Python入门-生成器和生成器表达式

Posted 2021-01-26 快乐的--猿

　　昨天我们说了迭代器,那么和今天说的生成器是什么关系呢?

一.生成器

　　什么是生成器?说白了生成器的本质就是迭代器.

　　在Python中中有三种方式来获取生成器.

　　　　1.通过生成器函数

　　　　2.通过各种推导式来实现生成器

　　　　3.通过数据的转换也可以获取生成器

　　首先,让我们看一个很简单的函数:

def func():
    print(111)
    return 222
ret = func()
print(ret)
结果:
111
222

　　将函数中的return换成yield就是生成器

def func():
    print(111)
    yield 222
ret = func()
print(ret)
结果:
<generator object func at 0x0000000001DF04C0>

　　运行的结果和上面不一样,为什么呢,由于函数中存在了yield,那么这个函数就是一个生成器函数,这个时候,我们在执行这个函数的时候就不再是函数的执行了,而是获取这个生成器.如何使用呢?想想迭代器,生成器本质是迭代器,所以,我们可以直接用__next__()来执行以下生成器

def func():
    print(111)
    yield 222
gen = func()   #这个时候函数不会执行,而是获取到生成器
ret = gen.__next__()  #这个时候函数才会执行,yield的作用和return一样,也是返回数据
print(ret)
结果:
111
222

　　那么我们可以看到,yield和return的效果是一样的,有什么区别呢?yield是分段来执行一个函数,return是直接停止执行函数.

def func():
    print(111)
    yield 222
    print(333)
    yield 444
gen = func()
ret = gen.__next__()
print(ret)
ret2 = gen.__next__()
print(ret2)
ret3 = gen.__next__()  #最后一个yield执行完毕,再次__next__()程序报错,也就是说,和return无关了
print(ret3)

结果:

Traceback (most recent call last):
File "E:/s17pycharm/每日作业/练习2.py", line 1068, in <module>
ret3 = gen.__next__() #最后一个yield执行完毕,再次__next__()程序报错,也就是说,和return无关了
StopIteration
111
222
333
444

　　当程序运行完最后一个yield,那么后面继续进行__next__()程序会报错.好了,生成器说完了,生成器有什么作用呢?我们来看这样一个需求,某家学校要订购一批校服,数量10000套,JACK JONES就比较实在,直接造出来10000套衣服.

def cloth():
    lst = []
    for i in range(1,10001):
        lst.append(‘衣服%s‘%i)
    return lst
cl = cloth()

　　但是现在问题来了,学校现在没地方放,很尴尬,最好的效果是什么样的呢?我要一套,你给我一套,一共10000套,是不是最完美的.

def cloth():
    for i in range(1,10001):
        yield ‘衣服%s‘%i
cl = cloth()
print(cl.__next__())
print(cl.__next__())
print(cl.__next__())
print(cl.__next__())

　　区别:第一种是直接一次性全部拿出来,会很占内存,第二种使用生成器,一次就一个,用多少生成多少,生成器是一个一个的指向下一个,不会回去,__next__()到哪,指针指到哪,下一次继续获取指针指向的值.

　　接下来我们来看send方法,send和__next__()一样都可以让生成器执行下一个yield

def eat():
    print(‘我要吃什么‘)
    a = yield ‘馒头‘
    print(‘a‘,a)
    b = yield ‘大饼‘
    print(‘b‘,b)
    c = yield ‘韭菜盒子‘
    print(‘c‘,c)
    yield ‘GAME OVER‘
gen = eat()   #获取生成器
ret1 = gen.__next__()
print(ret1)
ret2 = gen.send(‘胡辣汤‘)
print(ret2)
ret3 = gen.send(‘‘狗粮)
print(ret3)
ret4 = gen.send(‘猫粮‘)
print(ret4)

　　send和__next__()区别:

