小白教程：Python 生成器 and 迭代器笔记
列表推导假设现在有一个需求，要求我们把列表 中的每个值加 1，那么一般会有以下几种实现方式：方法一（直接使用 for 循环，不推荐）：info =for i, ele in enumerate(info):
info += 1
print(info)方法二（使用内置的 map 函数）：info =
a = map(lambda x:x+1, info)
print(a)方法三（列表推导）：info =
a =
print(a)其中，更推荐使用方法三，写法更加的 Pythonic，而且当需要条件过滤时，map 需要借助 filter 函数，使用列表推导的方式更简洁。
生成器通过上述的列表推导可以方便地创建一个列表，但是需要创建的列表很大时，就会占据很大的内存，极端情况下内存甚至无法容纳，而且如果我们仅仅只是需要访问当中某些元素，更是一个极大的浪费，此时，我们就需要考虑用生成器，而不是直接创建并返回列表。
生成器类似于返回值为数组的一个函数，这个函数可以接受参数，可以被调用，但是，不同于一般的函数会一次性返回包括了所有数值的数组，生成器一次只能产生一个值，这样消耗的内存数量将大大减小，而且允许调用函数可以很快的处理前几个返回值，因此生成器看起来像是一个函数，但是表现得却像是迭代器。
要创建一个生成器，有很多种方法，第一种方法就是把列表推导的 [] 换成 ()，就创建了一个生成器：>>> L =
>>> L
>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x1022ef630>
生成器中值无法像列表一样直接打印，需要通过 next() 函数获取生成器的下一个返回值：>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
>>> next(g)
9
>>> next(g)
16
>>> next(g)
25
>>> next(g)
36
>>> next(g)
49
>>> next(g)
64
>>> next(g)
81
>>> next(g)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration
可以看到，生成器保存的其实是产生元素的算法，每次调用 next(g)，就计算出 g 的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出 StopIteration 的错误。因为生成器本身也是可迭代对象，所以一般使用 for 循环：>>> g = (x * x for x in range(10))
>>> for n in g:
... print(n)
...
0
1
4
9
16
25
36
49
64
81当需要实现的算法比较复杂，列表推导无法很好表达的情况下，则需要通过生成器函数来定义，例如著名的斐波那契数列：def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1这就是实现生成器的第二种方式，如果一个函数定义中包含 yield 关键字，那么这个函数就不再是一个普通函数，而是一个生成器。
这里说一下生成器和函数的执行流程，函数是顺序执行的，遇到 return 语句或者最后一行函数语句就返回。而变成生成器的函数，在每次调用 next() 的时候执行，遇到 yield 语句返回，再次被 next() 调用时候从上次的返回 yield 语句处急需执行，也就是用多少，取多少，不占内存。
同样的，既然是生成器，就可以用 for 循环来迭代：>>> for n in fib(6):
... print(n)
...
1
1
2
3
5
8单总结，Python 提供了两种方法来实现生成器
[*]生成器函数：也是用 def 定义的，利用关键字 yield 一次性返回一个结果，阻塞，重新开始
[*]生成器表达式：返回一个生成器对象，这个对象只有在需要的时候才产生结果
页:
[1]