生成器和生成器表达式
Posted zhao-peng-
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了生成器和生成器表达式相关的知识,希望对你有一定的参考价值。
生成器和生成器表达式
1.生成器
生成器的实质就是迭代器 在python中有三种方式获取生成器:
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
先看一个简单的函数
def func()
print(‘111‘)
return
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 0x00000000024C65C8>
运行结果不一样,在函数中存在了yield,这个函数就是一个生成器了。 这时候就不能忘执行函数了,而是获取这个迭代器。 生成器的本质就是迭代器,所以可以用__next___()来执行线面的生成器。
def func():
print(‘111‘)
yield 222
gener = func()
ret = gener.__next__()
print(ret)
结果:
111
222
我们可以看到,yield和return的效果是一样的。 区别就在于yield是分段来执行函数;return是直接停止执行函数。
def func():
print(‘111‘)
yield 222
print(‘333‘)
yield 444
gener = func()
ret = gener.__next__()
print(ret)
ret2 = gener.__next__()
print(ret2)
ret3 = gener.__next__()
print(ret3)
结果:Traceback (most recent call last):
File "E:/***.12.py", line 60, in <module>
ret3 = gener.__next__()
StopIteration
111
222
333
444
当程序运行到最后一个的yield时,后面如果继续执行__next__()程序会报错。
生成器的作用: 现有需求老男孩向安踏订购10000套服装,安踏直接一步到位。
def colth():
lst = []
for i in range(1,10000):
lst.append(i)
return lst
cl = cloth()
衣服太多了,没地方放。现在我需要李宁,我要一套,李宁给我提供一套
def cloth():
for i in range(1,1000):
yield ‘衣服%s‘ % i
cl = colth()
print(cl.__next__())
print(cl.__next__())
print(cl.__next__())
print(cl.__next__())
这两种的区别:第一种一次性交给老男孩10000套,需要的内存太大,会很占内存; 第二种一次拿一件,需要的时候就给__next__()去拿,next()到哪,就去到哪。 只能往前不能后退、反复。
接下来看send和__next__()一样都可以让生成器执行到下一个yield。
def eat():
print(‘我吃什么啊‘)
a = yield ‘馒头‘
print(‘a=‘,a)
b = yield ‘大饼‘
print(‘b=‘,b)
c = yirld ‘韭菜盒子‘
print(‘c=‘,c)
yield ‘GAME OVER‘
gen = eat() # 获取生成器
ret1 = gen.__next__()
print(ret1)
ret2 = gen.__next__(‘胡辣汤‘)
print(ret2)
ret3 = gen.__next__()
print(ret3)
ret4 = gen.__next__()
print(ret4)
结果:
我吃什么啊
馒头
a= 胡辣汤
大饼
b= 狗粮
韭菜盒子
c= 喵粮
GAME OVER
send和__next__()区别:
1.send和__next__()都是让生成器向下走一次。
2.send可以给上一个位置传递值,不能给最后一个yield发送值,
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循环来获取内部元素:
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
2.列表推导式,生成器表达式以及其他推导式
通过循环在列表里添加1-20。
lst = []
for i in range(1,21):
lst.append(i)
print(lst)
替换成列表推导式:
lst = [i for i in range(1,21)]
print(lst)
列表推导式是通过一行代码来构建你要的列表,列表推导式看起来简单,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 ]
例题:从python1期到python6期写入列表
lst = [‘python%s期‘ % i for i in range(1,7)]
print(lst)
结果:
[‘python1期‘, ‘python2期‘, ‘python3期‘, ‘python4期‘,‘python5期‘, ‘python6期‘]
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(1,101) if i%2==0]
print(lst)
生成器表达式和列表推导式的语法基本上一样,只是把[]替换成()
gen = (i for i in range(10))
print(gen)
结果:
<generator object <genexpr> at 0x00000000024C65C8>
打印的结果是生成器,我们可以使用for循环来循环这个生成器:
gen = (‘我们已经开课%s天了‘ % i for i in range(1,4))
for i in gen:
print(i)
结果:
我们已经开课1天了
我们已经开课2天了
我们已经开课3天了
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 i in range(1,101) if i%3==0)
for l in gen:
print(l)
# 不用推导式和表达式
lst = []
for i in range(1,101):
if i % 3 == 0:
lst.append(i)
print(lst)
生成器表达式和列表推导式的区别:
1.列表推导式比较消耗内存,一次性加载全部。生成器表达式几乎不占用内存,
使用的时候才分配和使用。
2.得到的值不一样。列表推导式得到的是一个列表;生成器表达式得到的是一个生成器。
生成器的惰性机制:生成器只有在访问的时候才取值,只有在找他拿值得时候,才会执行,否则不会执行。
def func():
print(111)
yield 222
g = func() # 生成器g
g1 = (i for i in g) # 生成器g1,但g1的数据来自g
g2 = (i for i in g1) # 生成器g2,数据来自g1
print(list(g) # 获g的数据,这时func()才会被执行,打印111,获取到222 g执行完毕
print(list(g1) # 获取g1中的数据,g1的数据来自g,但是g已经取完了,g1没有数据。
print(list(g2) # 同上
***深坑==> 生成器,需要用到值的时候才拿值***
字典推导式:
# 把字典中的key和value互换
dic = {‘a‘:1,‘b‘:2}
dic1 = {dic[key]:key for key in dic}
print(dic1)
# 在以下list中,从list1中获取的数据和list2中的数据组成新字典
list1 = [‘jay‘,‘jj‘,‘sylar‘]
list2 = [‘周杰伦‘,‘林俊杰‘,‘秋大拿‘]
dic = {list1[i]:list2[i] for i in rnge(len(list1))}
print(dic)
集合推导式:
集合推导式可以帮我们直接生成一个集合,集合的特点:无需、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 = {set(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(元组没有推导式)
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,生成器对象可直接进行for循环,
生成器具有惰性机制。
以上是关于生成器和生成器表达式的主要内容,如果未能解决你的问题,请参考以下文章