　　　　1.send和next()都是让生成器向下走一次

　　　　2.send可以给上一个yield的位置传值,不能给最后一个yield传值,在第一次执行生成器代码的时候不能使用send()

　　生成器可以使用for循环来循环获取内部的元素:

def func():
    print(111)
    yield 222
    print(333)
    yield 444
    print(555)
    yield 666
gen = func()
for i in gen:
    print(i)
结果:
111
222
333
444
555
666

二.列表推导式,生成器表达式以及其他推导式

　　首先我们先看一下这样的代码,给出一个列表,通过循环,向列表中添加1-14:

lst = []
for i in range(1,15):
    lst.append(i)
print(lst)

　　列表推导式:

lst = [i for i in range(1,15)]
print(lst)

　　列表推导式是通过一行来构建你要的列表,列表推导式看起来代码简单,但是出现错误之后很难排查.

　　列表推导式的常用写法:[结果 for 变量 in 可迭代对象]

例:把一年级1班到14班写入列表lst:

lst = [‘一年级%s班‘%i for i in range(1,15)]
print(lst)

　　我们还可以对列表中的数据进行筛选

　　筛选模式:

　　　　[结果 for 变量 in 可迭代对象 if 条件]

#获取1-100内所有的偶数
lst = [i for i in range(1,100) if i %2 == 0]
print(lst)

　　生成器表达式和列表推导式的语法基本是一样的,只是把[]换成()了

gen = (i for i in range(10))
print(gen)
结果:
<generator object <genexpr> at 0x0000000001DF04C0>

　　打印的结果就是一个生成器,我们可以使用for循环来循环这个生成器:

gen = (i for i in range(10))
for i in gen:
    print(i)

　　生成器表达式也可以进行筛选:

#获取1-100内能被3整除的数
gen = (i for in range(1,100) if i %3 == 0)
for num in gen:
    print(num)

　　其他就不举例,有兴趣可以自己玩玩.

　　生成器表达式和列表推导式的区别:

　　　　1.列表推导式比较耗内存,一次性加载,生成器表达式几乎不占用内存,使用的时候才分配和使用内存;

　　　　2.得到的值不一样,列表推导式得到的是一个列表,生成器表达式获取的是一个生成器.

　　生成器的惰性机制:生成器只有在访问的时候才取值,说白了你要找他才给你值,不找他要他是不会执行的.

def func():
    print(111)
    yield 222
g = func() # 生成器g
g1 = (i for i in g) # 生成器g1.但是g1的数据来源于g
g2 = (i for i in g1) # 生成器g2.来源g1
print(list(g)) # 获取g中的数据.这时func()才会被执行. 打印111.获取到222.g完毕.
print(list(g1)) # 获取g1中的数据.g1的数据来源是g. 但是g已经取完了. g1也就没有数据了
print(list(g2)) # 和g1同理

　　深坑:生成器要值的时候才拿值.

　　字典推导式:

　　　　根据名字应该也能猜到,推导出来的是字典

#把字典中的key和value互换
dic = {‘a‘:1,‘b‘:‘2‘}
new_dic = {dic[key]:key for key in dic}
print(new_dic)

　　集合推导式:

　　　　集合推导式可以帮我们直接生成一个集合,集合特点:无序,不重复,所以集合推导式自带去重功能

lst = [1,-1,8,-8,12]
#绝对值去重
s = {abs(i) for i in lst}
print(s)

　　总结:

　　　　推导式有列表推导式,字典推导式,集合推导式,没有元组推导式

　　　　生成器表达式:(结果 for 变量 in 可迭代对象 if 条件筛选)

　　　　生成器表达式可以直接获取到生成器对象,生成器对象可以直接进行for循环,生成器具有惰性机制.

　　留一个练习题:

def add(a, b):
    return a + b
def test():
    for r_i in range(4):
        yield r_i
g = test() 
for n in [2, 10]:
    g = (add(n, i) for i in g)
print(list(g))

　　友情提示:惰性机制,不到最后不会拿值