正文

【Python】解析Python中的迭代器

IP云
IP云V管理员/4 阅读
11/28
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

目录结构：

contents structure [-]
  1. Iterator VS Iterable
  2. Itertools 模块
  3. 生成器（Generator）

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

相关阅读

目录[+]