python生成器与迭代器

1. 生成器：

用列表生成式生成一个列表

[ i*2  for  i  in  range(10) ]

这就是一个列表生成式。
列表生成式使得建立列表代码变得简洁。可是，若是一个列表很大，这样建立就比较耗内存了。若是列表元素能够按照某种算法推算出来，那咱们就能够在循环过程当中不断推算出后续的元素，这样就不用建立一个完整的list。从而节省内存空间。在python中这种一边循环一边计算的机制，就称为生成器(generator)。

要建立一个generator，有不少方法，第一种方法很简单，只须要把一个列表生成式的[]换成()就建立了一个generator。
先写一个简单的生成器

#!/usr/bin/env python
# -- coding:utf-8 --
# 列表生成式
import datetime
import time
starttime1 = datetime.datetime.now()
b = ( i*2 for i in  range(100000000) )
for i in b:
    print i
    time.sleep(1)
endtime1 = datetime.datetime.now()
print (endtime1 - starttime1).seconds

我起了一个1核1G的虚机，若是上述代码采用列表去循环程序直接OOM被killed了。可是我若是采用上述代码只会在程序启动的时候内存使用率偏高，以后几乎不多占用内存，这很明显就体现了生成器的优点。

generator很是强大。若是推算的算法比较复杂，还能够用函数来实现。
下面就来用生成器实现一个斐波那契数列。
斐波那契数列：除了第一个和第二个数以外，任意一个数都是由前面两个数相加获得。在数学上，斐波纳契数列以以下被以递推的方法定义：F(1)=1，F(2)=1, F(n)=F(n-1)+F(n-2)(n>=3，n∈N*)
1,1,2,3,5,8...

def fibo(n):
    a,b = 0,1
    while n > 0:
        print b
        a,b = b,a+b
        n -= 1 
fibo(10)

生成这样一个数列直接用相似列表生成式的方式就比较麻烦了，上述函数变成生成器只须要将print变成yield就能够了可是他将打印出来一个生成器而不是具体的数据，生成器是边计算边执行的它跟列表的不一样之处就在于它只有一个next方法每一条数据都须要执行next方法才能获得。

#!/usr/bin/env python
def fibo(n):
    a,b = 0,1
    while n > 0:
        #print b
        yield b
        a,b = b,a+b
        n -= 1 
print fibo(10)
f = fibo(10)
print f.next()

输出结果却跟上边的代码有所不一样

这里只打印了第一个元素，由于生成器是边计算边生成的，每调用一次next方法才会由下一个值。要遍历全部数据只要一个for循环便可：

#!/usr/bin/env python
def fibo(n):
    a,b = 0,1
    while n > 0:
        #print b
        yield b
        a,b = b,a+b
        n -= 1 
print fibo(10)
f = fibo(10)
for i in f:
    print i

这个yield关键字，改变了原有的函数执行流程，函数是顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。

2.迭代器：
能够直接用于for循环的对象统称为可迭代对象：Iterable。
一类是集合数据类型，如list、tuple、dict、set、str等；
一类是generator，包括生成器和带yield的generator function。
可使用isinstance()判断一个对象是不是Iterable对象。

>>> from collections import Iterable
>>> isinstance([],Iterable)
True
>>> 
>>> isinstance({},Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(10, Iterable)
False
>>>

生成器不但能够做用于for循环，还能够被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示没法继续返回下一个值了。

能够被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。

可使用isinstance()判断一个对象是不是Iterator对象：

>>> from collections import Iterator
>>> 
>>> isinstance((x for x in range(10)),Iterator)
True
>>> isinstance([],Iterator)
False
>>> isinstance({},Iterator)
False
>>> isinstance('abc', Iterator)
False
>>>

生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。

把list、dict、str等Iterable变成Iterator可使用iter()函数：

>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True

为何list、dict、str等数据类型不是Iterator？
这是由于Python的Iterator对象表示的是一个数据流，Iterator对象能够被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。能够把这个数据流看作是一个有序序列，但咱们却不能提早知道序列的长度，只能不断经过next()函数实现按需计算下一个数据，因此Iterator的计算是惰性的，只有在须要返回下一个数据时它才会计算。
参考连接：https://www.liaoxuefeng.com/wiki/1016959663602400/1017323698112640