n,i):
    return n+i

def test():
    for i in range(4):
        yield i

g=test()
for n in [1,10]:
    g=(add(n,i) for i in g)

print(list(g))

面试题2